Formation en IA générative

Leçon 1 • L'Écosystème de l'IA Générative Aujourd'hui

Cartographie le paysage actuel des fournisseurs, des projets open-source et des plateformes de déploiement. Aide les apprenants à naviguer dans les choix d'outils pertinents pour leur contexte professionnel.

Leçon 2 • Histoire et Évolution de l'IA Générative

Retrace le développement depuis les premiers modèles statistiques de langage jusqu'aux modèles de fondation modernes. Fournit un contexte pour comprendre les capacités et limites actuelles.

Leçon 3 • Ce Qu'est Réellement l'IA Générative

Définit l'IA générative en la contrastant avec les systèmes discriminatifs et basés sur des règles. Établit le vocabulaire précis utilisé tout au long du cours.

Leçon 1 • Tokenization et Représentation du Texte

Explique comment le texte brut est converti en jetons et en plongements numériques. Ancre les décisions ultérieures d'ingénierie de prompt dans une compréhension du format d'entrée du modèle.

Leçon 2 • Mécanismes d'Attention et Transformers

Démystifie l'auto-attention et le bloc transformer sans nécessiter de calcul infinitésimal. Explique comment la taille de la fenêtre de contexte affecte la cohérence et le rappel.

Leçon 3 • Inférence, Échantillonnage et Contrôle des Sorties

Couvre la façon dont les modèles génèrent des jetons au moment de l'inférence et comment les paramètres d'échantillonnage façonnent les sorties. Permet aux apprenants de régler la température et d'autres contrôles de manière ciblée.

Leçon 4 • Pré-entraînement et Ajustement Fin

Distingue le pré-entraînement sur de larges corpus de l'ajustement fin spécifique à une tâche. Clarifie ce qu'un modèle sait par défaut par rapport à ce qui nécessite un entraînement supplémentaire.

Leçon 1 • Prompt de Chaîne de Pensée et de Raisonnement

Introduit des techniques qui suscitent un raisonnement étape par étape pour améliorer la précision sur des tâches complexes. Relie les prompts de raisonnement à des gains mesurables de qualité des sorties.

Leçon 2 • Anatomie d'un Prompt Efficace

Décompose les composants d'un prompt bien formé : instruction, contexte, données d'entrée et format de sortie. Établit une structure reproductible pour tout travail ultérieur d'invitation.

Leçon 3 • Invite Zéro-Shot et Few-Shot

Contrast l'invite sans exemple avec la fourniture de démonstrations. Enseigne quand chaque approche est appropriée et comment sélectionner des exemples de haute qualité.

Leçon 4 • Itération et Test de Prompt

Établit un processus systématique pour diagnostiquer les échecs de prompt et itérer vers des sorties fiables. Introduit des méthodes d'évaluation légères applicables sans outils formels de ML.

Leçon 1 • Interfaces No-Code et Low-Code pour l'IA Générative

Passe en revue les environnements de type playground, les outils d'automatisation de flux de travail et les fonctionnalités d'IA intégrées dans les logiciels de productivité. Permet une application immédiate sans écrire de code.

Leçon 2 • Gestion des Coûts, de la Latence et des Débits

Quantifie les compromis de coût et de vitesse des différents modèles et configurations de requêtes. Équipe les apprenants pour prendre des décisions de déploiement économiquement judicieuses.

Leçon 3 • Concepts d'API pour Non-Ingénieurs

Explique les API REST, l'authentification et les cycles requête-réponse en termes accessibles. Supprime la barrière technique empêchant d'expérimenter directement avec les services d'IA générative.

Leçon 4 • Structurer les Requêtes API pour les LLM

Couvre les champs de message système, de message utilisateur et d'historique de conversation utilisés dans les API de chat-complétion. Enseigne comment la structure des messages affecte le comportement du modèle.

Leçon 1 • Stratégies de Récupération et Reclassement

Compare la récupération dense, la récupération creuse et les approches hybrides. Introduit le reclassement pour améliorer la pertinence du contexte récupéré avant la génération.

Leçon 2 • Plongements et Magasins de Vecteurs

Explique comment le texte est converti en vecteurs denses et stocké pour la recherche de similarité. Fournit des conseils pratiques pour sélectionner et configurer des bases de données vectorielles.

Leçon 3 • Évaluation et Amélioration des Pipelines RAG

Introduit des métriques pour la qualité de récupération et la fidélité des réponses. Enseigne l'amélioration itérative de chaque composant du pipeline sur la base des résultats d'évaluation.

Leçon 4 • Ingestion et Découpage de Documents

Couvre les stratégies pour diviser les documents en morceaux récupérables tout en préservant la cohérence sémantique. Impacte directement la précision de la récupération et la qualité des réponses.

Leçon 1 • Préparation de Données d'Entraînement de Haute Qualité

Couvre la curation d'ensembles de données, le formatage et le filtrage de qualité pour l'ajustement fin par instructions. La qualité des données est le facteur le plus déterminant de la performance du modèle après ajustement fin.

Leçon 2 • Configuration et Suivi de l'Entraînement

Couvre la sélection des hyperparamètres, la planification du taux d'apprentissage et la surveillance de la perte pendant les cycles d'entraînement. Équipe les apprenants pour détecter et corriger rapidement l'instabilité de l'entraînement.

Leçon 3 • Évaluation et Déploiement des Modèles Ajustés

Établit des protocoles d'évaluation comparant les modèles ajustés finement aux références. Couvre la fusion de modèles, la quantification pour le déploiement et la gestion de versions.

Leçon 4 • Méthodes d'Ajustement Fin Efficaces en Paramètres

Introduit LoRA, QLoRA et les méthodes basées sur des adaptateurs qui réduisent les besoins en calcul et en mémoire. Rend l'ajustement fin accessible sans infrastructure GPU à l'échelle de l'entreprise.

Leçon 1 • Stratégies de Planification et de Raisonnement

Couvre les schémas de planification ReAct, planifier-et-exécuter, et arbre-de-pensée pour les tâches agentiques. Relie le choix de la stratégie de planification à la complexité de la tâche et aux exigences de fiabilité.

Leçon 2 • Fiabilité, Sécurité et Supervision Humaine

Identifie les modes de défaillance propres aux systèmes agentiques, y compris les erreurs en cascade et les actions non intentionnelles. Établit des points de contrôle avec intervention humaine et des schémas de barrière de protection.

Leçon 3 • Utilisation d'Outils et Appel de Fonctions

Enseigne comment les agents invoquent des outils externes via des API d'appel de fonctions pour étendre leurs capacités. Couvre la conception de schémas d'outils et les schémas d'exécution sécurisée.

Leçon 4 • Fondamentaux de l'Architecture d'Agent

Définit la boucle de l'agent : percevoir, planifier, agir, observer et répéter. Distingue les architectures mono-agent et multi-agent et leurs cas d'usage appropriés.

Leçon 1 • Confidentialité, Protection des Données et Consentement

Couvre les risques d'exposition des données personnelles via les prompts, les données d'entraînement et les sorties du modèle. Établit des pratiques de minimisation des données et d'anonymisation pour une utilisation responsable.

Leçon 2 • Sécurité, Mauvais Usage et Prévention des Préjudices

Catalogue les vecteurs de mauvais usage, y compris la désinformation, les deepfakes et la manipulation automatisée. Enseigne les contrôles techniques et politiques qui réduisent le potentiel de préjudice.

Leçon 3 • Cadres de Gouvernance de l'IA et Conformité

Passe en revue les principes réglementaires émergents, les normes volontaires et les structures de gouvernance interne. Équipe les apprenants pour construire des programmes d'IA conformes au sein de leurs organisations.

Leçon 4 • Biais, Équité et Représentation

Examine comment les données d'entraînement et la conception du modèle introduisent des biais dans les sorties de l'IA générative. Enseigne les méthodes d'audit des biais et les stratégies d'atténuation applicables à travers les modalités.