Fondamentaux de l’IA
Distinguer IA, machine learning, deep learning, IA générative, LLM et agents.
Durée
24 h
Public
Professionnels et apprenants concernés par le parcours ; adaptation au secteur possible.
Format
Présentiel · Distanciel · Hybride
Ce que vous allez savoir faire
- 01
Distinguer IA, machine learning, deep learning, IA générative, LLM et agents
- 02
Identifier les cas d’usage pertinents et leurs limites
- 03
Évaluer données, risques, coûts et conditions de réussite
Aucun prérequis technique majeur ; positionnement initial.
Programme détaillé · 4 cours · 24 h
Chaque séquence d'une heure vise un objectif observable. Les cas, exemples et outils sont contextualisés au secteur du client sans réduire les objectifs ni la durée.
01Panorama de l’IA et chaîne de valeur d’un système intelligent6 h
Objectif du cours. Comprendre les mécanismes de « Panorama de l’IA et chaîne de valeur d’un système intelligent », les mettre en œuvre sur un cas d’usage et évaluer qualité, coût, limites et risques.
- H1
Problème & baseline - Panorama de l’IA et chaîne de valeur d’un système intelligent
Définir le cas d’usage, utilisateur, entrée/sortie, contrainte, métrique et baseline non-IA.
- H2
Mécanisme - classification vs génération
Comprendre classification vs génération et relier le mécanisme aux performances/limites observables.
- H3
Architecture / méthode - supervisé / non supervisé / renforcement + train/validation/test
Comparer options et construire un schéma simple intégrant supervisé / non supervisé / renforcement et train/validation/test.
- H4
Lab LMS - tokenisation et embeddings
Réaliser un mini-lab documenté : hypothèse, configuration, résultat, erreur, itération.
- H5
Cas complexe - inférence, latence, coût et qualité
Arbitrer qualité, coût, latence, confidentialité, adoption et contrôle humain.
- H6
Revue de conception
Présenter solution + limites + risques + plan de monitoring; challenger par questions formateur.
Référentiel. Références : concepts modernes de ML/GenAI ; NIST AI RMF pour la gestion des risques ; AI Act européen pour les obligations applicables.
02Machine learning6 h
Objectif du cours. Comprendre les mécanismes de « Machine learning », les mettre en œuvre sur un cas d’usage et évaluer qualité, coût, limites et risques.
- H1
Problème & baseline - Machine learning
Définir le cas d’usage, utilisateur, entrée/sortie, contrainte, métrique et baseline non-IA.
- H2
Mécanisme - classification vs génération
Comprendre classification vs génération et relier le mécanisme aux performances/limites observables.
- H3
Architecture / méthode - supervisé / non supervisé / renforcement + train/validation/test
Comparer options et construire un schéma simple intégrant supervisé / non supervisé / renforcement et train/validation/test.
- H4
Lab LMS - tokenisation et embeddings
Réaliser un mini-lab documenté : hypothèse, configuration, résultat, erreur, itération.
- H5
Cas complexe - inférence, latence, coût et qualité
Arbitrer qualité, coût, latence, confidentialité, adoption et contrôle humain.
- H6
Revue de conception
Présenter solution + limites + risques + plan de monitoring; challenger par questions formateur.
Référentiel. Références : concepts modernes de ML/GenAI ; NIST AI RMF pour la gestion des risques ; AI Act européen pour les obligations applicables.
03IA générative6 h
Objectif du cours. Comprendre les mécanismes de « IA générative », les mettre en œuvre sur un cas d’usage et évaluer qualité, coût, limites et risques.
- H1
Problème & baseline - IA générative
Définir le cas d’usage, utilisateur, entrée/sortie, contrainte, métrique et baseline non-IA.
- H2
Mécanisme - tokens et probabilités conditionnelles
Comprendre tokens et probabilités conditionnelles et relier le mécanisme aux performances/limites observables.
- H3
Architecture / méthode - embeddings + self-attention
Comparer options et construire un schéma simple intégrant embeddings et self-attention.
- H4
Lab LMS - contexte et instructions
Réaliser un mini-lab documenté : hypothèse, configuration, résultat, erreur, itération.
- H5
Cas complexe - évaluation : exactitude, pertinence, robustesse
Arbitrer qualité, coût, latence, confidentialité, adoption et contrôle humain.
- H6
Revue de conception
Présenter solution + limites + risques + plan de monitoring; challenger par questions formateur.
Référentiel. Références : concepts modernes de ML/GenAI ; NIST AI RMF pour la gestion des risques ; AI Act européen pour les obligations applicables.
04Cas business6 h
Objectif du cours. Comprendre les mécanismes de « Cas business », les mettre en œuvre sur un cas d’usage et évaluer qualité, coût, limites et risques.
- H1
Problème & baseline - Cas business
Définir le cas d’usage, utilisateur, entrée/sortie, contrainte, métrique et baseline non-IA.
- H2
Mécanisme - classification vs génération
Comprendre classification vs génération et relier le mécanisme aux performances/limites observables.
- H3
Architecture / méthode - supervisé / non supervisé / renforcement + train/validation/test
Comparer options et construire un schéma simple intégrant supervisé / non supervisé / renforcement et train/validation/test.
- H4
Lab LMS - tokenisation et embeddings
Réaliser un mini-lab documenté : hypothèse, configuration, résultat, erreur, itération.
- H5
Cas complexe - inférence, latence, coût et qualité
Arbitrer qualité, coût, latence, confidentialité, adoption et contrôle humain.
- H6
Revue de conception
Présenter solution + limites + risques + plan de monitoring; challenger par questions formateur.
Référentiel. Références : concepts modernes de ML/GenAI ; NIST AI RMF pour la gestion des risques ; AI Act européen pour les obligations applicables.
Évaluation des acquis & attestation
Positionnement initial, évaluations formatives, puis mise en situation ou livrable final évalué avec grille de critères et plan de progression. Bilan des acquis et attestation de fin de formation remis au bénéficiaire.
Action de formation professionnelle. Aucune certification RNCP/RS ni grade académique n’est inclus par défaut, sauf mention explicite dans la proposition contractuelle.