Dans cette section, nous examinons comment les grands modèles linguistiques (LLM) transforment le développement logiciel, nous explorons l'architecture des systèmes de copilotage et nous évaluons les frameworks d'orchestration de l'IA permettant d'intégrer les LLM dans des applications concrètes.

Dans cette section, nous examinons les critères de sélection des grands modèles linguistiques (LLM), en comparant leurs architectures, leurs performances, leurs coûts et les compromis concrets à prendre en compte afin d'optimiser leur intégration dans les applications et de garantir une utilisation responsable.

Dans cette section, nous présentons des techniques d'ingénierie des prompts permettant de créer des prompts efficaces qui orientent le comportement des grands modèles linguistiques et contribuent à réduire les biais et les hallucinations.

Dans cette section, nous expliquons comment intégrer des modèles linguistiques de grande envergure (LLM) dans des applications à l'aide de LangChain, comment intégrer les modèles Hugging Face et comment tirer parti de frameworks pour améliorer l'expérience conversationnelle des utilisateurs.

Dans cette section, nous développons des applications conversationnelles basées sur des modèles de langage de grande envergure (LLM) à l'aide de LangChain, en y intégrant une mémoire, des connaissances non paramétriques et divers outils, tout en créant une interface utilisateur Streamlit permettant un prototypage rapide et un déploiement concret.

Dans cette section, nous examinons comment les grands modèles linguistiques (LLM) modernisent les systèmes de recommandation, nous abordons les techniques traditionnelles et celles basées sur les LLM, et nous mettons en œuvre des applications concrètes à l'aide de LangChain et de Streamlit pour offrir des expériences utilisateur interactives.

Dans cette section, nous expliquons comment intégrer des modèles linguistiques de grande envergure (LLM) à des bases de données relationnelles, ce qui permet de créer des interfaces en langage naturel pour accéder à des données tabulaires et de combiner des sources structurées et non structurées à des fins pratiques.

Dans cette section, nous examinons comment les grands modèles linguistiques (LLM) facilitent la génération de code, la compréhension et l'émulation d'algorithmes, permettant ainsi le développement d'outils de programmation pilotés par le langage naturel et d'applications basées sur du code.

Dans cette section, nous apprenons à créer des agents multimodaux adaptatifs en intégrant des modèles linguistiques, visuels et audio à l'aide de LangChain et d'Azure AI, ce qui permet de mettre en place des workflows et des applications d'IA robustes et pratiques.

Dans cette section, nous abordons la théorie et les étapes pratiques du réglage fin des grands modèles linguistiques (LLM), en abordant la préparation des données, la taxonomie spécifique à un domaine et la mise en œuvre à l'aide de Python et de Hugging Face pour des applications de spécialisation en traitement du langage naturel (NLP).

Dans cette section, nous examinons les pratiques en matière d'IA responsable visant à atténuer les risques et les biais dans les applications basées sur les grands modèles linguistiques (LLM), en explorant les stratégies architecturales et les principales exigences réglementaires afin de garantir un déploiement plus sûr de l'IA.

Dans cette section, nous passons en revue les innovations récentes en matière de grands modèles linguistiques (LLM) et d’IA générative, nous examinons leur adoption par les entreprises et nous abordons des applications telles que GPT-4V(ision), AutoGen et les petits modèles linguistiques, en vue d’un développement tourné vers l’avenir.