Prenez contact avec nous

Plan du cours

Introduction aux LLM et à l'IA générative

  • Exploration des techniques et des modèles
  • Discussion sur les applications et les cas d'utilisation
  • Identification des défis et des limites

Utilisation des LLM pour des tâches de CLN

  • Analyse des sentiments
  • Reconnaissance d'entités nommées
  • Extraction de relations
  • Interprétation sémantique

Utilisation des LLM pour des tâches d'ILN

  • Détection d'entailment (implication logique)
  • Détection de contradiction
  • Détection de paraphrase

Utilisation des LLM pour les graphes de connaissances

  • Extraction de faits et de relations à partir de texte
  • Inférence de faits manquants ou nouveaux
  • Utilisation des graphes de connaissances pour des tâches en aval

Utilisation des LLM pour le raisonnement du sens commun

  • Génération d'explications, d'hypothèses et de scénarios plausibles
  • Utilisation de bases de connaissances et d'ensembles de données sur le sens commun
  • Évaluation du raisonnement du sens commun

Utilisation des LLM pour la génération de dialogues

  • Génération de dialogues avec des agents conversationnels, des chatbots et des assistants virtuels
  • Gestion des dialogues
  • Utilisation d'ensembles de données et de métriques de dialogue

Utilisation des LLM pour la génération multimodale

  • Génération d'images à partir de texte
  • Génération de texte à partir d'images
  • Génération de vidéos à partir de texte ou d'images
  • Génération d'audio à partir de texte
  • Génération de texte à partir d'audio
  • Génération de modèles 3D à partir de texte ou d'images

Utilisation des LLM pour l'apprentissage métabole

  • Adaptation des LLM à de nouveaux domaines, tâches ou langues
  • Apprentissage à partir d'exemples avec peu d'exemples ou sans exemples (few-shot/zero-shot)
  • Utilisation d'ensembles de données et de frameworks d'apprentissage métabole et d'apprentissage par transfert

Utilisation des LLM pour l'apprentissage adversarial

  • Défense des LLM contre les attaques malveillantes
  • Détection et atténuation des biais et des erreurs dans les LLM
  • Utilisation d'ensembles de données et de méthodes d'apprentissage adversarial et de robustesse

Évaluation des LLM et de l'IA générative

  • Évaluation de la qualité et de la diversité du contenu
  • Utilisation de métriques telles que l'inception score, la distance d'inception Fréchet et le score BLEU
  • Méthodes d'évaluation humaine telles que le crowdsourcing et les enquêtes
  • Méthodes d'évaluation adversarialles telles que les tests de Turing et les discriminateurs

Application des principes éthiques pour les LLM et l'IA générative

  • Garantir l'équité et la responsabilisation
  • Éviter les mauvais usages et les abus
  • Respecter les droits et la vie privée des créateurs et des consommateurs de contenu
  • Favoriser la créativité et la collaboration entre l'humain et l'IA

Résumé et prochaines étapes

Pré requis

  • Une compréhension des concepts de base de l'IA et de sa terminologie
  • De l'expérience en programmation Python et en analyse de données
  • Une familiarité avec les frameworks 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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires