IA pour les spécialistes IT - Les fondamentaux

Objectif : Comprendre le paysage technique des modèles d'IA et évaluer les choix d'architecture pour l'entreprise.

• Histoire et taxonomies : Machine Learning, Deep Learning, réseaux de neurones et Transformers.
• Fonctionnement interne des LLM : fenêtres de contexte, paires clés/valeurs, tokens et embeddings.
• Étude comparative des modèles : API propriétaires (OpenAI, Anthropic, Google) vs Modèles Open Source (par exemple Llama, Mistral, Qwen).
• Critères de choix pour l'entreprise : coûts d'inférence, confidentialité, latence et souveraineté.

Atelier pratique : Benchmark de performances et de coûts d'inférence entre 3 modèles sur une tâche technique.

Cas métier : Sélection de l'architecture IA pour une banque d'investissement - Choix entre déploiement souverain sur site (On-Premise) et API Cloud sécurisée.

Compétence acquise : Savoir orienter les choix d'architecture IA de l'entreprise selon les contraintes de coût et de sécurité.

Livrable : Matrice comparative d'architectures IA d'entreprise.

Objectif : Développer des scripts applicatifs d'interconnexion aux modèles via des API et frameworks d'ingénierie.

• Utilisation des SDK et API (OpenAI API, Ollama, Hugging Face Hub).
• Formatage des appels API : paramètres temperature, top_p, max_tokens et génération de sorties JSON structurées.
• Frameworks d'orchestration : prise en main de LangChain et LlamaIndex.
• Traitement des erreurs, gestion du Rate Limiting et stratégies d'essai automatique (Retry Mechanism).

Atelier pratique : Écriture d'un script Python interrogeant une API IA et retournant une réponse JSON validée par Pydantic.

Cas métier : Parsing et catégorisation automatique d'incidents IT - Script d'extraction des métadonnées d'un ticket de support.

Compétence acquise : Savoir intégrer des fonctionnalités d'IA dans des applications existantes via des API propres.

Livrable : Script d'intégration API IA sécurisé et documenté.

Objectif : Concevoir un système d'information augmenté par recherche vectorielle sur les données privées de l'entreprise.

• Principes de l'architecture RAG : du document brut à la réponse contextualisée.
• Découpage de documents (Chunking strategies) et choix des modèles de vectorisation (Embedding Models).
• Utilisation des bases de données vectorielles (ChromaDB, Pinecone, Qdrant, FAISS).
• Mécanismes de recherche par similarité cosinus et recherche hybride (Dense + Sparse / BM25).

Atelier pratique : Création complète d'un pipeline RAG en Python indexant 100 documents techniques d'entreprise.

Cas métier : Moteur de recherche intelligent pour la documentation de la DSI - Recherche vectorielle sur 500 PDF d'architectures SI.

Compétence acquise : Bâtir un système RAG d'entreprise hautement précis sans réentraîner de modèle.

Livrable : Le code source d'un pipeline RAG complet.

Objectif : Adapter un modèle Open Source aux spécificités d'un domaine ou d'un jargon technique d'entreprise.

• Quand utiliser le RAG vs quand effectuer du Fine-Tuning ?
• Préparation et nettoyage des jeux de données d'entraînement (format d'apprentissage supervisé / JSONL).
• Techniques d'adaptation à bas rang : LoRA (Low-Rank Adaptation) et QLoRA (quantification 4-bit).
• Entraînement et évaluation des performances du modèle ajusté.

Atelier pratique : Fine-Tuning guidé d'un modèle léger Open Source (Llama-3-8B) sur un jeu de données de support technique.

Cas métier : Adaptation d'un modèle au jargon d'un système propriétaire - Entraînement sur la documentation d'un logiciel métier spécifique.

Compétence acquise : Savoir préparer un jeu de données et exécuter un Fine-Tuning léger d'un modèle Open Source.

Livrable : Modèle fine-tuné et script d'évaluation.

Objectif : Industrialiser le déploiement et la supervision opérationnelle des solutions IA en production.

• Principes du MLOps et LLMOps : cycle de vie du code, des données et des modèles en production.
• Conteneurisation de microservices IA avec Docker et déploiement sous Kubernetes / Cloud Services.
• Monitoring de la performance : temps de réponse (TTFT - Time To First Token), débit de tokens, taux d'erreurs.
• Détection de la dérive des données (Data Drift) et ré-entraînement automatique.

Atelier pratique : Création de l'image Docker d'une API RAG et configuration du tableau de bord de monitoring sous Prometheus/Grafana.

Cas métier : Mise en production industrielle d'un service d'IA pour 1 000 utilisateurs internes - Déploiement conteneurisé hautement disponible.

Compétence acquise : Savoir industrialiser et superviser un service d'IA en production conformément aux standards MLOps.

Livrable : Fichier Dockerfile, docker-compose.yml et configuration de monitoring.

Objectif : Sécuriser les applications IA contre les attaques informatiques et garantir la conformité technique.

• Le Top 10 des vulnérabilités OWASP pour les LLM (Injection de prompts, fuite de données, déni de service).
• Mise en place de pare-feux de prompts (Prompt Firewalls / Guardrails) avec NeMo Guardrails ou Llama Guard.
• Anonymisation et masquage automatique des données sensibles (PII) avant envoi au modèle.
• Conformité technique avec l'IA Act européen et les exigences de la directive NIS 2.

Atelier pratique : Test d'attaques d'injection de prompts sur une application et mise en place des filtres de protection Guardrails.

Cas métier : Sécurisation d'un chatbot d'assistance bancaire - Blocage des tentatives de contournement de consignes et protection des données clients.

Compétence acquise : Sécuriser une architecture d'IA contre les attaques malveillantes et garantir sa conformité.

Livrable : Le guide de sécurité OWASP LLM Security Check-list et scripts de filtres Guardrails.