Prenez contact avec nous

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires