IA générative - construire un agent conversationnel avec RAG

- Acquérir une compréhension solide des concepts clés de l'IA générative, des modèles de langage large (LLM), et de la génération augmentée de récupération (RAG) - Mettre en pratique les concepts théoriques en développant un agent conversationnel utilisant RAG - Améliorer le système existant, explorer les développements récents dans le domaine de l'IA générative et envisager les futures évolutions

J1 : Compréhension des concepts fondamentaux -Introduction à l'IA Générative : Définition et historique, domaines d'application (texte, image, audio). -Modèles de Langage Large (LLM) : Définition des LLM (ex. : GPT, BERT), architecture (Transformers), fonctionnement (apprentissage supervisé, non supervisé, renforcement). Exemples (GPT-4, BERT, T5) et défis (biais, consommation énergétique). -Génération augmentée de récupération (RAG) : Qu'est-ce que le RAG ? Comparaison avec les approches traditionnelles, cas d'usage dans les systèmes conversationnels. -Solutions de déploiement pour les LLM : Options cloud (AWS, GCP, Azure) vs. on-premise, avantages et inconvénients (coût, sécurité, scalabilité), outils de déploiement (Docker, Kubernetes) J2 : Mise en Place d'un agent conversationnel avec RAG -Environnements de développement : Choix des outils (Python, Hugging Face, LangChain), installation (Python, Jupyter Notebook), APIs pour les LLM (OpenAI) -Système de récupération d'information : Préparation d'une base de données, indexation, recherche via RAG. -Création d'un agent conversationnel : Conception (architecture, intents), intégration du LLM, développement du flux. -Test et validation : Tests avec divers scénarios, validation et ajustements J3 : Optimisation, avancées et perspectives -Optimisation de l'agent conversationnel : Amélioration des réponses (fine-tuning), ajustement des paramètres RAG, gestion des erreurs, ajout de fonctionnalités avancées (contexte, personnalisation) -Évaluation de modèles d'IA : Méthodologies (précision, rappel, F1-score), techniques pour réduire les biais, étude de cas sur l'amélioration des performances. -Avancées en IA Générative : Nouveaux modèles, intégration avec d'autres technologies (multimodalité), impacts sur les industries (santé, finance).

Attestation de suivi de présence

- Avoir une bonne comprehension des concepts de base en IA et en apprentissage automatique. - Etre familiers avec les modeles de langage (LLM), tels que GPT, BERT - Connaitre les principes fondamentaux de la recuperation d information et des bases de donnees textuelles