IA générative | Pour filière technique Mixte : présentiel / à distance

Cette formation en intelligence artificielle, conçue sur quatre jours, offre une exploration approfondie des fondamentaux et des applications avancées.

Les deux premiers jours se concentrent sur les technologies d'IA, la compréhension des IA génératives textuelles, et la maîtrise des outils pratiques.

Le troisième jour se dédie aux cas d'usage spécifiques à l'ingénierie logicielle, explorant la génération automatique de code et l'amélioration de la documentation technique.

Le dernier jour aborde des aspects techniques avancés, le déploiement technique, et les enjeux éthiques associés à l'IA générative.

Cette formation, destinée aux filières techniques, promet une expertise approfondie et des compétences pratiques pour naviguer efficacement dans l'écosystème complexe de l'IA générative.

Cette formation vise à approfondir les connaissances techniques sur l'IA générative, en se concentrant sur des aspects tels que l'utilisation d'API de modèles génératifs, le déploiement technique, et la compréhension des enjeux techniques actuels.

Les participants apprendront à appliquer ces connaissances dans des cas d'utilisation réels, y compris la génération automatique de code et l'amélioration de la documentation technique avec l'IA.

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

• Ingénieurs logiciels et développeurs intéressés par l'IA générative.
• Professionnels de l'IT cherchant à intégrer des IA dans leurs solutions techniques.
• Chercheurs et technologues axés sur les innovations en IA.

• Solides compétences en informatique et en programmation.
• Expérience préalable avec des outils et des concepts d'IA.
• Compréhension des enjeux techniques liés à l'implémentation des IA.

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

•  Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• En individuel (monitorat)
• En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.