Formation Moondream AI

Programme de notre formation Moondream AI

[Jour 1 – Matin]

Découvrir Moondream AI et déployer un VLM léger

• Comprendre le fonctionnement d’un Vision-Language Model (VLM) et le positionnement de Moondream AI
• Identifier les cas d’usage : description d’images, Visual Question Answering, extraction d’informations et analyse visuelle
• Comprendre l’intérêt d’un modèle léger pour les environnements locaux, privés et Edge
• Choisir une architecture d’exécution selon les contraintes CPU, GPU, mémoire et latence
• Installer l’environnement Python et réaliser une première inférence avec Moondream
• Structurer les entrées, sorties JSON, configurations et logs nécessaires à une application exploitable
• Atelier pratique : déployer Moondream AI localement, analyser un jeu d’images et exporter les résultats dans un format structuré.

[Jour 1 – Après-midi]

Construire des workflows d’analyse et d’extraction visuelle

• Concevoir des prompts multimodaux adaptés à la description, au questionnement et à l’extraction visuelle
• Structurer les réponses pour obtenir des données exploitables par une application métier
• Gérer les images complexes : objets multiples, faible luminosité, texte, arrière-plan et informations ambiguës
• Mettre en place des sorties structurées, validations de schéma et règles métier
• Identifier les réponses incertaines ou incohérentes et prévoir une validation humaine lorsque nécessaire
• Construire des jeux de tests pour mesurer la qualité des résultats sur un cas d’usage donné
• Atelier pratique : développer un workflow d’analyse d’images produisant des données JSON contrôlées à partir de photographies métier.

[Jour 2 – Matin]

Optimiser et industrialiser un pipeline de Vision AI

• Préparer les images : redimensionnement, recadrage, formats, orientation et contrôle de la qualité des entrées
• Mettre en œuvre le traitement par lots, le parallélisme et la reprise sur erreur
• Mesurer les performances : latence, débit, mémoire et consommation des ressources
• Optimiser l’inférence selon les contraintes d’un déploiement CPU, GPU ou Edge
• Construire un jeu d’évaluation et mesurer l’exactitude, la complétude et la stabilité des résultats
• Comparer différentes configurations afin de trouver le meilleur compromis entre qualité, performance et coût
• Atelier pratique : construire et benchmarker un pipeline de traitement d’images par lots puis optimiser ses performances sur l’infrastructure disponible.

[Jour 2 – Après-midi]

Déployer et sécuriser une application Moondream AI

• Exposer Moondream à travers une API d’analyse d’images avec des réponses JSON stables
• Intégrer le modèle à une application ou un service métier existant
• Configurer les limites de taille, quotas, timeouts, validation des fichiers et gestion des erreurs
• Mettre en place les logs, métriques et mécanismes d’observabilité nécessaires à l’exploitation
• Protéger les images et données sensibles lors d’un déploiement local ou dans une infrastructure maîtrisée
• Définir les règles de conservation, contrôle d’accès, traçabilité et supervision adaptées au contexte de l’entreprise
• Atelier pratique : déployer un microservice Moondream AI sécurisé permettant d’analyser des images localement et valider son fonctionnement avec un scénario métier complet.