Cours Google AI

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

Cartographie le machine learning, le NLP, la vision par ordinateur et la robotique en tant que disciplines distinctes. Aide les apprenants à naviguer pour savoir quels outils Google 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 de produits Google AI pratiques.

Leçon 3 • Ce que l'IA est et n'est pas

Clarifie les idées reçues et établit des définitions précises de l'IA. Définit la base conceptuelle pour tout le contenu technique ultérieur.

Leçon 4 • Histoire et évolution de l'IA

Retrace l'IA de la logique symbolique au deep learning moderne. Fournit le contexte expliquant pourquoi les outils Google AI actuels sont conçus comme ils le sont.

Leçon 1 • Plateforme Cloud AI et Machine Learning

Présente Vertex AI en tant que plateforme ML unifiée et ses services principaux. Relie l'infrastructure cloud aux flux de travail pratiques d'entraînement et de déploiement de modèles.

Leçon 2 • API d'IA pré-construites pour les développeurs

Couvre les API Vision, Speech, Traduction et Natural Language en tant que services prêts à l'emploi. Montre comment les API pré-construites 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. Montre comment l'IA intégrée améliore la productivité quotidienne des utilisateurs non techniques.

Leçon 4 • Produits et API d'IA générative

Présente les modèles Gemini, Imagen et les API génératives associées disponibles pour les développeurs. Positionne chaque produit dans l'écosystème plus large de Google AI.

Leçon 1 • Collecte et ingestion de données

Couvre les API, l'extraction de données web, le streaming et les pipelines d'ingestion par lots. Relie les méthodes d'acquisition de données au stockage Google Cloud et à BigQuery.

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

Enseigne les divisions entraînement, validation et test ainsi que les pratiques de gestion des versions des ensembles de données. Empêche 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 des performances 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 culture 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 issues de Vertex AI. Guide la décision de déployer, ré-entraîner ou rejeter un modèle.

Leçon 2 • AutoML pour les données tabulaires et les images

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

Leçon 3 • Entraînement de modèles personnalisés sur Vertex AI

Exécute des tâches d'entraînement personnalisées TensorFlow et PyTorch 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 tout au long des exercices d'entraînement.

Leçon 1 • CI/CD pour les pipelines ML

Automatise le ré-entraînement 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 du ML.

Leçon 2 • Pipelines de prédiction par lots

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

Leçon 3 • Surveillance des modèles et détection de dérive

Configure Vertex AI Model Monitoring pour détecter la dérive des caractéristiques et des prédictions. Garantit que les modèles déployés maintiennent leur justesse à mesure que les distributions de données réelles évoluent.

Leçon 4 • Endpoints de prédiction en ligne

Déploie des modèles sur des endpoints 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 contrôles d'intégrité des endpoints.

Leçon 1 • Stratégies d'atténuation des biais

Met en œuvre des techniques de débiaisage en prétraitement, en cours de 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 du modèle. 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 • Métriques d'équité et évaluation

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

Leçon 1 • Génération augmentée de récupération

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

Leçon 2 • Comment fonctionnent les grands modèles de langage

Explique l'architecture des transformers, la tokenisation et la prédiction du token suivant à un niveau conceptuel. Fournit le modèle mental nécessaire pour utiliser et déboguer le comportement des LLM.

Leçon 3 • Techniques d'ingénierie de prompt

Enseigne les stratégies de prompt zero-shot, few-shot, chaîne de pensée et de rôle. Améliore directement la qualité des résultats sans aucun réglage fin 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 métier de l'IA

Définit les KPI, les cadres de ROI et les protocoles de test A/B pour les fonctionnalités basées sur l'IA. Boucle la boucle entre la performance du modèle et les résultats métier.

Leçon 2 • Systèmes d'IA multimodaux et agentiques

Conçoit des systèmes qui combinent le texte, l'image, 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 IA

Applique les instances spot, la quantification de modèles et la mise en cache pour réduire les dépenses d'infrastructure IA. Garantit la viabilité financière des projets IA à l'échelle de l'entreprise.

Leçon 4 • Maturité et architecture MLOps

Évalue les niveaux de maturité MLOps d'une organisation et conçoit des architectures cibles. Comble le fossé entre les modèles expérimentaux et les systèmes de production fiables.