Formation IA générative

Leçon 1 • Aperçu des grandes familles de modèles

Présente les GAN, les VAE, les modèles de diffusion et les grands modèles de langage à un niveau conceptuel. Prépare les apprenants à étudier chaque famille en profondeur dans les chapitres suivants.

Leçon 2 • Brève histoire des modèles génératifs

Retrace l'IA générative des premiers modèles statistiques aux architectures neuronales modernes. Fournit un contexte historique expliquant pourquoi les outils actuels sont conçus comme ils le sont.

Leçon 3 • Principes d'IA responsable dès le départ

Établit les responsabilités éthiques, les risques de biais et les attentes en matière de transparence avant tout travail pratique. Présente la pratique responsable comme intégrante, non optionnelle.

Leçon 4 • Ce qu'est réellement l'IA générative

Définit l'IA générative en la contrastant avec les systèmes discriminatifs et basés sur des règles. Établit la base conceptuelle nécessaire pour chaque chapitre suivant.

Leçon 1 • Évaluation des performances des modèles de langage

Introduit les benchmarks, la perplexité et les méthodes d'évaluation humaine pour évaluer la qualité des LLM. Permet aux apprenants d'interpréter de manière critique les affirmations de comparaison de modèles.

Leçon 2 • Apprentissage par renforcement à partir du feedback humain

Détaille comment les données de préférence humaine façonnent les sorties du modèle via la modélisation de la récompense et l'optimisation de la politique. Explique pourquoi les modèles alignés se comportent différemment des modèles de base.

Leçon 3 • Architecture Transformer expliquée

Décompose les mécanismes d'attention, les structures encodeur-décodeur et le codage positionnel. Ancre les apprenants dans l'architecture qui alimente la plupart des modèles de langage modernes.

Leçon 4 • Tokenization et plongements vectoriels

Explique comment le texte est converti en jetons et en vecteurs numériques avant le traitement par le modèle. Impacte directement la compréhension des fenêtres de contexte et des limitations du modèle.

Leçon 1 • Prompting zero-shot et few-shot

Compare le prompting sans exemple et avec des démonstrations choisies. Enseigne quand chaque approche maximise la qualité et la cohérence des sorties.

Leçon 2 • Workflows d'itération et de test de prompts

Introduit les tests systématiques de prompts, le contrôle de version et l'évaluation de régression. Transforme le prompting ad hoc en une pratique d'ingénierie disciplinée.

Leçon 3 • Prompts de chaîne de pensée et de raisonnement

Applique des instructions de raisonnement étape par étape pour améliorer la précision du modèle sur des tâches complexes. Étend directement les techniques few-shot avec des échafaudages de raisonnement structurés.

Leçon 4 • Patterns avancés et anti-patterns de prompts

Catalogue des patterns de prompts réutilisables et des modes de défaillance courants à éviter. Équipe les apprenants pour gérer les cas limites et les entrées adverses avec confiance.

Leçon 1 • Synthèse et extraction d'informations

Enseigne les techniques de synthèse extractive et abstractive pour les longs documents et les sources riches en données. Permet une synthèse rapide des connaissances à partir de grands volumes d'informations.

Leçon 2 • Contenu structuré et génération de texte à partir de données

Génère des sorties structurées telles que des rapports, des tableaux et des récits à partir de données brutes. Relie l'IA générative aux workflows de business intelligence et de reporting.

Leçon 3 • Traduction et contenu multilingue

Explore la traduction assistée par IA, la localisation et l'adaptation de contenu cross-lingue. Aborde la précision, les nuances culturelles et les workflows de post-édition.

Leçon 4 • Qualité du contenu et contrôle des hallucinations

Identifie les schémas d'hallucination et applique des stratégies d'atténuation, notamment l'ancrage et la recherche. Garantit que les sorties répondent aux normes professionnelles de précision et de fiabilité.

Leçon 1 • Techniques de prompting texte-vers-image

Applique les principes du prompt engineering spécifiquement à la génération d'images, en couvrant les modificateurs de style, de composition et de qualité. Étend les compétences de prompting textuel au domaine visuel.

Leçon 2 • Comment fonctionnent les modèles de génération d'images

Explique les modèles de diffusion, les GAN et les modèles d'images autorégressifs à un niveau mécaniste. Fournit les bases conceptuelles nécessaires pour utiliser et dépanner efficacement les outils d'image.

Leçon 3 • Éthique et droits dans l'IA visuelle

Aborde les risques liés aux deepfakes, le consentement, le droit d'auteur et les biais de représentation dans l'imagerie générée par IA. Garantit que les apprenants utilisent les outils d'IA visuelle dans les limites éthiques et légales.

Leçon 4 • Modèles multimodaux et tâches vision-langage

Présente les modèles qui traitent à la fois le texte et les images pour des tâches telles que la réponse à des questions visuelles et le sous-titrage. Étend les capacités des apprenants au-delà des workflows unimodaux.

Leçon 1 • Systèmes de génération augmentée par récupération

Construit des pipelines RAG qui ancrent les sorties du modèle dans des bases de connaissances externes. Traite directement les limitations d'hallucination et de coupure de connaissance introduites dans les chapitres précédents.

Leçon 2 • Déploiement et surveillance des applications d'IA

Couvre la conteneurisation, le service API, l'optimisation de la latence et la surveillance en production pour les applications d'IA. Prépare les apprenants à amener des prototypes dans des environnements de production fiables.

Leçon 3 • Agents IA et utilisation d'outils

Conçoit des agents autonomes qui planifient, utilisent des outils et exécutent des tâches en plusieurs étapes. Étend le prompting à un seul tour vers des workflows d'IA dynamiques et orientés vers un objectif.

Leçon 4 • Frameworks d'orchestration et pipelines

Présente les frameworks pour enchaîner les prompts, gérer l'état et orchestrer des workflows d'IA complexes. Permet aux apprenants de construire des pipelines d'IA maintenables et de qualité production.

Leçon 1 • Curation et préparation de jeux de données

Couvre la collecte, le nettoyage, le formatage et le filtrage de qualité des données pour les jeux de données de fine-tuning. Des données de haute qualité constituent le facteur le plus déterminant du succès du fine-tuning.

Leçon 2 • Évaluation et itération des modèles fine-tunés

Applique des métriques d'évaluation spécifiques à la tâche et une relecture humaine pour évaluer la qualité du modèle fine-tuné. Boucle la boucle entre l'entraînement et le déploiement avec une itération structurée.

Leçon 3 • Workflows complets de fine-tuning

Parcourt le fine-tuning supervisé de bout en bout, y compris la sélection des hyperparamètres et les boucles d'entraînement. Développe des compétences d'exécution pratiques pour les scénarios de fine-tuning standard.

Leçon 4 • Quand et pourquoi effectuer un fine-tuning

Établit des critères de décision pour choisir le fine-tuning plutôt que le prompting ou le RAG. Empêche une application coûteuse et inappropriée du fine-tuning là où des approches plus simples suffisent.

Leçon 1 • Confidentialité et sécurité des données dans les systèmes d'IA

Couvre la minimisation des données, l'anonymisation, les contrôles d'accès et les défenses contre l'injection de prompts pour les systèmes d'IA. Garantit que les apprenants protègent les informations sensibles tout au long du cycle de vie de l'IA.

Leçon 2 • Mesure du ROI de l'IA et amélioration continue

Établit des KPI, des cadres de mesure de la valeur et des boucles de rétroaction pour l'amélioration continue des programmes d'IA. Permet aux apprenants de démontrer et de maintenir la valeur commerciale des investissements en IA.

Leçon 3 • Audit des biais et tests d'équité

Applique des méthodes d'audit systématiques pour détecter et réduire les biais dans les sorties de l'IA générative. Étend les concepts éthiques fondamentaux à une pratique de test rigoureuse et reproductible.

Leçon 4 • Gestion des risques et conformité de l'IA

Identifie les risques techniques, réputationnels et réglementaires de l'IA générative et propose des stratégies d'atténuation. Prépare les apprenants à satisfaire aux exigences de conformité dans tous les secteurs.