IA générative pour débutants
Un programme complet explorant les fondamentaux de l'IA générative, des grands modèles linguistiques, de l'ingénierie des prompts et du développement d'applications alimentées par l'IA à l'aide d'outils comme Azure OpenAI et la Power Platform.
Aperçu du cours
📚 Résumé du contenu
Un programme complet explorant les fondamentaux de l'IA générative, des grands modèles linguistiques (LLM), de l'ingénierie de prompts et du développement d'applications alimentées par l'IA à l'aide d'outils comme Azure OpenAI et la Power Platform.
Maîtrisez les bases de l'IA générative et créez des applications intelligentes dès le départ.
Remerciements : Microsoft, Azure et OpenAI.
🎯 Objectifs d'apprentissage
- Expliquer le fonctionnement interne des LLM, y compris la tokenisation, le mécanisme d'attention et la sortie non déterministe.
- Comparer diverses catégories de LLM (modèles fondamentaux, open-source vs propriétaires, architectures Encoder/Decoder) afin de choisir l'outil adapté à une situation métier.
- Évaluer des stratégies d'amélioration des résultats du modèle, notamment en choisissant entre l'ingénierie de prompts, la génération augmentée par recherche (RAG) et le fine-tuning.
- Définir l'ingénierie de prompts et expliquer son rôle en tant qu'interface de programmation principale pour l'IA générative.
- Différencier les LLM de base et les LLM ajustés aux instructions, ainsi que leur traitement des tokens.
- Créer des prompts complexes en utilisant des instructions, du contenu principal, des indices et des modèles.
- Construire et configurer des applications de génération de texte à l'aide de la bibliothèque
openai, gérer les variables d'environnement et ajuster la variété des sorties via la température. - Différencier les chatbots basés sur des règles et les applications d'IA générative contextuelles tout en mettant en œuvre les Six Principes de l'IA responsable de Microsoft.
- Exécuter une recherche sémantique en convertissant le texte en embeddings (vecteurs) et en appliquant la similarité cosinus pour retrouver du contenu pertinent au-delà des simples correspondances de mots-clés.
- Créer et configurer des applications de génération d’images tout en implémentant des « meta-prompts » pour définir des limites de contenu et garantir la sécurité.
Leçons 共 7 课时 · 预计 21.0h
Leçons
Lesson
This lesson explores the evolution of AI from rigid, rule-based systems to modern Large Language Models that utilize tokenization, attention mechanisms, and statistical probability to generate human-like text. Students will learn how these non-deterministic models function and how to evaluate strategies like prompting, fine-tuning, and RAG to optimize AI performance for specific business needs.
This lesson introduces prompt engineering as the essential interface for guiding generative AI, distinguishing between base models and instruction-tuned models. Students learn to construct effective prompts by mastering tokenization, parameter adjustment, and structural techniques like delimiting to improve model accuracy and reliability.
This lesson explores the transition from traditional, deterministic programming to flexible Generative AI applications by mastering API security, environment configuration, and output control via temperature settings. Students will also learn to implement semantic search using embeddings and apply Microsoft’s Six Principles of Responsible AI to build reliable, context-aware solutions.
This lesson explores how to build secure, integrated AI solutions using low-code platforms like Microsoft Power Platform and advanced techniques such as meta-prompting and function calling. Students learn to bridge the gap between generative models and external data while implementing safety guardrails and deterministic configurations for enterprise-grade applications.
This lesson explores how to build trustworthy Generative AI by balancing user experience pillars, such as explainability and instructional friction, with robust security measures against threats like data poisoning and prompt injection. It also introduces the LLMOps lifecycle, covering the essential stages of ideating, building, and operationalizing AI applications to ensure reliability and performance.
This lesson explores how Retrieval-Augmented Generation (RAG) overcomes LLM knowledge cutoffs and hallucinations by grounding model responses in real-time, external data. Students will learn the technical RAG workflow—including chunking, embeddings, and vector search—while evaluating open-source models and AI agent frameworks for practical implementation.
This lesson explores the optimization hierarchy for generative AI, emphasizing that developers should prioritize prompt engineering and Retrieval-Augmented Generation (RAG) before considering resource-intensive fine-tuning. It also introduces specialized architectures like Small Language Models (SLMs) and Mixture of Experts (MoE) to help balance model performance, inference speed, and deployment efficiency.