Intelligence artificielle
On peut aborder l’IA par les mécanismes d’apprentissage des modèles ou par les systèmes construits autour d’eux. Choix de modèles, agents, recherche et classification partagent des bases, sans imposer un ordre de cours unique.
Choisir selon sa question
Trois parcours
Mettre l’IA au travail. Commencer par le choix du modèle et de l’API pour déterminer les capacités et les coûts, puis organiser les tâches avec le workflow de dépôt. En cas de preuves manquantes ou trop nombreuses, consulter le pipeline de recherche et l’ingénierie du contexte. L’évaluation sur tâches permet de dépasser la simple démonstration réussie.
Comprendre le modèle. Partir des objectifs d’apprentissage, de la régression linéaire et des MLP. Suivre les représentations textuelles, l’attention et les Transformers, puis les étapes d’entraînement et la génération.
Construire un agent local. Estimer les ressources et choisir le moteur d’inférence. Définir les contrats des outils, la boucle d’exécution et la reprise. Ajouter une mémoire pour conserver des informations entre tâches, puis comparer qualité, latence et échecs sur le même travail.
Relier concepts, implémentations et résultats
Une note d’architecture explique entrées, sorties et objectifs d’entraînement. Un guide permet de réaliser une petite tâche et de reconnaître les échecs. Une comparaison expose les conditions de sa conclusion. Ces textes se complètent sans se remplacer.
Les prérequis se trouvent dans les guides de mathématiques et d’informatique. Le lexique de science des données aide à comprendre un terme avant de revenir à la question étudiée.