Formation Fine-Tuning en Richmond

Cette formation en direct et encadrée par un instructeur à Richmond (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.

This instructor-led, live training in Richmond (online or onsite) is aimed at advanced-level AI maintenance engineers and MLOps professionals who wish to implement robust continual learning pipelines and effective update strategies for deployed, fine-tuned models.

By the end of this training, participants will be able to:

• Design and implement continual learning workflows for deployed models.
• Mitigate catastrophic forgetting through proper training and memory management.
• Automate monitoring and update triggers based on model drift or data changes.
• Integrate model update strategies into existing CI/CD and MLOps pipelines.

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.

This instructor-led, live training in Richmond (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.

By the end of this training, participants will be able to:

• Understand the architecture and pretraining methods of vision-language models.
• Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
• Prepare datasets and apply PEFT strategies to reduce resource usage.
• Evaluate and deploy customized VLMs in production environments.

This instructor-led, live training in Richmond (online or onsite) is aimed at intermediate-level ML engineers and AI compliance professionals who wish to identify, evaluate, and reduce safety risks and biases in fine-tuned language models.

By the end of this training, participants will be able to:

• Understand the ethical and regulatory context for safe AI systems.
• Identify and evaluate common forms of bias in fine-tuned models.
• Apply bias mitigation techniques during and after training.
• Design and audit models for safety, transparency, and fairness.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse 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 liés à la réponse aux questions, à la recherche d'entreprise et à la synthèse.

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

• Comprendre l'architecture et le flux de travail des systèmes RAG.
• Affiner les composants récupérateur et générateur pour des données spécifiques au domaine.
• Évaluer la performance RAG et appliquer des améliorations grâce aux techniques PEFT.
• Déployer des systèmes RAG optimisés pour un usage interne ou en production.

Cette formation en direct, animée par un formateur (en ligne ou sur site) s'adresse aux praticiens intermédiaires de l'apprentissage machine et aux développeurs IA qui souhaitent affiner et déployer des modèles à poids ouverts comme LLaMA, Mistral et Qwen pour des applications spécifiques d'affaires ou internes.

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

• Comprendre l'écosystème et les différences entre les modèles LLM open source.
• Préparer des jeux de données et des configurations d'affinement pour des modèles comme LLaMA, Mistral et Qwen.
• Exécuter des pipelines d'affinement en utilisant Hugging Face Transformers et PEFT.
• Évaluer, sauvegarder et déployer des modèles affinés 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 Richmond (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 Richmond (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 Richmond (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 Richmond (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 Richmond (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 Richmond (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 Richmond (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 Richmond (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'affinement de grands modèles et la gestion des prompts, permettant aux développeurs et équipes de données d'optimiser la précision des modèles, de rationaliser les workflows d'itération et de garantir une évaluation rigoureuse grâce à des bibliothèques et services intégrés.

Cette formation en direct (en ligne ou sur site) animée par un formateur est destinée aux praticiens intermédiaires et avancés souhaitant améliorer les performances et la fiabilité des applications d'IA générative grâce à l'affinement supervisé, la gestion de versions des prompts et les services d'évaluation dans Vertex AI.

A la fin de cette formation, les participants seront en mesure de :

• Appliquer des techniques d'affinement supervisé aux modèles Gemini dans Vertex AI.
• Mettre en œuvre des workflows de gestion des prompts, y compris la version et les tests.
• Tirer parti des bibliothèques d'évaluation pour benchmarker et optimiser les performances de l'IA.
• Déployer et surveiller les modèles améliorés dans des environnements de production.

Format du cours

• Cours interactif et discussion.
• Ateliers pratiques avec les outils d'affinement et de gestion des prompts de Vertex AI.
• Dossiers de cas sur l'optimisation de modèles dans l'entreprise.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour en faire la demande.

Cette formation en direct avec instructeur en Richmond (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 Richmond (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 Richmond (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 Richmond (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.