Nous utilisons des cookies pour vous fournir l'ensemble de nos services, notamment la recherche et les alertes. En acceptant, vous consentez à notre utilisation de ces cookies.
Choisir mes préférences
.png&w=3840&q=75)
- Machine learning : entraîner et déployer des llms
.png&w=256&q=75)
Machine learning : entraîner et déployer des llms
Objectifs
Programme
- Comprendre le fonctionnement d’un LLM, et les enjeux du moment
- Savoir utiliser les LLMs propriétaires (chatGPT) mais aussi les alternatives open-source de manière efficace (prompt engineering)
- Fine-Tuning : comprednre comment affiner un modèle sur ses propres jeux de données
- Savoir implémenter du RAG (Retrieval Augmented Generation) pour améliorer la pertinence d’un modèle en relation à un jeu de données.
1. PANORAMA DES LLMS
- Les modèles génératifs
- Fonctionnement d’un LLM
- L’évolution des modèles open-source face aux géants (OpenAI ChatGPT…)
- Les enjeux des LLMs dans l’économie
2. UTILISER UN LLM OPEN-SOURCE
- Enjeux de protection des données
- Avoir un équivalent à chatGPT gratuit et privé
3. ENTRAINER UN LLM
- Jeux de données (dataset)
- Algorithmes d’entraînement
- Fine-tuner : adapter un modèle général sur des tâches spécifiques
- RAG : une alternative au fine-tuning
- Quantization
4. DEPLOYER UN LLM
- Serverless vs hébergement dédié
- Le compromis coût/scalabilité/maintenance
- Inference endpoints
Public visé
Cette formation s’adresse aux développeurs, ingénieurs ou autres métiers souhaitant comprendre et utiliser les LLMs (Largue Language Models), ainsi que les adapter pour leurs cas d’usages.
Prérequis
Être muni d’un ordinateur relié à Internet, possédant une caméra, un micro et un haut-parleur.
Notions de base en programmation
Notions de base en data
Méthodes pédagogiques
L’approche pédagogique a été construite sur l’interactivité et la personnalisation : Présentation illustrée et animée par le Formateur Expert, partage d’expériences, études de cas, mise en situation réelle.
Tous les supports sont fournis par support papier, mail ou clé USB à chaque stagiaire.
Méthodologie pédagogique employée :
Chaque formation en présentiel ou en distanciel est animée par un Formateur Expert Métier sélectionné selon ses compétences et expériences professionnelles. Apport d’expertise du Formateur, quiz en début et fin de formation, cas pratiques, échanges d’expérience. Accès en ligne au support de formation.
Modalités d'évaluation
Méthodes utilisées et évaluation :
Evaluation et positionnement lors de la définition du projet pédagogique avec le(s) stagiaire(s). Un QCM est donné aux stagiaires le dernier jour de la formation pour valider leurs apprentissages. Une correction collective est effectuée par le Formateur. Une évaluation de fin de stage en direct est organisée entre le Formateur et le(s) stagiaire(s) pour recueillir et prendre en compte leurs appréciations. Une attestation de fin de stage est remise aux stagiaires.
Autres formation Machine learning : entraîner et déployer des llms
Sessions à la demande
Voir les formations de la même catégorieAutres formations disponibles :