Jour 1 et 2
Introduction
• Présentation de la formation, des formateurs
• Objectifs et attentes des participants
• Enjeux de l'adoption technologique en entreprise
• Contexte et enjeux de l'utilisation des IA dans le monde de l'entreprise
Fondamentaux sur les technologies d'IA
• Définition des algorithmes et de l'intelligence artificielle (IA computationnelle, systèmes experts, statistiques, réseaux de neurones, etc.)
• Machine Learning et Deep Learning, CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks), GAN (Generative Adversarial Network), etc.
• NLP (Natural Language Processing), et le TDM (Text Data Mining) : similarités et différences.
• Sujets connexes : Voice models, Computer vision, Multi-modalité.
Bases du fonctionnement des IA génératives textuelles
• Large Language Model (LLM) et Transformers
• Modèle de fondation, et couches d'apprentissage appliquées
• Fenêtre de contexte, RAG (Retrieval Augmented Generation)
Panorama des outils et prise en main des outils
• Historique et présentation des différents fournisseurs et modèles (OpenAI ChatGPT, Google
Gemini, Meta Llama, Anthropic Claude, Mistral Large, etc.)
• Comparaison en terme de performances (contexte, paramètres, quantization...), de
fonctionnalités (prompt système, fonctions...), de transparence, de réutilisation et d'adaptabilité (opensource ? Finetuning?), et de coût.
• Les modes de fonctionnement disponibles (complétion, insertion, réécriture, chat tronqué, chat avec RAG)
• Prise en main des interfaces de chat et exemples d'utilisation.
• Prise en main des playgrounds (OpenAI Playground, Google AIStudio, EleuterAI, etc.)
Utilisation et personnalisation : les bases du prompt engineering
• Quelles techniques pour adapter les IA à vos besoins spécifiques ?
• Définir des instructions claires pour obtenir des réponses précises.
• Explorer les fonctionnalités avancées (contrôle du style, génération conditionnelle, structure...)
• Panorama de techniques : zero shot, few shots, chain of thought, self-consistency, general knowledge, chaining, tree-of-thoughts, ReAct, Reflexion, etc.
Utilisation des IA génératives (textuelles) dans les processus de travail
• Comment intégrer les LLM dans les processus de travail existants ?
• Exemples d'utilisation des LLM dans différents domaines : marketing, développement, gestion de projet, service clientèle, rapports, évaluation et analyse, etc.
Les limites des IA génératives (textuelles)
• Vue d'ensemble des limites des IA, liées à leur fonctionnement
• Biais et les erreurs liés sur les données initiales (biais, etc.)
• Phénomène « d'IA menteuse » ou « d'hallucinations »
• Problème de transparence et d'explicabilité des IA
• Modération, contrôle des contenus et effet Waluigi
• Quelles alternatives lorsque les IA ne sont pas adaptés?
Risques de l'utilisation des IA
• Les risques associés à la génération automatique de contenu
• Risques juridiques (propriété intellectuelle, données personnelles, responsabilité, statut juridique...)
• Risques de sécurité (prompts malveillants, données sensibles, ...)
• Quelques pistes pour éviter les écueils de l'utilisation des IA
Jour 3 et 4
Cas d'usages spécifiques à l'ingénierie logicielle
• Présentation des cas d'utilisation : production de code, explication, debugging, transpilation...
• Techniques pour l'algorithmique et la génération automatique de code,
• Techniques avancées pour améliorer la documentation technique avec IA
• Stratégies de résolution de problèmes et de débogage avec IA
• Génération ou reformulation de données dans des formats structurés (JSON, diagrammes, etc.)
API de modèles génératifs
• Présentation des des API de OpenAI, LocalAI, etc.
• Fonctionnalités de complétion (token, token log probabilities, text insertion, etc.)
• Fonctionnalités d'appels de fonctions
• Chat completion VS completion
• Gestion des tokens
• Mise en œuvre dans un mini-projet
Automatisation du prompting, chaînage et RAG
• Utilisation de Datasette LLM pour scripter facilement des AI en ligne de commande.
• Présentation de Langchain et LlamaIndex : fonctionnalités principales et cas d'utilisation.
• Techniques de RAG (Retrieval Augmented Generation), méthodes d'implémentation et
d'optimisation
Aspects techniques avancés
• Méthodes de fine-tuning des modèles et mise en œuvre (ex : sur Mixtral)
• Exploration des embeddings et de leur utilisation
• Dernières innovations techniques en IA générative
Déploiement technique
• Évaluation des prérequis en termes de puissance de calcul
• Stratégies de déploiement self-hosted avec LocalAI, Llamafile, Ollama, etc.
• Sécurité, Confidentialité, et Éthique
Écosystème et enjeux
• Intégration avec d'autres technologies d'IA
• Maintenance et Mise à jour des Modèles : défis, meilleures pratiques et études de cas
• Discussion sur les enjeux techniques futurs dans le domaine de l'IA générative
