Cours d'ingénierie IA

Leçon 1 • Paysage de l'IA et terminologie clé

Définit l'IA, l'apprentissage automatique et l'apprentissage profond et cartographie leurs relations. Établit le vocabulaire partagé utilisé tout au long du cours.

Leçon 2 • Le cycle de vie du développement de l'IA

Décrit le processus de bout en bout, de la formulation du problème au déploiement. Définit les attentes pour le flux de travail d'ingénierie abordé dans les chapitres suivants.

Leçon 3 • Fondamentaux des données pour l'IA

Explique les types de données, les stratégies de collecte et l'évaluation de la qualité. Relie les réalités des données brutes aux résultats de performance du modèle.

Leçon 1 • Visualisation des données pour les flux de travail d'IA

Couvre les bibliothèques de traçage et les bonnes pratiques de visualisation pour communiquer les informations issues des modèles. Les compétences en visualisation soutiennent l'évaluation et les rapports aux parties prenantes.

Leçon 2 • Environnements cloud et de calcul

Explique les plateformes cloud, l'accès GPU et les environnements de notebook utilisés dans le travail d'IA en production. Prépare les étudiants à exécuter efficacement des travaux d'entraînement à grande échelle.

Leçon 3 • L'essentiel de Python pour l'IA

Revise la syntaxe Python, les structures de données et les motifs fonctionnels pertinents pour les flux de travail d'IA. Garantit que tous les étudiants partagent une base de codage commune.

Leçon 4 • Calcul numérique avec NumPy et Pandas

Enseigne les opérations sur les tableaux, la manipulation de DataFrames et le calcul vectorisé. Ces compétences sous-tendent chaque étape de prétraitement des données du cours.

Leçon 1 • Réglage des hyperparamètres et optimisation

Enseigne la recherche par grille, la recherche aléatoire et l'optimisation bayésienne pour le réglage des modèles. Relie la compréhension algorithmique à l'amélioration pratique des performances.

Leçon 2 • Ingénierie et sélection des caractéristiques

Explique comment créer, transformer et sélectionner des caractéristiques pour maximiser les performances du modèle. Impacte directement la précision du modèle et la généralisation abordées dans les sections d'évaluation.

Leçon 3 • Algorithmes d'apprentissage supervisé

Couvre la régression, les arbres de décision, les SVM et les méthodes d'ensemble avec un accent sur l'implémentation. Construit la boîte à outils algorithmique utilisée dans la plupart des systèmes de ML en production.

Leçon 4 • Techniques d'apprentissage non supervisé

Enseigne le clustering, la réduction de dimensionnalité et les algorithmes de détection d'anomalies. Développe la capacité de l'étudiant à extraire une structure à partir de données non étiquetées.

Leçon 1 • Fondamentaux des réseaux de neurones

Explique les perceptrons, les fonctions d'activation, la propagation avant et la rétropropagation. Établit le noyau théorique que toutes les architectures d'apprentissage profond étendent.

Leçon 2 • Plongée approfondie dans l'architecture Transformer

Explique l'auto-attention, l'attention multi-têtes et l'encodage positionnel dans les transformers. Prépare les étudiants à l'ingénierie des grands modèles de langage dans les chapitres suivants.

Leçon 3 • Modèles récurrents et séquentiels

Couvre les RNN, les LSTM et les GRU pour la modélisation de données séquentielles. Fournit les connaissances de base sur les modèles séquentiels nécessaires avant d'étudier les transformers.

Leçon 4 • Entraînement efficace des réseaux profonds

Couvre les optimiseurs, les plannings de taux d'apprentissage, la normalisation par lots et le dropout. Aborde les défis pratiques de l'entraînement de réseaux stables et performants.

Leçon 1 • Architecture des LLM et pré-entraînement

Explique la tokenisation, les objectifs de pré-entraînement et les facteurs d'échelle qui définissent les LLM modernes. Ancre les étudiants dans la manière dont les LLM acquièrent des capacités linguistiques générales.

Leçon 2 • Ingénierie des prompts et apprentissage en contexte

Enseigne les stratégies de prompting zero-shot, few-shot, chaîne de pensée et structuré. Fournit un levier pratique immédiat sur le comportement du LLM sans réentraînement du modèle.

Leçon 3 • Génération augmentée de récupération

Explique les pipelines RAG combinant la recherche vectorielle avec la génération LLM pour des réponses contextualisées. Aborde les limitations d'hallucination et d'actualité des connaissances des LLM de base.

Leçon 4 • Évaluation des systèmes d'IA générative

Couvre les métriques automatisées, les cadres d'évaluation humaine et le red-teaming pour la qualité des LLM. Relie l'évaluation du modèle aux décisions de préparation au déploiement.

Leçon 1 • Pipelines de données et feature stores

Couvre les pipelines de données par lots et en continu, les feature stores et les contrats de données. Assure une livraison cohérente et de haute qualité des caractéristiques aux modèles en production.

Leçon 2 • Principes de conception de systèmes d'IA

Introduit les compromis de fiabilité, de scalabilité, de latence et de maintenabilité dans la conception de systèmes d'IA. Encadre les décisions d'ingénierie récurrentes dans le travail d'IA en production.

Leçon 3 • Service de modèles et optimisation de l'inférence

Enseigne les motifs de service REST et gRPC, le batching, la quantification et l'accélération matérielle. Impacte directement le coût et la réactivité des services d'IA déployés.

Leçon 4 • Fiabilité du système et tolérance aux pannes

Couvre les coupe-circuits, les stratégies de repli, la dégradation progressive et la gestion des SLA. Garantit que les systèmes d'IA restent robustes dans des conditions de défaillance réelles.

Leçon 1 • Pipelines CI/CD pour l'apprentissage automatique

Couvre les tests automatisés, les portes de validation des modèles et les pipelines d'entraînement continu. Permet une itération rapide et sécurisée sur les modèles dans les environnements de production.

Leçon 2 • Principes MLOps et niveaux de maturité

Définit le MLOps, son modèle de maturité et l'écart entre la recherche et l'IA de production. Établit l'état d'esprit opérationnel requis pour le reste du chapitre.

Leçon 3 • Passage à l'échelle et optimisation des coûts dans le MLOps

Couvre la mise à l'échelle automatique, le calcul spot, la mise en cache des modèles et les contrôles des coûts d'infrastructure. Équilibre les exigences de performance avec les contraintes budgétaires opérationnelles.

Leçon 4 • Registre de modèles et gouvernance

Explique le versionnement des modèles, la gestion des métadonnées, le suivi de la traçabilité et les workflows d'approbation. Fournit la piste d'audit requise pour les déploiements d'IA réglementés et en entreprise.

Leçon 1 • IA sécurisée et préservant la vie privée

Couvre la robustesse adversariale, la minimisation des données, la confidentialité différentielle et l'apprentissage fédéré. Aborde les exigences de sécurité et de confidentialité pour les déploiements d'IA en entreprise.

Leçon 2 • Gouvernance de l'IA et alignement réglementaire

Explique les cadres de gouvernance de l'IA basés sur les risques, les structures de responsabilité et les processus de conformité. Prépare les étudiants à opérer dans les environnements réglementaires émergents de l'IA.

Leçon 3 • Taxonomie des risques et des préjudices de l'IA

Catégorise les préjudices de l'IA, y compris les biais, les violations de la vie privée, la désinformation et les défaillances de sécurité. Fournit un vocabulaire de risque partagé pour tout le travail d'IA responsable ultérieur.

Leçon 4 • Explicabilité et interprétabilité

Enseigne SHAP, LIME, la visualisation de l'attention et les fiches de modèles pour une IA transparente. Soutient la confiance des parties prenantes et les exigences d'explicabilité réglementaire.