Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction aux LLM et à l'IA générative
- Exploration des techniques et des modèles
- Discuter des applications et des cas d'utilisation
- Identifier les défis et les limites
Utilisation des LLM pour les tâches NLU
- Analyse des sentiments
- Reconnaissance des entités nommées
- Extraction de relations
- Analyse sémantique
Utilisation des LLM pour les tâches NLI
- Détection de détail
- Détection de contradictions
- Détection de paraphrases
Utilisation des LLM pour les graphes de connaissances
- Extraction de faits et de relations à partir d'un texte
- Inférer des faits manquants ou nouveaux
- Utilisation des graphes de connaissances pour des tâches en aval
Utilisation des LLM pour le raisonnement sensé
- Générer des explications, des hypothèses et des scénarios plausibles
- Utilisation de bases de connaissances et d'ensembles de données fondés sur le bon sens
- Évaluer le raisonnement par le bon sens
Utilisation des LLM pour la génération de dialogues
- Générer des dialogues avec des agents conversationnels, des chatbots et des assistants virtuels
- Gestion des dialogues
- Utilisation d'ensembles de données et d'indicateurs de dialogue
Utilisation des LLM pour la génération multimodale
- Générer des images à partir de textes
- Génération de texte à partir d'images
- Génération de vidéos à partir de textes ou d'images
- Génération d'audio à partir de texte
- Génération de texte à partir d'audio
- Génération de modèles 3D à partir de textes ou d'images
Utilisation des LLM pour le méta-apprentissage
- Adaptation des LLM à de nouveaux domaines, tâches ou langages
- Apprentissage à partir d'exemples peu nombreux ou inexistants
- Utilisation d'ensembles de données et de cadres de méta-apprentissage et d'apprentissage par transfert
Utilisation des LLM pour l'apprentissage contradictoire
- Défendre les LLM contre les attaques malveillantes
- Détecter et atténuer les biais et les erreurs dans les LLM
- Utilisation d'ensembles de données et de méthodes d'apprentissage contradictoire et de robustesse
Évaluation des LLM et de l'IA générative
- Évaluer la qualité et la diversité du contenu
- Utilisation de mesures telles que le score d'inception, la distance d'inception de Fréchet et le score BLEU
- Utilisation de méthodes d'évaluation humaine telles que le crowdsourcing et les enquêtes
- Utilisation de méthodes d'évaluation contradictoires telles que les tests de Turing et les discriminateurs
Application des principes éthiques aux LLM et à l'IA générative
- Garantir l'équité et la responsabilité
- Éviter les abus et les mauvais usages
- Respecter les droits et la vie privée des créateurs de contenu et des consommateurs
- Favoriser la créativité et la collaboration entre l'homme et l'IA
Résumé et prochaines étapes
Pré requis
- Compréhension des concepts et de la terminologie de base de l'IA
- Expérience de la programmation Python et de l'analyse de données
- Familiarité avec les cadres d'apprentissage profond tels que TensorFlow ou PyTorch
- Une compréhension des bases des LLM et de leurs applications.
Audience
- Scientifiques des données
- Développeurs d'IA
- Passionnés d'IA
21 Heures