Appliquer les techniques de « bagging », de « boosting » et d'« empilement » au même ensemble de données, comparer les indicateurs de performance et quantifier le gain apporté par les modèles d'ensemble par rapport aux modèles individuels

Évaluer le rapport entre le coût de calcul et le gain de performance pour chaque technique d'ensemble et formuler des recommandations quant à la faisabilité de leur mise en œuvre

Réaliser un réseau neuronal à propagation vers l'avant à l'aide de Keras/PyTorch, atteindre une perte de validation spécifiée et documenter les choix d'architecture.

Évaluer le surapprentissage à l'aide d'une analyse des courbes d'apprentissage et mettre en œuvre une régularisation (dropout/L2) afin d'atteindre les objectifs de généralisation.

Les apprenants utiliseront des modèles de langage de grande envergure (LLM) pour générer des premières ébauches de notes de synthèse qui résument les conclusions du modèle et affineront les consignes afin d'atteindre des scores ROUGE ou BLEU spécifiques.

Les apprenants créeront des pipelines complets de transformation des données en texte, combinant SQL, Python et des API LLM, afin de transformer automatiquement des tableaux de KPI (indicateurs clés de performance) en résumés narratifs.

Les apprenants affineront de petits modèles de langage (LLM) à partir des FAQ de l'entreprise et mesureront l'amélioration de la pertinence des réponses grâce à une évaluation humaine systématique.

Les apprenants évalueront, à travers une analyse systématique, les compromis entre coût et latence entre les modèles de langage de grande envergure (LLM) open source et commerciaux, dans le cadre d'applications de chat en temps réel.

Développer un prototype de chatbot à l'aide de la technologie RAG (génération augmentée par la recherche) et évaluer la satisfaction des utilisateurs à l'aide du questionnaire SUS.

Évaluer les indicateurs de flux de dialogue (taux de repli, durée des échanges) et affiner les règles de correspondance des intentions.

Appliquer la reconnaissance d'entités nommées pour extraire les termes clés des tickets d'assistance et quantifier la précision et le rappel.

Évaluer deux techniques de vectorisation (TF-IDF et embeddings) dans le cadre d'une tâche de classification de textes.

Vous développez une application de veille analytique de bout en bout basée sur l’IA, qui combine la modélisation par ensemble et la génération d’explications à partir d’un modèle linguistique de grande envergure (LLM). Vous entraînez et évaluez un modèle d'ensemble pour prédire les scores de santé des clients, extraire l'importance des caractéristiques et intégrez un grand modèle linguistique afin de générer des explications en langage naturel pour chaque prédiction. Le livrable final est une application fonctionnelle dotée d'une interface simple et d'une documentation technique adaptée à une équipe de développement.