Ce module explore la façon dont les processus IA génèrent des données visuelles en intégrant des images et des vidéos avec du texte. Vous examinerez les modèles texte-image/image-texte et texte-vidéo/vidéo-texte, le sous-titrage des images et les techniques de fusion nécessaires pour des systèmes d'IA multimodaux efficaces. Grâce à des travaux pratiques, vous appliquerez des modèles de pointe tels que DALL-E et Sora pour générer des images et des vidéos à partir d'invites textuelles. En outre, vous mettrez en œuvre un système de sous-titrage d'images en utilisant le Llama 4 de Meta, acquérant ainsi une expérience pratique dans la combinaison de modèles de vision et de langage pour des applications du monde réel.

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