Formation Perfectionnement en Waterloo

Cette formation animée par un instructeur, en direct Waterloo (en ligne ou sur place), s'adresse aux ingénieurs en IA de défense de niveau avancé et aux développeurs de technologies militaires souhaitant ajuster finement des modèles d'apprentissage profond pour une utilisation dans des véhicules autonomes, des drones et des systèmes de surveillance, tout en respectant des normes strictes de sécurité et de fiabilité.

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

• Ajuster finement les modèles de vision par ordinateur et de fusion de capteurs pour les tâches de surveillance et de ciblage.
• Adapter les systèmes d'IA autonomes aux environnements changeants et aux profils de mission.
• Mettre en œuvre des mécanismes de validation robustes et de sécurité dans les pipelines de modèles.
• Garantir l'alignement avec les normes de conformité, de sécurité et de sûreté spécifiques à la défense.

Cette formation en direct, encadrée par un formateur en Waterloo (en ligne ou sur site), s'adresse aux ingénieurs en technologie juridique et aux développeurs d'IA de niveau intermédiaire qui souhaitent ajuster finement des modèles de langage pour des tâches telles que l'analyse de contrats, l'extraction de clauses et la recherche juridique automatisée dans des environnements de services juridiques.

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

• Préparer et nettoyer des documents juridiques en vue de l'ajustement fin des modèles de TLN.
• Appliquer des stratégies d'ajustement fin pour améliorer la précision des modèles sur des tâches juridiques.
• Déployer des modèles pour assister à l'examen, à la classification et à la recherche sur les contrats.
• Assurer la conformité, l'auditabilité et la traçabilité des sorties de l'IA dans des contextes juridiques.

Cette formation en direct, animée par un formateur, en Waterloo (en ligne ou sur site), s'adresse aux développeurs d'IA médicale et aux scientifiques des données de niveau intermédiaire à avancé qui souhaitent ajuster finement des modèles pour le diagnostic clinique, la prédiction de maladies et l'anticipation des résultats des patients, en utilisant des données médicales structurées et non structurées.

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

• Ajuster finement des modèles d'IA sur des ensembles de données de santé, y compris les dossiers médicaux électroniques (DME), les images médicales et les données chronologiques.
• Appliquer l'apprentissage par transfert, l'adaptation au domaine et la compression de modèles dans des contextes médicaux.
• Aborder les enjeux de confidentialité, de biais et de conformité réglementaire lors du développement des modèles.
• Déployer et surveiller les modèles ajustés finement dans des environnements de soins de santé réels.

Cette formation en direct, animée par un formateur à Waterloo (en ligne ou en présentiel), s'adresse aux data scientists et ingénieurs en IA de niveau avancé évoluant dans le secteur financier, qui souhaitent ajuster finement leurs modèles pour des applications telles que la notation de crédit, la détection de la fraude et la modélisation des risques, en utilisant des données financières propres au domaine.

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

• Ajuster finement des modèles d'IA sur des ensembles de données financiers afin d'améliorer la prédiction des fraudes et des risques.
• Appliquer des techniques telles que l'apprentissage par transfert, le LoRA et la régularisation pour optimiser l'efficacité des modèles.
• Intégrer les considérations de conformité financière dans le flux de travail de modélisation de l'IA.
• Déployer des modèles ajustés finement pour une utilisation en production sur des plateformes de services financiers.

Cette formation en direct, animée par un formateur à Waterloo (en ligne ou sur site), s'adresse aux ingénieurs de maintenance de l'IA de niveau avancé et aux professionnels du MLOps qui souhaitent mettre en œuvre des pipelines d'apprentissage continu robustes et des stratégies de mise à jour efficaces pour les modèles déployés et ajustés.

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

• Concevoir et mettre en œuvre des workflows d'apprentissage continu pour les modèles déployés.
• Réduire l'oubli catastrophique grâce à une formation appropriée et à la gestion de la mémoire.
• Automatiser la surveillance et les déclencheurs de mise à jour en fonction de la dérive des modèles ou des changements de données.
• Intégrer les stratégies de mise à jour des modèles dans les pipelines CI/CD et MLOps existants.

Cette formation en présentiel ou en ligne, dirigée par un formateur, dans <lieu> s'adresse aux développeurs intermédiaires en IA intégrée et aux spécialistes de l'informatique en périphérie souhaitant ajuster finement et optimiser des modèles d'IA légers pour un déploiement sur des appareils aux ressources limitées.

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

• Sélectionner et adapter des modèles pré-entraînés adaptés au déploiement en périphérie.
• Appliquer la quantification, le pruning (élagueage) et d'autres techniques de compression pour réduire la taille et la latence des modèles.
• Ajuster finement les modèles à l'aide de l'apprentissage par transfert pour obtenir des performances spécifiques à la tâche.
• Déployer des modèles optimisés sur des plateformes matérielles edge réelles.

Cette formation en présentiel ou en ligne, animée par un instructeur, est dispensée dans Waterloo et s'adresse aux ingénieurs en vision par ordinateur et aux développeurs IA de niveau avancé souhaitant ajuster finement des VLM comme CLIP et Flamingo pour améliorer leurs performances sur des tâches visuelles et textuelles spécifiques à un secteur d'activité.

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

• Comprendre l'architecture et les méthodes de pré-entraînement des modèles de vision-language.
• Ajuster finement les VLM pour la classification, la récupération, la légendage ou la QA multimodale.
• Préparer des jeux de données et appliquer des stratégies PEFT pour réduire l'utilisation des ressources.
• Évaluer et déployer des VLM personnalisés dans des environnements de production.

Cette formation en direct animée par un expert en Waterloo (en ligne ou en présentiel) s’adresse aux ingénieurs en apprentissage automatique (ML) de niveau intermédiaire et aux professionnels de la conformité en IA qui souhaitent identifier, évaluer et réduire les risques liés à la sécurité et les biais dans les modèles de langage ajustés.

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

• Comprendre le contexte éthique et réglementaire régissant les systèmes d’IA sécurisés.
• Identifier et évaluer les formes courantes de biais dans les modèles ajustés.
• Appliquer des techniques d’atténuation des biais pendant et après l’entraînement.
• Concevoir et auditer des modèles selon les critères de sécurité, de transparence et d’équité.

Cette formation en direct animée par un formateur à <lieu> (en ligne ou sur site) s'adresse aux ingénieurs en TAL de niveau intermédiaire et aux équipes de gestion des connaissances qui souhaitent affiner les pipelines RAG afin d'améliorer les performances dans les cas d'usage de réponse aux questions, de recherche en entreprise et de résumé de textes.

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

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

Cette formation en direct, animée par un instructeur, est disponible en Waterloo (en ligne ou sur site) et s'adresse aux praticiens en apprentissage automatique (ML) et aux développeurs en IA de niveau intermédiaire qui souhaitent ajuster finement et déployer des modèles à poids ouverts comme LLaMA, Mistral et Qwen pour des applications métiers ou internes spécifiques.

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

• Comprendre l'écosystème et les différences entre les LLM open source.
• Préparer des jeux de données et des configurations d'ajustement fin pour des modèles tels que LLaMA, Mistral et Qwen.
• Exécuter des pipelines d'ajustement fin en utilisant Hugging Face Transformers et PEFT.
• Évaluer, sauvegarder et déployer des modèles ajustés finement dans des environnements sécurisés.

Cette formation en direct animée par un instructeur à Waterloo (en ligne ou sur site) s'adresse aux scientifiques des données et ingénieurs IA de niveau intermédiaire qui souhaitent ajuster les grands modèles de langage de manière plus abordable et efficace à l'aide de méthodes comme LoRA, Adapter Tuning et Prefix Tuning.

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

• Comprendre la théorie derrière les approches de réglage fin efficace en paramètres.
• Implémenter LoRA, Adapter Tuning et Prefix Tuning à l'aide de Hugging Face PEFT.
• Comparer les compromis entre performance et coût des méthodes PEFT par rapport au réglage fin complet.
• Déployer et passer à l'échelle les LLM ajustés avec des exigences de calcul et de stockage réduites.

Cette formation en présentiel dirigée par un instructeur dans Waterloo (en ligne ou sur site) s'adresse aux ingénieurs en apprentissage automatique, développeurs d'IA et data scientists de niveau intermédiaire à avancé qui souhaitent apprendre à utiliser QLoRA pour ajuster efficacement de grands modèles pour des tâches et des personnalisations spécifiques.

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

• Comprendre la théorie derrière QLoRA et les techniques de quantification pour les LLM.
• Mettre en œuvre QLoRA dans l'ajustement fin de grands modèles de langage pour des applications sectorielles.
• Optimiser les performances de l'ajustement fin sur des ressources informatiques limitées en utilisant la quantification.
• Déployer et évaluer efficacement des modèles ajustés dans des applications réelles.

Cette formation animée par un instructeur à Waterloo (en ligne ou sur site) s'adresse aux ingénieurs en apprentissage automatique avancés et aux chercheurs en IA qui souhaitent appliquer le RLHF pour ajuster finement de grands modèles d'IA afin d'améliorer leurs performances, leur sécurité et leur alignement.

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

• Comprendre les fondements théoriques du RLHF et pourquoi il est essentiel dans le développement moderne de l'IA.
• Implémenter des modèles de récompense basés sur des commentaires humains pour guider les processus d'apprentissage par renforcement.
• Ajuster finement de grands modèles de langage en utilisant des techniques RLHF pour aligner les sorties avec les préférences humaines.
• Appliquer les meilleures pratiques pour mettre à l'échelle les workflows RLHF destinés à des systèmes d'IA prêts pour la production.

Ce formation en direct encadrée par un instructeur à Waterloo (en ligne ou sur site) est destinée à des professionnels de niveau intermédiaire souhaitant acquérir des compétences pratiques pour personnaliser des modèles d'IA pour des tâches financières critiques.

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

• Comprendre les fondamentaux de l'ajustement fin pour les applications financières.
• Exploiter des modèles pré-entraînés pour des tâches spécifiques au domaine en finance.
• Appliquer des techniques pour la détection de fraude, l'évaluation des risques et la génération de conseils financiers.
• Assurer la conformité aux réglementations financières telles que le RGPD et SOX.
• Mettre en œuvre des pratiques de sécurité des données et d'IA éthique dans les applications financières.

Cette formation animée par un instructeur, en direct à Waterloo (en ligne ou sur site), s'adresse aux professionnels de niveau avancé qui souhaitent affiner leurs compétences dans le diagnostic et la résolution des problèmes de réglage fin pour les modèles d'apprentissage automatique.

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

• Diagnostiquer des problèmes tels que le surapprentissage, le sous-apprentissage et les déséquilibres des données.
• Implémenter des stratégies pour améliorer la convergence du modèle.
• 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 présentiel ou à distance, dirigée par un formateur, Waterloo est destinée aux professionnels de niveau avancé qui souhaitent maîtriser les techniques d'optimisation des grands modèles pour un ajustement fin rentable dans des scénarios réels.

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

• Comprendre les défis de l'ajustement fin des grands modèles.
• Appliquer des techniques d'entraînement distribué aux grands modèles.
• Tirer parti de la quantification et de la taille d'élagage des modèles pour l'efficacité.
• Optimiser l'utilisation du matériel pour les tâches d'ajustement fin.
• Déployer efficacement des modèles ajustés finement dans des environnements de production.

Cette formation en présentiel ou en ligne, animée par un instructeur, s'adresse aux professionnels de niveau intermédiaire qui souhaitent exploiter le potentiel de l'ingénierie des prompts et de l'apprentissage à petits échantillons pour optimiser les performances des GML dans des applications concrètes.

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

• Comprendre les principes de l'ingénierie des prompts et de l'apprentissage à petits échantillons.
• Concevoir des prompts efficaces pour diverses tâches de traitement du langage naturel (TLN).
• Exploiter les techniques à petits échantillons pour adapter les GML avec peu de données.
• Optimiser les performances des GML pour des applications pratiques.

Cette formation en direct animée par un instructeur à Waterloo (en ligne ou sur site) s’adresse aux professionnels de niveau avancé qui souhaitent maîtriser l’ajustement fin des modèles multimodaux pour développer des solutions d’intelligence artificielle innovantes.

À l’issue de cette formation, les participants seront en mesure de :

• Comprendre l’architecture de modèles multimodaux tels que CLIP et Flamingo.
• Préparer et prétraiter efficacement des jeux de données multimodaux.
• Effectuer un ajustement fin des modèles multimodaux pour des tâches spécifiques.
• Optimiser les modèles pour des applications réelles et améliorer leurs performances.

Cette formation en présentiel ou en ligne Waterloo, animée par un instructeur, s'adresse aux chercheurs en IA avancés, 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 secteurs, domaines ou besoins commerciaux spécifiques.

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

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

Cette formation animée par un instructeur à Waterloo (en ligne ou sur site) s'adresse aux professionnels de niveau avancé souhaitant déployer des modèles ajustés de manière fiable et efficace.

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

• Comprendre les défis liés au déploiement de modèles ajustés en environnement de production.
• Conteneuriser et déployer des modèles à l'aide d'outils tels que Docker et Kubernetes.
• Mettre en œuvre la surveillance et la consignation des modèles déployés.
• Optimiser les modèles pour la latence et l'évolutivité dans des scénarios réels.

Cette formation en direct, dirigée par un formateur, à Waterloo (en ligne ou en présentiel), s'adresse aux professionnels avancés du machine learning qui souhaitent maîtriser les techniques de pointe en apprentissage par transfert et les appliquer à des problèmes complexes du monde réel.

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

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

Cette formation en présentiel ou en ligne Waterloo, animée par un formateur, s'adresse aux professionnels de l'apprentissage automatique de niveau débutant à intermédiaire qui souhaitent comprendre et appliquer des techniques d'apprentissage par transfert pour améliorer l'efficacité et les performances de leurs projets d'IA.

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

• Comprendre les concepts clés et les avantages de l'apprentissage par transfert.
• Explorer des modèles pré-entraînés populaires et leurs applications.
• Réaliser le réglage fin (fine-tuning) de modèles pré-entraînés pour des tâches personnalisées.
• Appliquer l'apprentissage par transfert pour résoudre des problèmes réels en traitement automatique du langage naturel (TALN) et en vision par ordinateur.

Cette formation en direct, animée par un formateur, en Waterloo (en ligne ou sur site), s'adresse aux développeurs et aux praticiens de l'IA de niveau intermédiaire qui souhaitent mettre en œuvre des stratégies d'affinage pour de grands modèles sans nécessiter de ressources informatiques étendues.

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

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

Cette formation en direct, dispensée par un formateur, est offerte à Waterloo (en ligne ou en présentiel) et s'adresse aux professionnels de niveau intermédiaire à avancé qui souhaitent personnaliser des modèles pré-entraînés pour des tâches et des ensembles de données spécifiques.

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

• Comprendre les principes de l'ajustement fin et ses applications.
• Préparer des ensembles de données pour l'ajustement fin des modèles pré-entraînés.
• Effectuer un ajustement fin de grands modèles de langage (LLM) pour des tâches de traitement du langage naturel (NLP).
• Optimiser les performances du modèle et résoudre les défis courants.

Cette formation en direct, animée par un instructeur, en Waterloo (en ligne ou sur site), s'adresse aux professionnels de niveau intermédiaire souhaitant améliorer leurs projets de TALN grâce à l'affinage efficace des modèles linguistiques pré-entraînés.

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

• Comprendre les principes fondamentaux de l'affinage pour les tâches de TALN.
• Effectuer l'affinage de modèles pré-entraînés tels que GPT, BERT et T5 pour des applications spécifiques de TALN.
• Optimiser les hyperparamètres afin d'améliorer les performances du modèle.
• Évaluer et déployer des modèles affinés dans des scénarios réels.