Modèles de Langage à Grande Échelle pour Tous : Des Bases à l'Utilisation Pratique (Édition 2026)
Ce cours constitue une introduction pratique et accessible aux modèles de langage à grande échelle (LLM), tels que ChatGPT et Gemini. Conçu pour les apprenants provenant de tout horizon, il explique de manière générale le fonctionnement des LLM, leurs capacités et limites, ainsi que la manière d'en tirer profit dans les études, le travail et la vie quotidienne. À travers des démonstrations pratiques et des exercices guidés, vous apprendrez des techniques d'élaboration de prompts, comment évaluer de manière critique les sorties, gérer les hallucinations et biais, et utiliser en toute sécurité et responsabilité des outils courants (documents, synthèses, traduction, traitement de données). À l’issue de ce cours, vous serez en mesure de créer votre propre « flux de travail LLM » pour des tâches concrètes – rédaction, recherche, planification, productivité – sans nécessiter de compétences avancées en programmation.
Aperçu du cours
Résumé du contenu
Ce cours est une introduction accessible et pratique aux grands modèles linguistiques (LLM) comme ChatGPT et Gemini. Conçu pour les apprenants de tout horizon, il explique de manière générale le fonctionnement des LLM, leurs capacités et limites, ainsi que la manière dont ils peuvent être utilisés efficacement dans les études, le travail et la vie quotidienne. À travers des démonstrations pratiques et des exercices guidés, vous apprendrez des techniques de formulation de prompts, à évaluer critiques les sorties, à gérer les hallucinations et les biais, et à utiliser des outils courants (documents, résumés, traduction, tâches sur données) de manière sécurisée et responsable. À la fin du cours, vous serez en mesure de concevoir un flux personnel basé sur les LLM pour des tâches concrètes — écriture, recherche, planification, productivité — sans nécessiter de compétences avancées en programmation.
Du raisonnement mathématique fondamental à l'orchestration distribuée d'agents : façonner des architectes de systèmes de haut niveau pour l'ère des grands modèles.
Objectifs d'apprentissage
- Cognitif : Comprendre les piliers mathématiques du ML (algèbre linéaire, calcul, probabilités) et la lignée historique des architectures neuronales allant des Perceptrons aux LSTM.
- Basé sur des compétences : Naviguer sur des serveurs distants via des commandes shell Unix et implémenter des graphes computationnels élémentaires à l’aide de moteurs de différentiation automatique.
- Affectif : Valoriser l’importance du "fondement théorique" par rapport à l'"abstraction prématurée" lors du débogage de systèmes complexes comme les explosions de gradients.
- Généré
- Cognitif : Expliquer les mécanismes du pipeline post-formation, y compris la distinction entre le Fine-Tuning supervisé (SFT) et les cadres d’apprentissage par renforcement (RL) comme GRPO.
- Basé sur des compétences : Concevoir un pipeline d’entraînement multi-étapes — de la mise en route initiale jusqu’à l’alignement final — en utilisant des techniques de fine-tuning efficaces en paramètres comme LoRA.
- Affectif : Valoriser le passage de la vision de l’IA comme une "boîte noire magique" vers un système ingénierisé composé de couches mécaniques et de raisonnement interne délibéré.
- Cognitif : Comparer les cadres d’intégration linéaire avec les orchestrations cycliques basées sur des graphes, et différencier les protocoles d’intégration verticale (MCP) et horizontale (A2A).
- Basé sur des compétences : Définir des nœuds spécialisés et des arêtes conditionnelles à l’aide de principes de théorie des graphes, et implémenter un serveur MCP à l’aide de FastMCP pour connecter des agents à des données externes.
- Affectif : Valoriser l’importance de l’exécution cyclique et de la gestion d’état pour imiter les workflows cognitifs humains complexes.