A l'issue de cette formation, vous serez capable de :

• Identifier les enjeux de l'IA ainsi que les nouvelles opportunités qu'elle ouvre
• Adopter une vue large et approfondie des technologies de l'IA, du machine learning / deep learning aux LLM
• Découvrir les nouvelles technologies de l'IA et leur implémentation à travers des exemples pratiques (RAG, agents intelligents, MCP...)
• Reconnaître les enjeux juridiques (AI Act) et éthiques (explicabilité et interprétabilité des modèles)
• Explorer les innovations et usages à venir à travers un atelier de prospective.

Jour 1 - Matin

Introduction

• Définir l'IA
• Fondations et histoire de l'IA
• Les marchés de l'IA
• Les différentes branches de l'IA
• Les cas d'usage de l'IA
• Recherche de savoir
• Assistants personnels numériques
• Génération de code (vibe coding)
• AIOps (automatisation et optimisation des opérations informatiques)
• Nettoyage de données
• Apprentissage augmenté
• Thérapie et compagnie
• Chauffeur personnel
• Gestionnaire d'entrepôt
• Santé humaine
• Jeux vidéo
• Domotique
• Les technologies de l'IA
• Les nouveaux métiers de l'IA
• Disruptions de l'IA : l'arrivée des LLM et autres innovations de rupture
• IA closed source vs IA open source : comparatif des avantages et des inconvénients
• Etudes de cas inspirées de l'actualité

Jour 1 - Après-midi

Techniques fondamentales de l'IA

• Machine Learning
• Réseaux de neurones artificiels (Artificial Neural Networks)
• Apprentissage profond (Deep Learning)
• Réseaux de neurones convolutifs (Convolutional Neural Networks)
• Réseaux de neurones récurrents (Recurrent Neural Networks)
• Apprentissages supervisé / non-supervisé / renforcé
• TensorFlow

Exemples de travaux pratiques (à titre indicatif)

• Mettre en oeuvre et faire un comparatif d'algorithmes d'IA avec Python
• Construire une application d'IA avec Flask ou Kivy

Jour 2 - Matin

Pipelines de Machine Learning

• Définition du problème
• Ingestion des données
• Préparation des données
• Ségrégation des données
• Sélection de variables
• Extraction de variables
• Apprentissage du modèle
• Déploiement du modèle en production
• Surveillance du modèle et réapprentissage
• Introduction à MLOps

Exemples de travaux pratiques (à titre indicatif)

• Création de modèles de Machine Learning avec Python
• Déploiement du modèle et inférence

Jour 2 - Après-midi

Traitement du langage naturel (Natural Language Processing)

• Vue d'ensemble du NLP
• Les composants du NLP
• Applications du NLP en entreprise
• Comment utiliser le NLP ?
• Tokenisation
• Racinisation vs Lemmatisation
• Utilisation du modèle "bag-of-words"
• Challenges du NLP

Exemples de travaux pratiques (à titre indicatif)

• Création d'un modèle de NLP pour l'analyse de sentiment
• Déploiement du modèle et inférence

Jour 3 - Matin

LLM et LCM

• Les Grands Modèles de Langage (LLM)
• LLM polyvalents (Claude, ChatGPT, Mistral / Mixtral, Llama, Falcon), légers (Phi-3, Gemma, TinyLlama), et spécialisés (CodeLlama, Meditron)
• Cas d'usage des LLM
• Les LCM pour la génération d'images
• Cas d'usage des LCM
• Meilleurs pratiques de prompting
• Outils d'ingénierie de prompt : LangChain, Guidance, DSPy...
• Infrastructures pour les LLM : Ollama, Hugging Face, Hub Space
• Exploitation du savoir externe avec les RAG
• Frameworks de RAG : LangChain, LlamaIndex
• Défis dans la mise en production des LLM et LCM
• Introduction à LLMOps

Exemple de travaux pratiques (à titre indicatif)

• Création d'un chatbot à base LLM

Architectures composables d'IA

• Des IA autonomes avec les agents intelligents
• Interaction IA-applications avec le protocole MCP
• Pourquoi utiliser le protocole MCP :
• Intégrations prêtes à l'emploi
• Flexibilité architecturale
• Sécurité des données

Jour 3 - Après-midi

Architectures composables d'IA - Suite

Exemple de travaux pratiques (à titre indicatif)

• Mise en oeuvre et test d’une architecture MCP avec Claude

Perspectives futures

• Challenges de l'IA
• Futures tendances et opportunités
• Scalabilité de l'IA
• Implications éthiques, sociales, et de sûreté (safety)

Exemple de travaux pratiques (à titre indicatif)

• Clôture : Atelier de prospective

Enjeux, limites et bonnes pratiques

• Evaluation de la qualité des résultats
• Gestion des biais et des hallucinations
• Questions éthiques et juridiques (exigences du AI Act, droits d'auteur, obligations RGPD, explicabilité et interprétabilité des modèles)
• Bonnes pratiques pour garantir la confidentialité
• Intégration des IA dans le workflow professionnel
• Présentation d'outils pour travailler en toute confidentialité