Public visé
Data Scientists, Data Analysts, ingénieurs Data, MLOps engineers, développeurs, architectes Data, chefs de projets et product managers spécialisés en IA.
Prérequis
- Connaissances fondamentales en Intelligence Artificielle
- Maîtrise du langage Python
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Maîtriser les concepts avancés de l’IA moderne (LLM, modèles fondateurs, agents, RAG)
- Construire des applications basées sur l’IA avec des modèles fondateurs
- Évaluer les modèles produits via différentes méthodologies
- Utiliser les RAG et agents intelligents
- Mettre en œuvre des optimisations (latence, contexte, surveillance, orchestration)
Programme
Jour 1 - Matin
Introduction à l’ingénierie IA
- Histoire et évolution de l’IA
- Marchés et nouveaux cas d’usage
- Rôle de l’ingénieur IA
- Ingénierie des datasets (traitement, enrichissement, augmentation, synthèse)
- Stack IA moderne
- Comparaison open source vs closed source
Jour 1 - Après-midi
Modèles fondateurs
- Processus de création des modèles
- Données d’apprentissage et leur préparation
- Architecture et dimensionnement
- Techniques d’entraînement (transfer learning, fine-tuning, LoRA, PEFT)
- Optimisation par quantization
Jour 2 - Matin
Évaluation des modèles
- Métriques (entropy, cross-entropy)
- Évaluation exacte et benchmarks
- Modèles juges et évaluation automatique
- Critères d’évaluation métier
- Construction d’un pipeline d’évaluation
Jour 2 - Après-midi
Ingénierie de prompt
- Techniques de prompting avancées
- Apprentissage en contexte (few-shot, chain-of-thought)
- Prompting défensif
- Sécurité (jailbreaking, injection de prompt)
Jour 3 - Matin
RAG et Agents
- Frameworks (LangChain, LlamaIndex)
- Architectures RAG
- Bases vectorielles (Pinecone, Weaviate, ChromaDB)
- Agents intelligents
- Protocole MCP (Model Context Protocol)
- Gestion de la mémoire
Jour 3 - Après-midi
Production et opérations
- Affinage des modèles en production
- Optimisation de l’inférence et du serving
- Métriques de performance
- Surveillance et observabilité
- Orchestration de pipelines ML
Modalités d’évaluation des acquis
- En cours de formation, par des travaux pratiques
- Et, en fin de formation, par un questionnaire d’auto-évaluation