Formation Ingénierie d'Intelligence Artificielle (IA) - Créer sa propre IA de bout en bout

Programme de votre formation

1. #

   M2I START AVANT VOTRE FORMATION

   Contextualisation du projet de formation et prise en compte des besoins de chacun

   • Positionnement initial de l’apprenant par rapport aux objectifs
   • Définition des priorités et des objectifs personnels de l’apprenant
   • Vidéos de mise en situation
   • Accès au Chat interactif myM2i pour interagir avec les membres de son groupe
   
2. #

   M2I LIVE VOTRE FORMATION ANIMÉE PAR NOTRE EXPERT ^¹

   Programme

   Jour 1 - Matin

   Introduction

   • Définir l'IA
   • Fondations et histoire de l'IA
   • Les marchés de l'IA
   • Dernières avancées dans la production de modèles d'IA
   • Nouveaux cas d'usage de l'IA
   • Nouveaux métiers de l'IA
   • Ingénieur IA : nouveau rôle et nouvelles compétences
   • L'ingénierie d'Intelligences Artificielles : des LLM aux modèles fondateurs et écosystèmes d'IA
   • L'ingénierie des datasets :
   • Traitement
   • Enrichissement
   • Augmentation
   • Synthèse des données
   • Les trois couches de la stack IA
   • Planification d'applications IA : les grands jalons
   • IA closed source vs IA open source : comparatif des avantages et inconvénients

   Exemple de travaux pratiques (à titre indicatif)

   • Démonstration de la construction d'une application IA à base de LLM à partir d'un cas d'usage

   Jour 1 - Après-midi

   Les modèles fondateurs

   • Qu'est-ce qu'un modèle fondateur, exemples
   • Processus de création d'un modèle fondateur
   • Données d'apprentissage
   • Modélisation :
   • Architecture du modèle
   • Taille du modèle
   • Alternatives d'entrainement :
   • From scratch
   • Transfer learning
   • Prompting
   • Distillation
   • RLHF
   • Mixture of experts
   • LoRA
   • PEFT
   • Affinage (fine tuning)
   • Echantillonnage :
   • Stratégies
   • Test time compute
   • Sorties structurées
   • Optimisation des LLM:
   • Quantization
   • LoRA
   • Fully sharded data parallel–quantized LoRA

   Exemple de travaux pratiques (à titre indicatif)

   • Mise en pratique du processus de création d'un modèle fondateur à travers un exemple

   Jour 2 - Matin

   Evaluation des modèles fondateurs

   • Défis de l'évaluation de modèles
   • Métriques d'évaluation de modèles :
   • Entropy
   • Cross entropy
   • Bits par caractère
   • Bits par octet
   • Evaluation exacte :
   • Functional correctness
   • Similarity measurements
   • Encodage vectoriel
   • Modèles juges :
   • Définition
   • Avantages et limites
   • Critères d'évaluation (capabilité spécifique au domaine, cut, latence...)
   • Conception du pipeline d'évaluation des modèles
   • Trier les modèles avec l'évaluation comparative

   Exemple de travaux pratiques (à titre indicatif)

   • Mise en oeuvre d'un pipeline d'évaluation de modèles, et sélection du meilleur modèle

   Jour 2 - Après-midi

   Ingénierie de prompt

   • Introduction au prompting
   • Apprentissage en contexte
   • System prompt vs user prompt
   • Longueur et efficacité du contexte
   • Meilleures pratiques de prompting
   • Ingénierie de prompt défensive :
   • Ingénierie inverse
   • Jailbreaking
   • Injection de prompt
   • Attaques de prompt

   Exemples de travaux pratiques (à titre indicatif)

   • Exercice de prompting
   • Exercice d'ingénierie de prompt défensive

   Jour 3 - Matin

   RAG et agents

   • Exploitation du savoir externe avec les RAG
   • Frameworks de RAG :
   • LangChain
   • LlamaIndex
   • RAG vs fine-tuning vs prompting
   • RAG :
   • Architecture
   • Algorithme
   • Optimisation
   • Bases de données vectorielles pour RAG
   • Agents intelligents :
   • Outils, planification
   • Gestion des modes d'échec
   • Evaluation
   • Standardiser les écosystèmes d'IA avec le protocole MCP (Model Context Protocol)
   • Importance de la mémoire

   Exemple de travaux pratiques (à titre indicatif)

   • Mise en oeuvre d'une architecture IA composable avec le protocole MCP

   Jour 3 - Après-midi

   Affinage des modèles

   • Avantages et inconvénients de l'affinage
   • Eviter les goulots d'étranglement de la mémoire :
   • Rétro-propagation et paramètres entraînables
   • Représentations numériques
   • Quantization

   Exemple de travaux pratiques (à titre indicatif)

   • Exercice sur l'affinage de modèle, analyse coût / bénéfice

   Optimisation de l'inférence et du serving

   • Métriques de performance de l'inférence
   • Optimisation du modèle vs optimisation de l'inférence
   • Optimiser l'architecture :
   • Augmenter le contexte
   • Ajouter un routeur/une passerelle
   • Ajouter un cache
   • Ajouter des patterns d'agents
   • Surveillance et observabilité
   • Orchestration de pipelines d'IA
   • Récupérer le feedback utilisateur

   Exemple de travaux pratiques (à titre indicatif)

   • Optimisation de l'inférence et du serving à partir d'exemples

   Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

   
3. #

   M2I BOOST APRÈS VOTRE FORMATION

   Réactivation et consolidation des acquis en situation de travail

   • 30 jours d’accompagnement personnalisé sur myM2i inclus ^²
   • Ressources Boosters (Abonnement au M2i’Mag Soft Skills, formations offertes, invitations aux conférences d’actualité…)
   

1. ^¹ Les actions et les outils présentés dans ce programme le sont à titre indicatif et peuvent faire l’objet d'adaptation selon les niveaux, prérequis et besoins des apprenants. Les compétences clés de ce programme sont traitées à raison d'une compétence par demi-journée de formation.
2. ^² Sur myM2i, pendant 30 jours post-fin de formation, les apprenants disposent d’une messagerie sécurisée pour échanger, dans la limite de 4 sollicitations, avec leur formateur.