Dans le monde actuel, dominé par l’IA, l’optimisation des grands modèles linguistiques pour des domaines spécifiques tout en maîtrisant les coûts constitue un atout concurrentiel essentiel. Cette formation permet aux ingénieurs en IA, aux professionnels du machine learning et aux data scientists de transformer des modèles génératifs de base en solutions efficaces et prêtes à être déployées en production. Grâce à des travaux pratiques utilisant Hugging Face Transformers, PEFT et Evaluate, vous maîtriserez les stratégies de décodage (température, top-k, top-p, recherche par faisceau), l’évaluation automatisée (BLEU, ROUGE, BERTScore, métriques personnalisées) et le réglage fin à faible consommation de paramètres (LoRA), qui réduit de 99 % le nombre de paramètres entraînables sans perte de qualité. Des projets concrets portent sur le réglage fin de modèles de plus de 7 milliards de paramètres pour des applications juridiques, médicales et financières, tout en analysant les coûts liés aux GPU et à l’inférence. Le projet de fin de formation simule des contraintes réelles — mémoire GPU limitée, latence, budget et conformité — nécessitant des livrables techniques, analytiques et opérationnels. À la fin de la formation, vous serez en mesure d’optimiser et d’évaluer en toute confiance les LLM, en trouvant le juste équilibre entre qualité, performances et coût, ce qui vous permettra d’occuper des postes avancés dans l’ingénierie des LLM, les MLOps et le développement de produits d’IA.

Ce cours est idéal pour les ingénieurs DevOps, les SRE, les ingénieurs cloud et les développeurs qui gèrent des applications conteneurisées et souhaitent rationaliser leurs déploiements à l’aide de Helm. Il convient également aux responsables techniques et aux ingénieurs qui conçoivent ou assurent la maintenance de pipelines CI/CD ou GitOps pour des systèmes modernes et évolutifs. Pour tirer pleinement parti du contenu de la formation, les participants doivent posséder des compétences de base en Python, une compréhension des principes fondamentaux de l’apprentissage automatique, ainsi qu’une bonne connaissance des concepts de traitement du langage naturel (NLP) et des frameworks d’apprentissage automatique. Les participants doivent posséder des compétences de base en Python, une compréhension des principes fondamentaux de l’apprentissage automatique, ainsi qu’une bonne connaissance des concepts du traitement du langage naturel (NLP) et des frameworks d’apprentissage automatique afin de pouvoir suivre pleinement le contenu de la formation.