Formation sur Google AI

Leçon 1 • Aperçu des principaux sous-domaines de l'IA

Cartographie l'apprentissage automatique, le TALN, la vision par ordinateur et la robotique comme des disciplines distinctes. Aide les apprenants à naviguer dans les outils Google qui appartiennent à quel sous-domaine.

Leçon 2 • Comment les machines apprennent à partir des données

Explique les paradigmes d'apprentissage supervisé, non supervisé et par renforcement. Relie les types d'apprentissage aux catégories pratiques de produits d'IA de Google.

Leçon 3 • Ce qu'est l'IA et ce qu'elle n'est pas

Clarifie les idées fausses courantes et établit des définitions précises de l'IA. Établit la base conceptuelle pour tout le contenu technique subséquent.

Leçon 4 • Histoire et évolution de l'IA

Retrace l'IA de la logique symbolique à l'apprentissage profond moderne. Fournit le contexte pour comprendre pourquoi les outils d'IA actuels de Google sont conçus comme ils le sont.

Leçon 1 • Plateforme d'IA et d'apprentissage automatique dans le nuage

Présente Vertex AI comme la plateforme unifiée d'apprentissage automatique et ses services de base. Relie l'infrastructure nuagique aux flux de travail pratiques d'entraînement et de déploiement de modèles.

Leçon 2 • API d'IA prédéfinies pour les développeurs

Couvre les API Vision, Parole, Traduction et Langage naturel en tant que services prêts à l'emploi. Montre comment les API prédéfinies accélèrent le développement sans entraînement personnalisé.

Leçon 3 • IA dans Google Workspace et les produits grand public

Explore les intégrations Gemini dans Docs, Sheets, Gmail et Search. Démontre comment l'IA intégrée améliore la productivité quotidienne des utilisateurs non techniques.

Leçon 4 • Produits et API d'IA générative

Passe en revue les modèles Gemini, Imagen et les API génératives connexes disponibles pour les développeurs. Positionne chaque produit dans l'écosystème d'IA plus large de Google.

Leçon 1 • Collecte et ingestion de données

Couvre les API, l'extraction de données Web, l'ingestion en continu et par lots. Relie les méthodes d'acquisition de données au stockage dans Google Cloud et à BigQuery.

Leçon 2 • Division et gestion de versions des ensembles de données

Enseigne les divisions entraînement, validation et test ainsi que les pratiques de gestion de versions des ensembles de données. Prévient les fuites de données et garantit des expériences reproductibles.

Leçon 3 • Étiquetage et annotation des données

Explique les stratégies d'étiquetage manuelles, semi-automatisées et automatisées à l'aide de Vertex AI Data Labeling. Des étiquettes de qualité sont le fondement de la performance de l'apprentissage supervisé.

Leçon 4 • Types et sources de données

Distingue les données structurées, non structurées et semi-structurées et leurs cas d'utilisation en IA. Établit la littératie des données comme prérequis à tout travail de modélisation.

Leçon 1 • Évaluation et sélection de modèles

Interprète les matrices de confusion, les courbes ROC et les importances de caractéristiques de Vertex AI. Guide la décision de déployer, réentraîner ou rejeter un modèle.

Leçon 2 • AutoML pour les données tabulaires et d'image

Entraîne des modèles sans code sur des ensembles de données tabulaires, d'image, de texte et vidéo à l'aide d'AutoML. Démontre comment des non-experts en apprentissage automatique peuvent produire des modèles de qualité production.

Leçon 3 • Entraînement personnalisé de modèles sur Vertex AI

Exécute des tâches d'entraînement TensorFlow et PyTorch personnalisées à l'aide de Vertex AI Training. Couvre la configuration des tâches, la sélection du matériel et les bases de l'entraînement distribué.

Leçon 4 • Vertex AI Workbench et notebooks

Configure des notebooks gérés pour l'analyse exploratoire des données et le prototypage de modèles. Fournit l'environnement pratique utilisé dans tous les exercices d'entraînement.

Leçon 1 • CI/CD pour les pipelines d'apprentissage automatique

Automatise le réentraînement et le redéploiement des modèles à l'aide de Vertex AI Pipelines et de Cloud Build. Applique les meilleures pratiques du génie logiciel au cycle de vie de l'apprentissage automatique.

Leçon 2 • Pipelines de prédiction par lots

Exécute des tâches d'inférence hors ligne à grande échelle à l'aide de Vertex AI Batch Prediction. Optimise les coûts et le débit pour les charges de travail non sensibles à la latence.

Leçon 3 • Surveillance des modèles et détection de la dérive

Configure Vertex AI Model Monitoring pour détecter la dérive des caractéristiques et des prédictions. Garantit que les modèles déployés maintiennent leur exactitude à mesure que les distributions de données du monde réel changent.

Leçon 4 • Points de terminaison de prédiction en ligne

Déploie des modèles sur des points de terminaison Vertex AI pour une inférence en temps réel à faible latence. Couvre la répartition du trafic, les politiques de mise à l'échelle et les vérifications de l'état des points de terminaison.

Leçon 1 • Stratégies d'atténuation des biais

Met en œuvre des techniques de débiaisage en prétraitement, en traitement et en post-traitement. Réduit les résultats discriminatoires tout en préservant l'utilité du modèle.

Leçon 2 • Explicabilité et transparence

Utilise Vertex Explainable AI et les valeurs SHAP pour interpréter les décisions des modèles. Renforce la confiance des parties prenantes et satisfait aux exigences de transparence.

Leçon 3 • Biais en IA : sources et types

Identifie les biais historiques, de représentation, de mesure et d'agrégation dans les ensembles de données et les modèles. Établit pourquoi la détection des biais doit précéder toute décision de déploiement.

Leçon 4 • Mesures d'équité et évaluation

Applique la parité démographique, l'égalité des chances et des mesures d'équité individuelle aux sorties du modèle. Relie la mesure de l'équité à la responsabilité commerciale et juridique.

Leçon 1 • Génération augmentée de récupération

Ancre les réponses du grand modèle de langage dans des bases de connaissances externes à l'aide de la recherche vectorielle et de pipelines RAG. Réduit les hallucinations et maintient les réponses factuellement à jour.

Leçon 2 • Comment fonctionnent les grands modèles de langage

Explique l'architecture du transformeur, la tokenisation et la prédiction du prochain jeton à un niveau conceptuel. Fournit le modèle mental nécessaire pour utiliser et déboguer le comportement d'un grand modèle de langage.

Leçon 3 • Techniques d'ingénierie de requêtes

Enseigne les stratégies de requête à zéro exemple, à quelques exemples, de chaîne de pensée et de rôle. Améliore directement la qualité des résultats sans aucun ajustement du modèle.

Leçon 4 • Intégration de l'API Gemini

Connecte les applications aux modèles Gemini via des appels REST et SDK avec une authentification appropriée. Couvre les entrées multimodales, y compris le texte, l'image et l'audio.

Leçon 1 • Mesure de l'impact commercial de l'IA

Définit des KPI, des cadres de ROI et des protocoles de tests A/B pour les fonctionnalités basées sur l'IA. Boucle la boucle entre le rendement du modèle et les résultats commerciaux.

Leçon 2 • Systèmes d'IA multimodaux et agentiques

Conçoit des systèmes qui combinent du texte, des images, de l'audio et des agents utilisant des outils pour des tâches complexes. Représente la frontière du développement de produits d'IA appliquée.

Leçon 3 • Optimisation des coûts pour les charges de travail d'IA

Applique des instances ponctuelles, la quantification de modèles et la mise en cache pour réduire les dépenses d'infrastructure d'IA. Garantit que les projets d'IA restent financièrement viables à l'échelle de l'entreprise.

Leçon 4 • Maturité et architecture MLOps

Évalue les niveaux de maturité MLOps organisationnels et conçoit des architectures cibles. Fait le pont entre les modèles expérimentaux et les systèmes de production fiables.