Public visé
Data Scientists, Data Analysts, ingénieurs Data, MLOps, développeurs, architectes Data, cadres dirigeants, managers, chefs de projets, Product Managers IA.
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Définir les exigences fonctionnelles et tests des modèles
- Comparer les modèles open source selon les métriques principales
- Explorer les alternatives d’entraînement (transfer learning, prompting, LoRA)
- Spécifier les architectures locales pour héberger des modèles
- Déployer et surveiller des modèles en production
Programme
Matin : État de l’art et modèles
Dernières avancées en production IA
- Comparatif closed source vs open source
- Modèles polyvalents : Mistral/Mixtral, Llama, Falcon
- Modèles légers : Phi-3, Gemma, TinyLlama
- Exigences matérielles : mémoire, CPU/GPU/cluster
- Ingénierie des datasets
- Les trois couches du stack IA
Après-midi : Déploiement et optimisation
Modèles fondateurs et alternatives d’entraînement
- From scratch, transfer learning, prompting, distillation
- RLHF, mixture of experts, LoRA, PEFT
Infrastructures de déploiement
- Ollama, LM Studio, llama.cpp, vLLM, Unsloth, Hugging Face
Optimisation
- Quantization, LoRA
- Défis en production pour LLM/LCM
Modalités d’évaluation des acquis
En cours de formation, par des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation.