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 Modèles de langue de petite taille (SLM)
- Vue d'ensemble des modèles linguistiques.
- Évolution des grands modèles vers les Modèles de langue de petite taille.
- Architecture et conception des SLM.
- Avantages et limites des SLM.
Fondements techniques
- Compréhension des réseaux neuronaux et des paramètres.
- Processus d'entraînement des SLM.
- Besoins en données et optimisation des modèles.
- Métriques d'évaluation des modèles linguistiques.
SLM dans le traitement du langage naturel
- Génération de texte avec des SLM.
- Traduction linguistique et localisation.
- Analyse des sentiments et classification de texte.
- Réponse aux questions et chatbots.
Applications réelles des SLM
- Applications mobiles : traitement linguistique sur l'appareil.
- Systèmes embarqués : SLM dans les objets connectés (IoT).
- IA préservant la confidentialité : traitement local des données.
- Informatique en périphérie (edge computing) : SLM dans des environnements à faible latence.
Études de cas
- Analyse de déploiements réussis de SLM.
- Applications spécifiques à un secteur (santé, finance, etc.).
- Étude comparative : SLM vs. grands modèles en production.
Perspectives d'avenir
- Tendances de la recherche sur les SLM.
- Défis du passage à l'échelle et du déploiement.
- Considérations éthiques et IA responsable.
- La route à suivre : les SLM de prochaine génération.
Ateliers pratiques
- Construction d'un SLM simple pour la génération de texte.
- Intégration de SLM dans des applications mobiles.
- Affinement (fine-tuning) de SLM pour des tâches spécifiques.
- Analyse des performances et interprétabilité des modèles.
Projet final
- Identification d'un espace de problèmes pour l'application des SLM.
- Conception et mise en œuvre d'une solution basée sur un SLM.
- Tests et itérations sur le modèle.
- Présentation du projet et des résultats.
Synthèse et prochaines étapes
Pré requis
- Compréhension de base des concepts d'apprentissage automatique.
- Connaissance de la programmation Python.
- Connaissance des réseaux neuronaux et de l'apprentissage profond.
Public visé
- Data scientists
- Développeurs de logiciels
- Passionnés d'intelligence artificielle
14 Heures