▷ Offre de Formation LLM Engineer avec Blent.AI

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Etudiant

Prix

Nous contacter

Durée

Nous contacter

Niveau visé

Non diplômante

Localité

En ligne

Vous pouvez suivre cette formation depuis chez vous ou depuis n’importe quel endroit à distance.

Objectifs

? Maîtriser les fondamentaux avec les embeddings et les architectures Transformers
pour les LLM.
? Adapter les LLM avec des méthodes de fine-tuning sur GPU et adapter le prompting
à différents cas d'usage.
? Mettre en place des techniques de Retrieval Augmented Generation (RAG) et
optimiser les modèles de langage avec la quantization.
? Construire des architectures de flux avec LangChain et intégrer avec des outils et
API tierces.
? Protéger les modèles contre les attaques de jailbreaking et utiliser une stratégie d'AI
Gouvernance.

Programme

1. Cycle de vie d'un projet d'IA Générative
1.1 Maîtriser les différentes étapes du cycle de vie d'un projet d'IA
Générative.
1.2 Utiliser les principales techniques de prompting avec des LLM.
1.3 Comprendre les enjeux liés à l'utilisation des techniques de RAG et
de fine-tuning.
1.4 Proposer des critères d'évaluation pour mesurer la qualité des
réponses générées.
1.5 Identifier les risques liés aux réponses d'un LLM et à son
utilisation malveillante.

2. Embedding et LLM
2.1 Maîtriser l'architecture des modèles de séquence (Seq2Seq) et des
Transformers.
2.2 Comprendre le fonctionnement des embeddings et leurs
algorithmes de conversion en mots.
2.3 Stocker des embeddings en mémoire ou dans des bases de
données vectorielles.
2.4 Exécuter un LLM pré-entraîné (Mistral et Llama) en local ou sur
un GPU avec HuggingFace.

3. Retrieval Augmented Generation
3.1 Construire des pipelines d'entraînement et d'inférence avec
LangChain.
3.2 Personnaliser un LLM pré-entraîné avec des méthodes de
fine-tuning
3.3 Créer des embeddings adaptés à partir d'une base de
connaissance spécifique.
3.4 Utiliser un framework de pipelines de LLM pour construire des
RAG.

4. Intégration de services et API tierces
4.1 Intégrer un LLM avec des applications tierces (Excel, Google
Search).
4.2 Formuler des requêtes sur une base de données SQL à partir de
demandes en langage naturel.
4.3 Utiliser des API tierces pour permettre à un LLM d'effectuer des
actions automatisée.
4.4 Construire un agent conversationnel avec une gestion de la
mémoire et des applications intégrées.

5. Automatisation et déploiement d'applications
5.1 Réaliser une infrastructure permettant d'exécuter un LLM à
grande échelle.
5.2 Utiliser des outils de mise en production et de suivi de LLM.
5.3 Créer des interfaces graphiques pour envoyer des requêtes à un
LLM.
5.4 Construire des systèmes contrôles d'utilisations malveillantes.