Intelligence artificielle et application

La vision par ordinateur (Computer Vision, CV) est un domaine de l'intelligence artificielle (IA) qui permet aux machines d'extraire des informations significatives à partir d'entrées visuelles telles que des images et des vidéos. Avec l'intégration croissante de l'IA générative (GenAI), cette technologie a démontré la capacité de reproduire la créativité humaine. Dans ce cours, nous explorerons les réseaux neuronaux convolutifs (CNN), qui sont au cœur de la vision par ordinateur, ainsi que les méthodes d'apprentissage de représentation comme les autoencodeurs et les autoencodeurs variationnels (VAE) pour aborder les tâches de génération d'images.

L'intelligence artificielle (IA) est une technologie qui transforme progressivement notre manière d'interagir avec le monde. Elle permet aux machines de simuler certaines formes d'intelligence humaine, telles que la perception, l'apprentissage, la prise de décision et même la créativité. Ce cours introduit les concepts fondamentaux de l'IA, ses sous-domaines, ses méthodes d'apprentissage, ainsi que ses applications dans divers secteurs.

Le traitement du langage naturel (NLP) est l'un des domaines les plus populaires de l'intelligence artificielle (IA). Ces dernières années, grâce à des avancées majeures dans les modèles de langage, en particulier les grands modèles de langage (LLM), le NLP a permis aux machines de comprendre, analyser et générer du texte humain avec une précision surprenante. Dans ce cours, nous explorerons les bases du NLP, les architectures transformer sous-jacentes aux LLM, ainsi que les différentes tâches et techniques utilisées dans ce domaine.

Depuis sa sortie en novembre 2022, ChatGPT , développé par OpenAI, a marqué une révolution dans le domaine de l'intelligence artificielle (IA). Ce modèle de langage génératif est devenu l'application la plus rapidement adoptée au monde grâce à ses capacités impressionnantes. Dans ce cours, nous explorerons les bases de ChatGPT, ses fonctionnalités, ainsi que l'importance de l'ingénierie des prompts pour optimiser les interactions avec ces modèles. Nous aborderons également comment créer un environnement d'expérimentation pour les prompts et comprendre les risques liés à la manipulation des modèles.

Les grands modèles de langage (LLM) sont conçus pour fonctionner dans un contexte général où les utilisateurs peuvent poser des questions et recevoir des réponses. Cependant, pour créer une application LLM dans des scénarios réels, les couches au-delà du modèle jouent un rôle crucial. Une application LLM nécessite plusieurs modules pour fonctionner de manière fluide, notamment :

• Modules utilisateur (UI) : Interfaces pour interagir avec les utilisateurs.
• Modules de données (bases de données) : Pour stocker et gérer les informations.
• Modules LLM (modèles et pipelines) : Où le modèle est intégré et utilisé.
• Modules de performance (gestion des files d'attente)  : Pour optimiser les performances.