Cours : Créer, évaluer et déployer des systèmes d'IA

Leçon 1 • Cas d'utilisation de l'IA dans tous les secteurs

Passe en revue les applications concrètes de l'IA dans les entreprises, la santé et les opérations. Ancre les concepts abstraits dans des scénarios de déploiement concrets que les étudiants rencontreront.

Leçon 2 • Fondamentaux des données pour l'IA

Couvre les types de données, les dimensions de qualité et les bases du prétraitement essentiels pour l'IA. Prépare les étudiants à évaluer l'état de préparation des données avant le développement du modèle.

Leçon 3 • Concepts et terminologie de l'IA

Définit les distinctions entre l'apprentissage automatique, l'apprentissage profond et l'IA générative. Fournit un vocabulaire commun utilisé dans tous les chapitres suivants.

Leçon 4 • Anatomie d'un système d'IA

Cartographie les composants d'un système d'IA de production, de l'ingestion de données à la livraison des résultats. Relie les rôles des composants aux responsabilités de déploiement et d'évaluation.

Leçon 1 • Recherche et collecte de données

Examine les sources de données primaires et secondaires et les stratégies de collecte. Établit des pratiques de provenance des données essentielles pour la reproductibilité et la conformité.

Leçon 2 • Détection et atténuation des biais dans les données

Identifie les sources de biais dans les ensembles de données et applique des techniques d'atténuation. Garantit que les pipelines de données produisent des intrants équitables avant le début de l'entraînement du modèle.

Leçon 3 • Nettoyage et prétraitement des données

Enseigne les techniques pour gérer les valeurs manquantes, les valeurs aberrantes et les incohérences. Des données propres réduisent directement l'erreur du modèle et le bruit d'évaluation en aval.

Leçon 4 • Construction de pipelines de données évolutifs

Conçoit des pipelines automatisés et reproductibles pour la livraison continue de données aux modèles. Les pipelines évolutifs réduisent l'effort manuel et soutiennent les systèmes d'IA de qualité production.

Leçon 1 • Apprentissage par transfert et réglage fin

Exploite des modèles pré-entraînés pour accélérer le développement sur de nouvelles tâches. Réduit les besoins en données et en calcul tout en atteignant des performances compétitives.

Leçon 2 • Choix de l'architecture de modèle appropriée

Compare les familles de modèles et les associe aux types de tâches et aux contraintes de données. Une sélection correcte de l'architecture évite des cycles de réentraînement coûteux ultérieurement.

Leçon 3 • Suivi des expériences et reproductibilité

Implémente la journalisation, la gestion de versions et la gestion des artefacts pour les exécutions d'entraînement. La reproductibilité est un prérequis pour une évaluation fiable et la collaboration en équipe.

Leçon 4 • Réglage des hyperparamètres

Applique des stratégies de recherche systématique pour optimiser les hyperparamètres du modèle. Le réglage améliore directement la généralisation et réduit le surapprentissage dans les modèles de production.

Leçon 1 • Évaluation en conditions de production

Simule une évaluation en conditions réelles à l'aide d'ensembles de retenue, de tests A/B et de déploiements en mode miroir. L'évaluation en production révèle des défaillances que les métriques hors ligne ne détectent pas.

Leçon 2 • Surapprentissage, sous-apprentissage et généralisation

Diagnostique les problèmes de compromis biais-variance à l'aide de courbes d'apprentissage et d'écarts de validation. La capacité de généralisation détermine si un modèle réussit en production.

Leçon 3 • Métriques d'évaluation fondamentales

Définit la justesse, la précision, le rappel, le F1, l'AUC et les métriques de régression. Le choix de la métrique doit s'aligner sur les objectifs commerciaux et les conditions de déséquilibre des classes.

Leçon 4 • Évaluation de l'équité et des biais

Applique des métriques d'équité pour détecter des performances disparates du modèle entre les groupes. L'évaluation de l'équité est requise avant le déploiement dans des contextes à forts enjeux.

Leçon 1 • Architectures de service et API

Conçoit des points de terminaison d'inférence REST et gRPC pour le service en temps réel et par lots. L'architecture de service détermine la latence, le débit et la complexité d'intégration.

Leçon 2 • Évolutivité et infrastructure

Configure la mise à l'échelle automatique, l'équilibrage de charge et l'accélération matérielle pour les charges de travail d'IA. Les décisions d'infrastructure affectent directement le coût et l'expérience utilisateur à grande échelle.

Leçon 3 • Stratégies de déploiement et déploiement progressif

Applique les motifs de déploiement bleu-vert, canari et progressif pour minimiser les risques. Les stratégies de déploiement contrôlé protègent les utilisateurs des régressions du modèle lors des publications.

Leçon 4 • Pipelines CI/CD pour l'IA

Automatise les tests, la validation et le déploiement via des pipelines d'intégration continue. Le CI/CD réduit les erreurs manuelles et accélère les publications sécurisées de modèles.

Leçon 1 • Stratégies de réentraînement du modèle

Conçoit des pipelines de réentraînement planifiés et déclenchés par événement pour maintenir les modèles à jour. La stratégie de réentraînement équilibre l'actualité, le coût et le risque de déploiement.

Leçon 2 • Détection de la dérive des données et du concept

Détecte les changements statistiques dans les distributions d'entrée et les relations cibles au fil du temps. La détection de la dérive déclenche un réentraînement avant que les performances visibles par l'utilisateur ne se dégradent.

Leçon 3 • Gouvernance du modèle et gestion du cycle de vie

Suit les versions du modèle, la propriété et les décisions de mise hors service dans toute l'organisation. La gouvernance garantit l'imputabilité et empêche la prolifération non gérée des modèles.

Leçon 4 • Principes fondamentaux de la surveillance en production

Établit des métriques, des tableaux de bord et des alertes pour la santé d'un système d'IA en production. La surveillance est la première ligne de défense contre les défaillances silencieuses du modèle en production.

Leçon 1 • Les mesures de sécurité protègent les individus et réduisent la responsabilité de l'organisation.

Implémente des techniques de préservation de la confidentialité et de minimisation des données dans les pipelines d'IA. Les mesures de sécurité de la confidentialité protègent les individus et réduisent la responsabilité de l'organisation.

Leçon 2 • Principes et cadres d'éthique de l'IA

Passe en revue les principes éthiques établis, notamment l'équité, l'imputabilité et la transparence. Les frameworks fournissent des conseils structurés pour des décisions de conception responsables.

Leçon 3 • Conformité réglementaire pour l'IA

Mappe les attributs du système d'IA aux exigences de conformité fonctionnelle dans tous les secteurs. La préparation à la conformité évite les retards de déploiement et les sanctions réglementaires.

Leçon 4 • Évaluation des risques pour les systèmes d'IA

Applique des méthodes d'identification et de notation des risques aux scénarios de déploiement de l'IA. L'évaluation des risques détermine les mesures de sécurité requises avant la mise en service d'un système.

Leçon 1 • Intégration et tests de bout en bout

Valide l'ensemble du système d'IA via des tests d'intégration, de régression et d'acceptation utilisateur. Les tests de bout en bout détectent les défaillances que les tests unitaires manquent dans les pipelines complexes.

Leçon 2 • Prototypage rapide et itération

Construit des prototypes d'IA viables minimum pour valider les hypothèses avant le développement complet. L'itération rapide réduit le gaspillage d'efforts sur des choix de conception non validés.

Leçon 3 • Cadrage du problème et définition des exigences

Traduit les besoins métier en énoncés précis de problèmes d'IA et en critères de succès. Des exigences claires empêchent l'élargissement du périmètre et les objectifs de modèle mal alignés.

Leçon 4 • Conception de l'architecture du système

Conçoit l'architecture de bout en bout du système d'IA, y compris les couches de données, de modèle et de service. Les décisions d'architecture prises ici se propagent à travers toutes les phases d'implémentation.