Contenu du Cours
1
RAG et bases vectorielles
36 heures
Introduction au chapitre
Pourquoi RAG : les limites des LLMs en contexte seul
Embeddings : représenter sémantiquement un texte
sentence-transformers : le standard en pratique
Chunking : découper un corpus intelligemment
FAISS : l'index vectoriel simple et rapide
Bases vectorielles pro : Chroma, Qdrant, Pinecone
Hybrid search et re-ranking
LangChain et LlamaIndex : frameworks RAG
Évaluation RAG avec Ragas
TP — assistant RAG sur documentation custom
2
Agents IA
28 heures
3
MLOps et déploiement
32 heures
Introduction au chapitre
Le cycle de vie d'un modèle en production
FastAPI : servir un modèle ML en quelques lignes
Docker pour l'IA : conteneurisation
Déploiement : Hugging Face Spaces, Modal, Replicate
Gradio et Streamlit pour des démos rapides
Monitoring en production : drift et performance
A/B testing d'un modèle
CI/CD pour projets ML avec GitHub Actions
Kubernetes : les bases pour l'IA
4
Éthique, sécurité, régulation
24 heures
5
Projet final intégrateur
60 heures
Introduction au chapitre
Présentation des 4 options de projet final
Cadrage du projet et planification
Semaine 1 — Architecture et prototype
Semaine 1 — Backend et API
Semaine 2 — Frontend et UX
Semaine 2 — Évaluation et métriques
Semaine 2 — Déploiement et documentation
Tests d'acceptation et corrections
Rédaction du rapport technique
Présentation orale : structure et démo
Publication et portfolio
Rétrospective du parcours IA complet
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter