Deep Learning & LLM Ops

Jour 1 : Fondements & Écosystème PyTorch Core

• Le virage technologique :
  • Pourquoi PyTorch a détrôné TensorFlow en 2026.
• Architecture PyTorch :
  • Tensors, Autograd, et graphes dynamiques.
• Construction de réseaux :
  • Du Perceptron Multi-Couches (MLP) aux optimiseurs modernes (AdamW, Lion).
• Atelier :
  • Création d’un premier moteur de prédiction robuste.

Jour 2 : Vision par Ordinateur & Transfer Learning

• Architectures CNN :
  • De ResNet aux Vision Transformers (ViT).
• Optimisation :
  • Techniques avancées de régularisation et de data augmentation.
• Transfer Learning :
  • Réutiliser et adapter des modèles pré-entraînés pour des cas d’usage métiers.
• Atelier :
  • Classification d’images complexes avec une précision industrielle.

Jour 3 : L’Ère des Transformers & NLP Moderne

• Mécanisme d’Attention :
  • Comprendre la révolution du « Self-Attention ».
• Architectures LLM :
  • Analyse profonde de Llama 3 et Mistral.
• Tokenisation & Embeddings :
  • Préparer les données textuelles pour la haute performance.
• Atelier :
  • Construction d’un pipeline de traitement de texte intelligent.

Jour 4 : GenAI, RAG & Fine-Tuning Avancé

• Retrieval Augmented Generation (RAG) :
  • Connecter l’IA aux données privées de l’entreprise.
• Fine-Tuning efficace :
  • Maîtriser LoRA, QLoRA et PEFT pour adapter des modèles géants à moindre coût.
• Modèles de Diffusion :
  • Introduction à la génération d’images et de contenus.
• Atelier :
  • Création d’un agent conversationnel expert sur vos propres documents.

Jour 5 : AISecOps, Éthique & Mise en Production

• Sécurité de l’IA :
  • Parer les injections de prompts et sécuriser les API (OWASP Top 10 for LLM).
• Déploiement Industriel :
  • TorchServe, ONNX et intégration dans des pipelines CI/CD.
• Optimisation :
  • Quantization (4-bit/8-bit) pour réduire les coûts d’infrastructure.
• Projet Final « The Sentience » :
  • Déploiement d’un agent IA complet, audité et sécurisé.