Public visé
Data Scientists, Data Analysts, ingénieurs Data, MLOps engineers, développeurs, architectes Data, chefs de projets et product managers spécialisés en IA.
Prérequis
Avoir suivi cette formation, ou en maîtriser les thèmes abordés :
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. En fin de formation, par un questionnaire d’auto-évaluation.