Ce module explore la manière dont les processus d’IA génèrent des données visuelles en intégrant des images et des vidéos à du texte. Vous étudierez les modèles « texte vers image » / « image vers texte » et « texte vers vidéo » / « vidéo vers texte », la légende d’images, ainsi que les techniques de fusion nécessaires au bon fonctionnement des systèmes d’IA multimodaux. Au cours d'exercices pratiques, vous appliquerez des modèles de pointe tels que GPT Image et Sora pour générer des images et des vidéos à partir de consignes textuelles. De plus, vous mettrez en œuvre un système de légendage d'images à l'aide de Llama 4 de Meta, acquérant ainsi une expérience pratique de la combinaison de modèles de vision et de langage pour des applications concrètes.

Le dernier module explore les applications IA multimodales avancées, en intégrant des systèmes basés sur l'image, le texte et la récupération pour construire des solutions innovantes. Vous plongerez dans la recherche multimodale, la réponse aux questions multimodale et les chatbots, en apprenant comment les techniques de recherche multimodale améliorent les moteurs de recherche et les systèmes de recommandation. En outre, vous apprendrez comment l'intégration des données visuelles et textuelles améliore les interactions avec les chatbots. Grâce à des laboratoires pratiques, vous construirez des applications web entièrement fonctionnelles avec des capacités multimodales à l'aide de Flask, en appliquant des modèles et des frameworks de pointe