Intelligence artificielle générative et ses applications - 8IAR201

• Tous les cours
• Départements
• Premier cycle
• Cycles supérieurs
• Recherche par critères

(3.0 cr.)

Objectifs principaux :

• 1. Comprendre et identifier les principes, limites et applications des modèles et architectures d'IA générative avancés (ex. : LLM, agents, et autres frameworks émergents).
• 2. Appliquer et implémenter ces outils dans des projets professionnels.
• 3. Analyser et évaluer les implications techniques, éthiques et sociales de ces systèmes pour concevoir des solutions responsables et utilisables.

Objectifs spécifiques :

• 1.1 Expliquer les mécanismes de base des LLM (ex : architecture transformer, tokenisation, mémoire contextuelle, échantillonnage.)
• 1.2 Discuter des limites techniques (ex : biais, coûts de calcul, dépendance au prompt)
• 1.3 Décrire les systèmes hybrides (ex : RAG, agents à mémoire et outils, modèles multimodaux)
• 1.4 Comparer ces systèmes sur différents axes de performance

• 2.1 Concevoir des requêtes simples pour générer du texte structuré
• 2.2. Utiliser des techniques avancées de formulation de requêtes nécessitant une orchestration logicielle des interactions avec les modèles
• 2.3 Développer des applications intégrant des technologies de pointes appropriée au domaine d'application (ex : modèles multimodaux, agents autonomes)
• 2.4 Évaluer les options de déploiement (ex : serveurs locaux vs clouds)
• 2.5 Considérer des principes d'utilisabilité dans la conception de logiciels impliquant de l'IA générative.
• 2.6 Tester et améliorer des systèmes via de la rétroaction des utilisateurs.

• 3.1 Analyser les défis liés à la coordination d'agents, la mémoire contextuelle ou la gestion des erreurs dans les systèmes impliquant l'IA générative.
• 3.2. Identifier les biais dans les données ou les requêtes, et proposer des solutions (ex : diversification des sources)
• 3.3. Intégrer des mécanismes d'explicabilité et de transparence dans les systèmes utilisant l'IA générative.

Introduction à l'IA générative; grands modèles de langage (LLM); architecture commune des LLM; paramètres d'inférence; déploiement des modèles d'IA générative; formulation des requêtes de base; formulation des requêtes avancée; génération augmentée par la recherche (retrieval augmented generation RAG); systèmes agentiques; cadriciel d'orchestration des LLM; cadriciel de test de logiciels impliquant les LLM; utilisabilité; explicabilité; gestion des erreurs; biais algorithmique. Le monde de l'IA générative évolue extrêmement rapidement. Ce cours intègre les technologies émergentes au fur et à mesure de leur apparition, tout en s'appuyant sur des principes pérennes pour garantir une formation toujours d'actualité.

Préalable(s): (8PRO128)

Formule pédagogique : Magistral et/ou formation à distance

---

Programmes dans lesquels se trouve ce cours