Formation Introduction à l’intelligence artificielle : outils & enjeux

Programme de notre formation : Introduction à l’intelligence artificielle, outils & enjeux

[Jour 1 – Matin]

Fondations de l’IA : du Machine Learning à la révolution de l’IA Générative

• Démystifier l’intelligence artificielle : histoire, réalités du marché et rupture des Transformers.
• Différencier Machine Learning, Deep Learning et IA Générative (LLM, modèles multimodaux).
• Comprendre les principes d’apprentissage : supervisé, non supervisé, par renforcement (RLHF/DPO) et auto-supervisé.
• Cartographier l’écosystème actuel : modèles propriétaires (OpenAI, Anthropic, Google) vs modèles Open Source (Meta Llama, Mistral AI).
• Panorama des cas d’usage métiers : texte, génération d’images, audio, vidéo et analyse de données.
• Atelier pratique : tour d’horizon comparatif des outils phares (ChatGPT, Claude, Midjourney, Hugging Face) et prise en main.

[Jour 1 – Après-midi]

Maîtrise des LLM : Prompt Engineering, RAG & Agents IA

• Fondamentaux du Prompt Engineering : rôles, structuration, zéro/few-shot prompting et chaîne de pensée (Chain-of-Thought).
• Comprendre les fenêtres de contexte, la gestion de la mémoire et la maîtrise des hallucinations.
• Introduction au RAG (Retrieval-Augmented Generation) : connecter les modèles aux données privées de l’entreprise.
• Émergence des Agents IA autonomes : automatisation de tâches et appel d’outils externes (Tool Calling).
• Atelier pratique : conception de prompts avancés, création d’un assistant personnalisé et expérimentation d’un RAG simplifié.

[Jour 2 – Matin]

Cadrage d’un projet IA : Données, opportunités et choix technologiques

• Qualifier un besoin métier : arbitrages entre Machine Learning classique et LLM / IA Générative (coûts, latence, précision).
• La donnée au cœur du projet : collecte, qualité, nettoyage, gestion des biais et confidentialité.
• Panorama des stratégies d’adaptation : Prompting vs RAG vs Fine-Tuning (LoRA).
• Écosystème et stack technique : frameworks (PyTorch, LangChain, LlamaIndex) et plateformes Cloud (Azure OpenAI, AWS Bedrock, GCP Vertex AI).
• Atelier pratique : étude de cas concrète — cadrage de la grille d’évaluation et architecture cible d’un projet IA d’entreprise.

[Jour 2 – Après-midi]

Industrialisation (LLMOps), Éthique, Sécurité & Réglementation

• Introduction au LLMOps / MLOps : déploiement, monitoring des coûts (tokens), évaluation de la qualité (Evals) et réapprentissage.
• Risques applicatifs et sécurité : prompt injection, fuite de données et souveraineté numérique.
• Cadre juridique et éthique : décrypter l’EU AI Act, la conformité RGPD et la propriété intellectuelle.
• Conduite du changement : accompagner les collaborateurs et définir une charte d’usage responsable de l’IA (AI Policy).
• Atelier pratique : audit de conformité d’un projet IA (EU AI Act & RGPD) et élaboration d’une feuille de route d’adoption responsable.