Cours d'intelligence artificielle générative

Leçon 1 • Ce qu'est réellement l'IA générative

Définit l'IA générative en la contrastant avec l'IA discriminative et les logiciels traditionnels. Établit le vocabulaire utilisé tout au long du cours.

Leçon 2 • Concepts fondamentaux : probabilités et motifs

Présente la nature probabiliste des modèles génératifs sans nécessiter de mathématiques avancées. Relie l'apprentissage des motifs à la génération de sorties.

Leçon 3 • Bref historique de l'IA et de l'IA générative

Retrace l'IA des systèmes basés sur des règles aux réseaux de neurones modernes et aux grands modèles. Fournit un contexte historique qui explique pourquoi les architectures actuelles existent.

Leçon 4 • Contexte éthique et sociétal

Présente l'utilisation responsable de l'IA comme un état d'esprit fondamental, et non comme une réflexion a posteriori. Couvre les biais, les risques de désinformation et la responsabilité dès le premier jour.

Leçon 1 • Fenêtres de contexte et limites de mémoire

Explique les implications pratiques des fenêtres de contexte finies pour les tâches réelles. Prépare les apprenants à concevoir des invites et des flux de travail qui respectent ces limites.

Leçon 2 • Pré-entraînement et rôle des données

Explique comment les LLM sont entraînés sur des corpus massifs en utilisant la prédiction du prochain jeton. Explique pourquoi la qualité et l'échelle des données déterminent la capacité du modèle.

Leçon 3 • Fondamentaux de l'architecture Transformer

Explique les mécanismes d'attention, les structures encodeur-décodeur et l'encodage positionnel à un niveau conceptuel. Ancre l'ingénierie des invites ultérieure dans la réalité architecturale.

Leçon 4 • Techniques d'ajustement fin et d'alignement

Présente l'ajustement fin supervisé et l'apprentissage par renforcement à partir du feedback humain. Montre comment les modèles pré-entraînés bruts deviennent des assistants utiles et sûrs.

Leçon 1 • Anatomie d'une invite efficace

Décompose les composants d'une invite bien formulée : instruction, contexte, entrée et format de sortie. Établit une structure reproductible pour tout travail d'invite ultérieur.

Leçon 2 • Invite zéro-shot et few-shot

Compare l'invite sans exemple à l'utilisation de démonstrations. Enseigne quand chaque approche maximise la qualité de la sortie.

Leçon 3 • Itération et débogage des invites

Fournit un processus systématique pour diagnostiquer et corriger les invites peu performantes. Construit une habitude d'amélioration des invites fondée sur des preuves.

Leçon 4 • Invites de chaîne de pensée et de raisonnement

Présente le déclenchement du raisonnement étape par étape pour améliorer la précision sur les tâches complexes. Relie les invites de raisonnement à des gains mesurables de qualité de sortie.

Leçon 1 • Suivi des coûts et optimisation

Enseigne les modèles de tarification basés sur les jetons et les stratégies pour réduire les dépenses d'API sans sacrifier la qualité. Prépare les apprenants pour un déploiement responsable en production.

Leçon 2 • Construire votre premier script IA

Guide pas à pas d'un script Python complet qui appelle une API LLM et traite la réponse. Fournit un artefact fonctionnel que les apprenants peuvent étendre immédiatement.

Leçon 3 • Notions de base sur les API et authentification

Couvre les concepts d'API REST, la gestion des clés API et les fondamentaux de la limitation de débit. Établit un accès sûr et fonctionnel aux services d'IA.

Leçon 4 • Paramètres fondamentaux des API expliqués

Démystifie la température, top-p, les jetons max et les séquences d'arrêt avec des exemples pratiques. Permet un contrôle précis du comportement de sortie du modèle.

Leçon 1 • Ingestion et segmentation de documents

Couvre le chargement, le nettoyage et la division des documents en segments prêts pour la récupération. La qualité à cette étape détermine directement la précision de la récupération en aval.

Leçon 2 • Évaluation et amélioration des pipelines RAG

Présente les métriques de fidélité, de pertinence et d'exactitude des réponses pour l'évaluation RAG. Fournit une boucle de rétroaction pour l'amélioration itérative du pipeline.

Leçon 3 • Stratégies de récupération et reclassement

Compare les méthodes de récupération dense, sparse et hybride et introduit le reclassement. Enseigne comment maximiser la pertinence du contexte récupéré.

Leçon 4 • Plongements et bases vectorielles

Explique comment le texte est converti en vecteurs et stocké pour la recherche de similarité. Relie la qualité du plongement à la précision de la récupération.

Leçon 1 • Utilisation d'outils et appel de fonctions

Explique comment les LLM invoquent des outils externes via des appels de fonctions structurés. Permet aux agents d'interagir avec des API, des bases de données et des exécuteurs de code.

Leçon 2 • Cadres de planification et de raisonnement

Présente les architectures d'agents ReAct, planifier-et-exécuter, et arbre de pensée. Équipe les apprenants pour sélectionner le modèle de raisonnement adapté à une tâche donnée.

Leçon 3 • Orchestration multi-agents

Couvre les modèles orchestrateur-travailleur, les protocoles de communication entre agents et la délégation de tâches. Prépare les apprenants à construire des réseaux d'agents collaboratifs.

Leçon 4 • Ce qui rend un système agentique

Définit l'agencéité dans les systèmes d'IA à travers la planification, l'utilisation d'outils et les boucles de rétroaction. Distingue les appels LLM à tour unique des véritables architectures agentiques.

Leçon 1 • Méthodes d'ajustement fin économes en paramètres

Présente LoRA, QLoRA et les méthodes d'adaptateur qui réduisent les besoins en calcul. Rend l'ajustement fin accessible sans infrastructure d'entraînement complète.

Leçon 2 • Quand l'ajustement fin est le bon choix

Établit les critères de décision pour choisir l'ajustement fin plutôt que l'invite ou le RAG. Évite les projets d'ajustement fin coûteux là où des solutions plus simples suffisent.

Leçon 3 • Exécution d'une tâche d'ajustement fin

Guide la configuration des hyperparamètres, le lancement de l'entraînement et la surveillance des courbes de perte. Produit un flux de travail d'ajustement fin reproductible que les apprenants peuvent réutiliser.

Leçon 4 • Évaluation et déploiement des modèles personnalisés

Couvre les métriques d'évaluation spécifiques aux tâches, les tests de régression et le service des modèles ajustés. Boucle la boucle de l'entraînement au déploiement en production.

Leçon 1 • Sécurité, garde-fous et modération de contenu

Met en œuvre des garde-fous en entrée et en sortie pour empêcher les contenus nuisibles, hors sujet ou violant les politiques. Protège les utilisateurs et les organisations contre les risques prévisibles de l'IA.

Leçon 2 • Observabilité et surveillance

Présente les stratégies de journalisation, de traçage et d'alertes spécifiques aux systèmes basés sur les LLM. Permet un diagnostic rapide des régressions de qualité et des anomalies de coût.

Leçon 3 • Considérations sur la confidentialité des données et la conformité

Aborde la gestion des PII, la résidence des données et la journalisation d'audit pour les environnements réglementés. Prépare les apprenants à déployer l'IA dans le cadre des politiques de conformité organisationnelles.

Leçon 4 • Amélioration continue et MLOps

Établit des boucles de rétroaction, des tests A/B et des déclencheurs de réentraînement pour les systèmes d'IA durables. Garantit que les modèles déployés s'améliorent plutôt que ne se dégradent avec le temps.