Formation Intelligence Artificielle pour les spécialistes de l'IT

Comprendre l'Intelligence Artificielle et ses enjeux

• L'IA regroupe les technologies capables de simuler des processus cognitifs humains.
• Quels sont les facteurs qui ont permis l'explosion récente de l'IA en entreprise ?
• Distinction entre intelligence artificielle, machine learning et deep learning.
• Évolution historique, des systèmes experts aux modèles génératifs actuels.
• Panorama des principaux cas d'usage métier : prédiction, classification, vision, NLP, génération.

Panorama des familles d'algorithmes de Machine Learning

• Présentation des trois grandes familles : supervisé, non supervisé, par renforcement.
• Algorithmes phares : régression, arbres de décision, forêts aléatoires, méthodes d'ensemble.
• Comment choisir le bon algorithme en fonction du problème métier à résoudre ?
• Cycle de vie d'un projet ML, de la donnée brute à la mise en production.
• Notions clés : surapprentissage, validation croisée, métriques d'évaluation.

Introduction au Deep Learning et aux réseaux de neurones

• Architectures fondamentales : perceptron, réseaux denses, convolutifs, récurrents.
• Principes de l'entraînement et de la rétropropagation du gradient.
• Pourquoi les réseaux profonds dominent-ils sur la vision et le langage naturel ?
• Frameworks de référence en entreprise : TensorFlow et PyTorch.
• Notions de modèle pré-entraîné et de transfer learning.

Comprendre les Large Language Models (LLM)

• Architecture Transformer et mécanisme d'attention au cœur des LLM modernes.
• Principe de l'entraînement par prédiction du prochain token.
• Quelle différence entre un modèle de fondation, un modèle instruit et un modèle aligné par RLHF ?
• Comparaison des principaux modèles du marché : GPT, Claude, Gemini, Mistral, Llama.
• Notions de contexte, de tokens et de température pour anticiper les coûts d'un projet.

Maîtriser le prompt engineering et les techniques avancées

• Le prompt engineering comme discipline structurée autour de patterns reproductibles.
• Techniques zero-shot, few-shot, chain-of-thought et approches structurées comme ReAct.
• Rédaction de prompts système robustes et gestion fine du contexte.
• Quels sont les pièges classiques à anticiper dans un projet basé sur les LLM ?
• Identification des hallucinations, dérives et sensibilité aux formulations.

Architectures RAG (Retrieval-Augmented Generation)

• Le RAG, architecture de référence pour exploiter un LLM avec des données métier.
• Chaîne d'embedding, indexation vectorielle et récupération contextuelle.
• Comment choisir entre Pinecone, Weaviate, Chroma ou pgvector pour la base vectorielle ?
• Stratégies de chunking, techniques de re-ranking et bonnes pratiques d'évaluation.
• Frameworks d'orchestration : LangChain et LlamaIndex en contexte de production.

Agents intelligents et protocole MCP

• Les agents intelligents : évolution des LLM vers l'autonomie d'action.
• Architectures multi-agents et boucles de raisonnement-action.
• Frameworks émergents : LangGraph, CrewAI, AutoGen.
• En quoi le Model Context Protocol simplifie-t-il l'intégration d'outils dans un agent ?
• Implications architecturales et cas d'usage concrets en entreprise.

L'AI Act et le cadre juridique européen

• L'AI Act impose un cadre normatif structurant pour tous les projets IA en Europe.
• Approche par niveaux de risque : inacceptable, élevé, limité, minimal.
• Quelles obligations concrètes pour un chef de projet pilotant un système IA en production ?
• Cas particulier des modèles à usage général (GPAI) et des fournisseurs.
• Calendrier d'application progressive et sanctions encourues en cas de non-conformité.

Éthique, explicabilité et interprétabilité des modèles

• Les enjeux éthiques engagent la responsabilité des concepteurs au-delà du cadre réglementaire.
• Biais algorithmiques : sources et techniques de mitigation.
• Approches majeures de l'explicabilité (XAI) : SHAP, LIME, attention visualization.
• Comment garantir l'interprétabilité d'un modèle utilisé pour des décisions à fort impact ?
• Notions de fairness, transparence et gouvernance des modèles en entreprise.

Sécurité et risques spécifiques aux systèmes IA

• Les systèmes IA introduisent des surfaces d'attaque inédites à connaître.
• Principales menaces : prompt injection, data poisoning, model extraction, jailbreak.
• Bonnes pratiques de sécurisation : sandboxing, filtrage, monitoring continu.
• Quels risques spécifiques liés aux agents autonomes capables d'agir sur des systèmes réels ?
• Intégration de la sécurité IA dans un cycle DevSecOps moderne.

Atelier de prospective : usages émergents et innovations à venir

• Atelier de réflexion collective sur les évolutions à anticiper.
• Tendances émergentes : IA multimodale, modèles raisonneurs, agents persistants.
• Montée en puissance des small language models et de l'IA embarquée.
• Comment ces innovations vont-elles transformer les architectures IT à 3-5 ans ?
• Travail en sous-groupes sur des scénarios prospectifs appliqués au contexte professionnel.