Introduction à l’IA générative et aux LLM
- Historique et évolution des modèles de langage : de word2vec aux LLM
- Applications actuelles et tendances dans différents secteurs
Comprendre les réseaux de neurones et le Deep Learning :
- Architecture des réseaux de neurones
- Entraînement des modèles
- Les étapes de pré-entraînement et de fine-tuning
Fonctionnement des modèles de langage pré-entraînés :
- Architecture des transformers
- Compréhension du mécanisme d’attention
- Utilisation de modèles pré-entraînés simples pour la génération de texte
Exploration avancée des LLM :
- Fine-tuning de modèles pour des cas spécifiques
- Techniques de prompting avancées pour des réponses optimales
- Méthodes d’évaluation des LLMs
Modèles d’Embeddings :
- Fonctionnement et rôle des embeddings
- Vectorisation pour des tâches de clustering ou de recherche
- Etude des différents types d’embeddings
Bases de Données Vectorielles :
- Concepts et utilisation des bases de données vectorielles pour le stockage et la recherche par similarité
- Exploration d’outils comme Pinecone, ChromaDB
- Cas d’usage et bonnes pratiques pour l’optimisation des performances
Principe du RAG et cas d’usage :
- Introduction aux systèmes RAG et ajout de capacités de recherche dans les LLM
- Exemples pratiques : agents conversationnels avec une base de connaissances personnalisée
Pipeline de RAG :
- Construction d’un assistant virtuel intelligent
- Sélection et utilisation d’API de recherche vectorielle pour augmenter les réponses des modèles
Utilisation d’API pour le RAG :
- Intégration de services comme OpenAI
- Indexation et recherche vectorielle dans les bases de données comme Pinecone
Bibliothèque et outils pour les LLMs :
- Présentation de Langchain et LlamaIndex
- Création de workflows de génération de recherche
- Création d’un agent LLM à l’aide de Langchain
Agents LLM et Logique REACT
- Introduction aux agents LLM de programmation réactive et usage dans des tâches autonomes
- Utilisation de LangChain pour configurer des workflows complexes
IA générative pour la génération d’images :
- Introduction aux Modèles de Diffusion
Concept de modèles de diffusion pour la génération d’images
Différences avec les GANs et applications dans la création visuelle
- Utilisation de Stable Diffusion
Mise en place et utilisation du modèle Stable Diffusion pour générer des images
Applications pratiques dans la création de contenu visuel et artistique
- Cas d’usage de la Génération d’Images
Exemples d’utilisation en entreprise
Exploration des limites et défis éthiques de la génération d’images
Conclusion et Perspectives
- Les Défis Éthiques et Règlementaires
Gestion des biais, de l’interprétabilité et de la transparence des modèles
- Perspectives
Innovations à venir dans le domaine des LLM et IA générative
Projections sur l’évolution de l’IA dans différents secteurs
