Formation Fine-Tuning en Dartmouth

Cette formation en direct et encadrée par un instructeur à Dartmouth (en ligne ou sur place) s'adresse aux ingénieurs AI de défense de niveau avancé et aux développeurs de technologies militaires qui souhaitent affiner les modèles d'apprentissage profond pour une utilisation dans des véhicules autonomes, des drones et des systèmes de surveillance tout en respectant des normes de sécurité et de fiabilité strictes.

À la fin de cette formation, les participants seront capables de :

• Affiner les modèles de vision par ordinateur et de fusion de capteurs pour les tâches de surveillance et de ciblage.
• Adapter les systèmes AI autonomes aux environnements changeants et aux profils des missions.
• Mettre en œuvre des mécanismes robustes de validation et d'auto-sauvegarde dans les pipelines de modèles.
• Assurer la conformité avec les normes spécifiques à la défense en matière de compliance, de sécurité et de sûreté.

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs intermédiaires de technologie juridique et développeurs d'IA qui souhaitent affiner les modèles de langage pour des tâches comme l'analyse des contrats, l'extraction de clauses et la recherche juridique automatisée dans des environnements de services juridiques.

À la fin de cette formation, les participants seront capables de :

• Préparer et nettoyer des documents juridiques pour l'affinement des modèles NLP.
• Appliquer des stratégies d'affinement pour améliorer la précision du modèle sur les tâches juridiques.
• Déployer des modèles pour assister à la révision, à la classification et à la recherche de contrats.
• S'assurer de la conformité, de l'auditabilité et de la traçabilité des sorties d'IA dans les contextes juridiques.

Ce cours en direct, dirigé par un formateur (en ligne ou sur place) s'adresse aux développeurs d'intelligence artificielle médicale et aux scientifiques des données de niveau intermédiaire à avancé qui souhaitent affiner les modèles pour le diagnostic clinique, la prédiction de maladies et la prévision des résultats des patients en utilisant des données médicales structurées et non structurées.

À l'issue de ce cours, les participants seront capables de :

• Affiner des modèles IA sur des jeux de données de santé tels que les EMR, les images médicales et les données temporelles.
• Appliquer l'apprentissage par transfert, l'adaptation du domaine et la compression du modèle dans un contexte médical.
• Traiter la confidentialité, le biais et la conformité réglementaire lors du développement des modèles.
• Déployer et surveiller les modèles affinés dans des environnements médicaux réels.

Ce cours interactif en direct (en ligne ou sur site) est destiné aux scientifiques des données et ingénieurs AI de niveau avancé dans le secteur financier qui souhaitent affiner les modèles pour des applications telles que l'évaluation du crédit, la détection de fraude et la modélisation des risques en utilisant des données financières spécifiques au domaine.

À la fin de ce cours, les participants seront capables de :

• Affiner les modèles AI sur des jeux de données financiers pour une meilleure prédiction de fraude et de risque.
• Appliquer des techniques telles que l'apprentissage par transfert, LoRA et la régularisation pour améliorer l'efficacité du modèle.
• Intégrer les considérations de conformité financière dans le processus de modélisation AI.
• Déployer des modèles affinés pour une utilisation en production sur des plateformes de services financiers.

Ce cours de formation dirigé par un instructeur en Dartmouth (en ligne ou sur site) est destiné aux ingénieurs d'entretien AI et aux professionnels MLOps de niveau avancé qui souhaitent mettre en œuvre des pipelines de apprentissage continu robustes et des stratégies de mise à jour efficaces pour les modèles déployés et affinés.

À la fin de cette formation, les participants seront capables de :

• Concevoir et mettre en œuvre des flux de travail d'apprentissage continu pour les modèles déployés.
• Atténuer l'oubli catastrophique grâce à une gestion appropriée de la formation et de la mémoire.
• Automatiser le suivi et les déclencheurs de mise à jour en fonction du drift du modèle ou des changements de données.
• Intégrer des stratégies de mise à jour de modèles dans les pipelines CI/CD et MLOps existants.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs AI embarqués de niveau intermédiaire et aux spécialistes du calcul à la périphérie qui souhaitent affiner et optimiser des modèles d'IA légers pour leur déploiement sur des dispositifs limités en ressources.

À la fin de cette formation, les participants seront capables de :

• Sélectionner et adapter des modèles pré-entraînés appropriés pour le déploiement à la périphérie.
• Appliquer quantification, élagage et autres techniques de compression pour réduire la taille du modèle et la latence.
• Affiner les modèles en utilisant l'apprentissage par transfert pour une performance spécifique à la tâche.
• Déployer des modèles optimisés sur des plateformes matérielles réelles à la périphérie.

Cette formation en présentiel dirigée par un instructeur à Dartmouth (en ligne ou sur site) est destinée aux ingénieurs de vision par ordinateur et aux développeurs d'IA de niveau avancé qui souhaitent affiner des modèles langage-vision (VLMs) tels que CLIP et Flamingo pour améliorer les performances sur des tâches spécifiques à l'industrie.

À la fin de cette formation, les participants seront capables de :

• Comprendre l'architecture et les méthodes de préformation des modèles langage-vision.
• Affiner les VLMs pour la classification, la recherche, la légendisation ou le Q&R multimodal.
• Préparer des ensembles de données et appliquer des stratégies PEFT pour réduire l'utilisation de ressources.
• Évaluer et déployer des VLMs personnalisés dans des environnements de production.

Ce cours encadré par un instructeur, en direct à Dartmouth (en ligne ou sur site), est destiné aux ingénieurs ML intermédiaires et aux professionnels de la conformité AI qui souhaitent identifier, évaluer et réduire les risques pour la sécurité et les biais dans les modèles de langage affinés.

À la fin de ce cours, les participants seront en mesure de :

• Comprendre le contexte éthique et réglementaire des systèmes AI sûrs.
• Identifier et évaluer les formes courantes de biais dans les modèles affinés.
• Appliquer des techniques d'atténuation des biais pendant et après la formation.
• Concevoir et auditer des modèles pour la sécurité, la transparence et l'équité.

Cette formation dirigée par un instructeur et en direct à Dartmouth (en ligne ou sur site) est destinée aux ingénieurs NLP de niveau intermédiaire et aux équipes de gestion des connaissances qui souhaitent affiner les pipelines RAG pour améliorer les performances dans les cas d'utilisation de réponse aux questions, de recherche d'entreprise et de résumé.

À la fin de cette formation, les participants seront capables de :

• Comprendre l'architecture et le flux de travail des systèmes RAG.
• Affiner les composants retriever et generator pour des données spécifiques à un domaine.
• Évaluer les performances RAG et appliquer des améliorations grâce aux techniques PEFT.
• Déployer des systèmes RAG optimisés pour une utilisation interne ou en production.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux praticiens de l'IA et développeurs d'AI de niveau intermédiaire qui souhaitent ajuster finement et déployer des modèles à poids ouverts tels que LLaMA, Mistral et Qwen pour des applications commerciales spécifiques ou internes.

À la fin de cette formation, les participants seront capables de :

• Comprendre l'écosystème et les différences entre les grands modèles de langage open source (LLMs).
• Préparer des ensembles de données et des configurations d'ajustement fin pour des modèles tels que LLaMA, Mistral et Qwen.
• Exécuter des pipelines d'ajustement fin avec Hugging Face Transformers et PEFT.
• Évaluer, sauvegarder et déployer des modèles ajustés finement dans des environnements sécurisés.

Cette formation en direct, animée par un formateur (en ligne ou sur site) est destinée aux scientifiques des données et ingénieurs IA de niveau intermédiaire qui souhaitent affiner les grands modèles de langage de manière plus abordable et efficace en utilisant des méthodes comme LoRA, Adapter Tuning et Prefix Tuning.

À la fin de cette formation, les participants seront capables de :

• Comprendre la théorie derrière les approches d'affinement paramétrique efficace.
• Mettre en œuvre LoRA, Adapter Tuning et Prefix Tuning à l'aide de Hugging Face PEFT.
• Comparer les avantages et inconvénients en termes de performance et de coût des méthodes PEFT par rapport à un affinement complet.
• Déployer et échelonner les modèles de langage affinés avec une réduction des besoins en calcul et en stockage.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux ingénieurs intermédiaires et avancés en apprentissage automatique, développeurs IA et scientifiques des données qui souhaitent apprendre à utiliser QLoRA pour ajuster efficacement de grands modèles à des tâches spécifiques et des personnalisations.

À la fin de cette formation, les participants seront capables de :

• Comprendre la théorie derrière QLoRA et les techniques de quantification pour les LLM (Large Language Models).
• Mettre en œuvre QLoRA pour l'ajustement fin de grands modèles de langage dans des applications spécifiques à un domaine.
• Optimiser la performance de l'ajustement fin sur des ressources informatiques limitées en utilisant la quantification.
• Déployer et évaluer efficacement les modèles ajustés fin dans des applications du monde réel.

Cette formation en direct, animée par un formateur dans Dartmouth (en ligne ou sur site), s'adresse aux ingénieurs de haut niveau en apprentissage automatique et aux chercheurs en IA qui souhaitent appliquer la RLHF pour affiner les grands modèles d'IA afin d'améliorer leurs performances, leur sécurité et leur alignement.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les fondements théoriques de la RLHF et pourquoi elle est essentielle dans le développement moderne de l'IA.
• Mettre en œuvre des modèles de récompense basés sur les retours humains pour guider les processus d'apprentissage par renforcement.
• Affiner les grands modèles de langage en utilisant des techniques de RLHF pour aligner leurs sorties avec les préférences humaines.
• Appliquer les meilleures pratiques pour échelonner les workflows de la RLHF pour les systèmes d'IA de production.

Cette formation en direct avec instructeur à Dartmouth (en ligne ou sur place) est destinée aux professionnels de niveau intermédiaire qui souhaitent acquérir des compétences pratiques dans la personnalisation des modèles d'IA pour des tâches financières critiques.

A l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes fondamentaux de la mise au point pour les applications financières.
• Exploiter des modèles pré-entraînés pour des tâches spécifiques au domaine de la finance.
• Appliquer des techniques de détection des fraudes, d'évaluation des risques et de génération de conseils financiers.
• Assurer la conformité avec les réglementations financières telles que GDPR et SOX.
• Mettre en œuvre la sécurité des données et les pratiques éthiques de l'IA dans les applications financières.

Cette formation en direct avec instructeur en Dartmouth (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent affiner leurs compétences en matière de diagnostic et de résolution des problèmes de réglage fin pour les modèles d'apprentissage automatique.

A l'issue de cette formation, les participants seront capables de :

• Diagnostiquer des problèmes tels que l'overfitting, l'underfitting et le déséquilibre des données.
• Mettre en œuvre des stratégies pour améliorer la convergence des modèles.
• Optimiser les pipelines de réglage fin pour de meilleures performances.
• Déboguer les processus de formation à l'aide d'outils et de techniques pratiques.

Cette formation en direct avec instructeur en Dartmouth (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent maîtriser les techniques d'optimisation de grands modèles pour un réglage fin rentable dans des scénarios du monde réel.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les défis liés à la mise au point de grands modèles.
• Appliquer les techniques de formation distribuée aux grands modèles.
• Tirer parti de la quantification et de l'élagage des modèles pour plus d'efficacité.
• Optimiser l'utilisation du matériel pour les tâches de réglage fin.
• Déployer efficacement des modèles affinés dans des environnements de production.

Cette formation en direct avec instructeur dans Dartmouth (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire qui souhaitent tirer parti de la puissance de l'ingénierie rapide et de l'apprentissage à court terme afin d'optimiser les performances du LLM pour des applications du monde réel.

A l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de l'ingénierie des messages-guides et de l'apprentissage à court terme.
• Concevoir des messages-guides efficaces pour diverses tâches NLP.
• Tirer parti des techniques d'apprentissage à court terme pour adapter les LLM avec un minimum de données.
• Optimiser les performances des LLM pour des applications pratiques.

Cette formation en direct dans Dartmouth (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent maîtriser la mise au point de modèles multimodaux pour des solutions innovantes en matière d'IA.

A l'issue de cette formation, les participants seront capables de :

• Comprendre l'architecture des modèles multimodaux tels que CLIP et Flamingo.
• Préparer et prétraiter efficacement des ensembles de données multimodales.
• Affiner les modèles multimodaux pour des tâches spécifiques.
• Optimiser les modèles pour des applications et des performances réelles.

Cette formation en direct (en ligne ou sur site) est destinée aux chercheurs avancés en IA, aux ingénieurs en apprentissage automatique et aux développeurs qui souhaitent affiner les modèles DeepSeek LLM pour créer des applications d'IA spécialisées adaptées à des industries, domaines ou besoins commerciaux spécifiques.

À la fin de cette formation, les participants seront capables de :

• Comprendre l'architecture et les capacités des modèles DeepSeek, y compris DeepSeek-R1 et DeepSeek-V3.
• Préparer les jeux de données et prétraiter les données pour l'affinement.
• Affiner les modèles DeepSeek LLM pour des applications spécifiques à un domaine.
• Optimiser et déployer efficacement les modèles affinés.

Cette formation en direct avec instructeur en Dartmouth (en ligne ou sur place) est destinée aux professionnels de niveau avancé qui souhaitent déployer des modèles affinés de manière fiable et efficace.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les défis liés au déploiement de modèles finement ajustés en production.
• Conteneuriser et déployer des modèles en utilisant des outils comme Docker et Kubernetes.
• Mettre en œuvre la surveillance et la journalisation pour les modèles déployés.
• Optimiser les modèles pour la latence et l'extensibilité dans des scénarios réels.

Cette formation en direct avec instructeur en Dartmouth (en ligne ou sur site) est destinée aux professionnels de l'apprentissage automatique de niveau avancé qui souhaitent maîtriser les techniques de pointe de l'apprentissage par transfert et les appliquer à des problèmes complexes du monde réel.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts et méthodologies avancés de l'apprentissage par transfert.
• Mettre en œuvre des techniques d'adaptation spécifiques à un domaine pour les modèles pré-entraînés.
• Appliquer l'apprentissage continu pour gérer des tâches et des ensembles de données en constante évolution.
• Maîtriser le réglage fin multi-tâches pour améliorer les performances des modèles à travers les tâches.

Vertex AI fournit des outils avancés pour l'ajustement fin des grands modèles et la gestion des prompts, permettant aux développeurs et aux équipes de données d'optimiser la précision des modèles, de rationaliser les workflows d'itération et de garantir une évaluation rigoureuse grâce à ses bibliothèques et services intégrés.

Cette formation dirigée par un instructeur (en ligne ou sur site) s'adresse aux praticiens de niveau intermédiaire à avancé qui souhaitent améliorer les performances et la fiabilité des applications d'IA générative en utilisant l'ajustement fin supervisé, la gestion des versions des prompts et les services d'évaluation dans Vertex AI.

À la fin de cette formation, les participants seront capables de :

• Appliquer des techniques d'ajustement fin supervisé aux modèles Gemini dans Vertex AI.
• Mettre en œuvre des workflows de gestion des prompts incluant la versioning et les tests.
• Utiliser les bibliothèques d'évaluation pour évaluer et optimiser les performances de l'IA.
• Déployer et surveiller les modèles améliorés dans des environnements de production.

Format du cours

• Cours interactif avec discussion.
• Laboratoires pratiques avec les outils d'ajustement fin et de gestion des prompts de Vertex AI.
• Études de cas sur l'optimisation des modèles d'entreprise.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser un rendez-vous.

Cette formation en direct avec instructeur en Dartmouth (en ligne ou sur site) s'adresse aux professionnels de l'apprentissage automatique de niveau débutant à intermédiaire qui souhaitent comprendre et appliquer les techniques d'apprentissage par transfert pour améliorer l'efficacité et la performance des projets d'IA.

A l'issue de cette formation, les participants seront en mesure de :

• Comprendre les concepts fondamentaux et les avantages de l'apprentissage par transfert.
• Explorer les modèles pré-entraînés populaires et leurs applications.
• Effectuer un réglage fin des modèles pré-entraînés pour des tâches personnalisées.
• Appliquer l'apprentissage par transfert pour résoudre des problèmes réels en NLP et en vision par ordinateur.

Cette formation en Dartmouth (en ligne ou sur site) s'adresse aux développeurs de niveau intermédiaire et aux praticiens de l'IA qui souhaitent mettre en œuvre des stratégies de réglage fin pour de grands modèles sans avoir besoin de ressources informatiques considérables.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de l'adaptation de faible rang (LoRA).
• Mettre en œuvre la LoRA pour un réglage fin efficace des grands modèles.
• Optimiser le réglage fin pour les environnements à ressources limitées.
• Évaluer et déployer des modèles ajustés par LoRA pour des applications pratiques.

Cette formation en direct avec instructeur dans Dartmouth (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire à avancé qui souhaitent personnaliser des modèles pré-entraînés pour des tâches et des ensembles de données spécifiques.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes du réglage fin et ses applications.
• Préparer des ensembles de données pour affiner les modèles pré-entraînés.
• Affiner les grands modèles de langage (LLM) pour les tâches de NLP.
• Optimiser les performances des modèles et relever les défis les plus courants.

Cette formation en Dartmouth (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent améliorer leurs projets NLP en affinant efficacement les modèles de langage pré-entraînés.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de la mise au point pour les tâches de TAL.
• Affiner les modèles pré-entraînés tels que GPT, BERT, et T5 pour des applications NLP spécifiques.
• Optimiser les hyperparamètres pour améliorer les performances des modèles.
• Évaluer et déployer des modèles affinés dans des scénarios réels.