Maîtriser les LLM et le RAG
pour l’IA Générative
(3 jours)

❬Retour aux formations

Les Large Language Model (LLM) transforment le traitement du langage naturel (NLP).
Ces modèles basés sur l’architecture Transformers offrent des avantages considérables en termes de compréhension et de génération du langage naturel.
Cependant, ces modèles ont encore beaucoup de défis à relever. Ils ont des connaissances limitées aux données sur lesquelles ils se sont entraînés et ils peuvent parfois générer des informations incorrectes ou inventées, appelées hallucinations. Sans oublier, que l'entraînement et l'utilisation de ces LLM peuvent être coûteux en termes de puissance de calcul et de ressources.
Le Retrieval Augmented Generation (RAG) marque une étape importante dans l'évolution du NLP en permettant de dépasser les limitations des modèles de langage traditionnels. Grâce à l'intégration de connaissances externes, ces systèmes permettent d’obtenir des réponses plus précises, factuelles et pertinentes en s’appuyant sur des informations à jour et vérifiées.

A l’issue de cette formation, vous serez en capacité de comprendre comment les modèles de langage peuvent être rendus plus précis, plus fiables et plus polyvalents.
Vous serez en mesure de concevoir et de mettre en œuvre des systèmes RAG pour améliorer les chatbots, les moteurs de recherche, les assistants virtuels et bien d’autres applications.

Objectifs

• Comprendre les bases théoriques et pratiques des LLM
• Connaître les enjeux et les limites des LLM
• Maîtriser les fondements de l’architecture RAG
• Construire des systèmes RAG performants, de l'indexation à la génération
• Savoir évaluer et optimiser les systèmes RAG grâce à des techniques avancées
• Développer des applications et agents basés sur les LLM avec LangChain

Méthode pédagogique

• Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
• Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
• Une synthèse est proposée en fin de formation.
• Une évaluation à chaud sera proposée au stagiaire à la fin du cours.
• Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
• Une feuille d’émargement par demi-journée de présence est fournie en fin de formation ainsi qu’une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.
• Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.

Pré-requis

La connaissance du langage Python est nécessaire. Des bases en machine learning sont requises.

Programme

Large Language Models (LLM)

LangChain

Fondements du RAG

Pipeline d’injection

Pipeline de génération

Evaluation des Systèmes RAG

Optimisation des Systèmes RAG