Dans ce module, nous allons mettre en place un environnement de développement complet pour créer des applications LangChain. Pour cela, nous configurerons votre clé API OpenAI, installerons Python et configurerons Visual Studio Code avec les extensions nécessaires. À la fin de ce module, vous disposerez d'un espace de travail entièrement fonctionnel, prêt à être utilisé pour développer, tester et déployer des applications basées sur l'IA.

Dans ce module, nous allons acquérir des bases conceptuelles solides en explorant les grands modèles linguistiques (LLM), l'écosystème LangChain, l'architecture de la version 1.0, ainsi que les éléments fondamentaux que sont les composants, les chaînes et les agents. Vous apprendrez également à configurer plusieurs fournisseurs de LLM, ce qui vous permettra de développer des applications d'IA flexibles et évolutives.

Dans ce module, nous allons examiner comment les modèles de prompts et les structures de messages influencent le comportement des modèles de langage de grande envergure (LLM) ainsi que la qualité de leurs réponses. Grâce à des explications détaillées et à des exercices pratiques, vous apprendrez à concevoir des prompts réutilisables qui améliorent la cohérence, la maintenabilité et les performances dans l'ensemble des applications d'IA.

Dans ce module, nous allons apprendre à transformer les résultats bruts des modèles linguistiques en données structurées, fiables et validées à l'aide des analyseurs de résultats LangChain. Vous travaillerez avec différents types d'analyseurs, diverses configurations de modèles et des mécanismes de validation basés sur Pydantic afin de créer des workflows d'IA prêts à être déployés en production.

Dans ce module, nous allons maîtriser le langage d'expression LangChain (LCEL) en apprenant à créer des pipelines d'IA efficaces, modulaires et évolutifs. Vous découvrirez les chaînes exécutables, les réponses en continu, l'inspection de schémas, la logique de branchement, l'exécution parallèle et les techniques de débogage afin de créer des workflows prêts pour la production.

Dans ce module, nous verrons comment la mémoire permet aux modèles linguistiques de conserver le contexte tout au long des conversations et des flux de travail. Vous mettrez en œuvre diverses stratégies de mémoire, notamment la mémoire par fenêtres, la mémoire de résumé, la mémoire persistante et la mémoire multisession, afin de développer des applications d'IA plus intelligentes et mieux adaptées au contexte.

Dans ce module, nous apprendrons à importer, organiser et prétraiter efficacement des documents destinés à des applications LLM. Vous découvrirez les chargeurs de documents, les stratégies de découpage en segments et les outils de fractionnement spécialisés qui préservent la structure sémantique tout en optimisant les performances de recherche.

Dans ce module, nous verrons comment les représentations vectorielles et les bases de données vectorielles sont au cœur des systèmes de recherche sémantique et de génération augmentée par la recherche (RAG). Vous apprendrez à générer des représentations vectorielles, à les optimiser grâce à la mise en cache, à configurer les bases de données vectorielles Chroma, à appliquer un filtrage par métadonnées et à mettre en place des pipelines de recherche efficaces.

Dans ce module, nous allons développer des systèmes avancés de génération augmentée par la recherche (RAG) en associant de puissantes techniques de recherche à des modèles linguistiques modernes. Vous mettrez en œuvre des pipelines RAG de base et avancés, des sorties structurées, la recherche hybride, la compression contextuelle, la recherche de documents parents et des stratégies de recherche multi-requêtes afin d'améliorer la qualité et la précision des réponses.

Dans ce module, nous allons découvrir LangGraph, la nouvelle génération de développement en IA agentique, en créant des flux de travail basés sur des graphes comprenant des nœuds, des arêtes, des schémas de routage, des boucles et un état cumulé. Vous mettrez également en œuvre des flux de travail impliquant une intervention humaine (human-in-the-loop) qui permettent d'améliorer le contrôle, la fiabilité et l'évolutivité des systèmes d'IA avancés.

Dans ce module, nous mettrons en pratique tout ce que vous avez appris pour créer de toutes pièces un bot intelligent de questions-réponses. Vous concevrez l'architecture du projet, développerez l'application dans son intégralité et intégrerez les composants LangChain, les mécanismes de recherche et la mémoire conversationnelle au sein d'une solution concrète et applicable dans la vie réelle.

Dans ce module, nous allons développer un assistant de recherche basé sur l'IA, prêt à être déployé en production, capable de collecter des informations, d'extraire du contenu pertinent, de générer des résumés et de produire des réponses structurées. Vous combinerez les fonctionnalités avancées de LangChain avec la mémoire persistante pour créer un assistant de recherche intelligent.

Dans ce module, nous allons créer une application IA multimodale concrète qui transforme des images d'aliments en recettes à l'aide de la légende d'images et de modèles linguistiques. Vous intégrerez des modèles Hugging Face, ajouterez une fonctionnalité de synthèse vocale et développerez une interface utilisateur interactive avec Streamlit pour finaliser l'application de bout en bout.

Dans ce module, nous conclurons ce cours en abordant les prochaines étapes de votre parcours dans le domaine du développement de l'IA. Vous découvrirez des thèmes avancés, des projets recommandés et des ressources pédagogiques qui vous aideront à continuer à développer votre expertise en matière de LangChain, de modèles de langage à grande échelle (LLM) et de développement d'applications IA modernes.