Ce cours en quatre modules vous donne une base claire et pratique de l'IA Générative, de ce qu'elle est et où elle est utilisée, à la façon dont les modèles modernes fonctionnent et comment les appliquer de manière responsable. Vous commencerez par une vue d'ensemble : Les capacités de l'IA générative dans le texte, l'image, l'audio et la vidéo, ainsi que les applications industrielles du monde réel. Ensuite, vous plongerez dans la science derrière les Grands modèles de langage d'aujourd'hui : la représentation du texte (tokenisation, embeddings), et l'architecture Transformer (encodage positionnel, auto-attention, flux d'encodage/décodage). Ensuite, vous vous familiariserez avec les LLM et les flux de travail : création d'invites efficaces, appel de modèles via web/UI et API, exécution de modèles localement (par exemple, via Ollama), et extension des capacités avec la Génération Augmentée de Récupération (RAG) et l'affinement des réglages. Enfin, vous examinerez les défis et les pratiques responsables, y compris le droit d'auteur, la vie privée et la sécurité, l'explicabilité et les questions de propriété à l'ère de la GenAI. Conçu pour les apprenants ayant une connaissance de base de l'Apprentissage Automatique et de Python, le cours mélange des leçons courtes avec des laboratoires, des quiz et des exercices. À la fin du cours, vous comprendrez les concepts et les architectures de base derrière la GenAI avec un sens aigu de l'utilisation éthique et responsable et des limites de la GenAI. À la fin de ce cours, les apprenants seront en mesure de : Expliquer comment l'IA générative couvre le texte, l'image, l'audio et la vidéo et évaluer les flux de travail de l'industrie réelle où elle crée de la valeur. Retracer l'évolution de la modélisation du langage des approches probabilistes/NLP aux Transformateurs, et justifier pourquoi l'attention surmonte les limitations antérieures. Comprendre la tokenisation et l'intégration des mots, et raisonner sur la façon dont ces représentations affectent le comportement du modèle.

Décomposer un bloc Transformer et suivre les tenseurs, à travers l'auto-attention, les MLP, et la normalisation pour expliquer comment les représentations sont formées et affinées. Exploiter les LLM via les interfaces web, les API, et localement avec Ollama pour écrire un code d'inférence minimal et améliorer les résultats en utilisant des modèles de requête et se familiariser avec les concepts de RAG et de Fine-Tuning comme prochaines étapes possibles. Identifier, analyser et expliquer les défauts des LLM tels que le biais, l'hallucination, l'appropriation, et l'injection de requête en formulant des directives au niveau de l'utilisateur, des processus d'organisation, et des politiques de gouvernance.