Formations et Conseils en Intelligence Artificielle

Objectif pédagogique : Comprendre les fondements, enjeux et applications de l'IA moderne.

Contenu de la session :

• Historique et définitions de l'IA
• Grands domaines : symbolique, connexionniste, probabiliste
• Applications concrètes dans différents secteurs
• Éthique et limites

Durée : 3h

Public cible : Tous publics

Pré-requis : Aucun

Objectif pédagogique : Découvrir les bases du machine learning et des réseaux de neurones.

Contenu de la session :

• Supervisé, non-supervisé, renforcement
• Pipeline de modélisation
• Architecture d'un réseau de neurones
• Démonstration d'un modèle simple

Durée : 4h

Public cible : Profils techniques, analystes

Pré-requis : Connaissances de base en data

Objectif pédagogique : Permettre aux participants de formuler des requêtes (prompts) claires, efficaces et adaptées pour interagir avec des modèles d’IA générative.

Contenu de la session :

• Introduction au prompting
• Types de prompts (ouverts, dirigés, structurés)
• Clarté, contexte, ton, format
• Techniques avancées (chaînage de pensée, rôles, ancrage)
• Ateliers pratiques : emails, analyses, extractions
• Automatisation des prompts dans des workflows

Durée : 2h30 à 4h

Public cible : Utilisateurs métier, chefs de projet

Pré-requis : Aucun

Objectif pédagogique : Concevoir des prompts robustes et dynamiques pour un usage via API ou agents IA.

Contenu :

• Prompt templating : variables, logiques conditionnelles
• Approche zero-shot, few-shot, chain-of-thought
• Gestion des sessions, des contextes et de la mémoire
• Sécurisation et journalisation des appels API

Durée : 3h30

Public cible : Développeurs back-end, intégrateurs API

Pré-requis : Connaissances API REST et JSON

Objectif pédagogique : Comprendre les différences entre Retrieval-Augmented Generation et Fine-tuning, pour un choix adapté aux besoins.

Contenu :

• Principe du RAG : recherche documentaire + génération
• Fine-tuning : entraînement supervisé sur mesure
• Critères de décision : données, budget, maintenance
• Cas d’usage typiques et démonstrations comparées

Durée : 3h

Public cible : Tech leads, data scientists, responsables IA

Pré-requis : Bases en NLP ou usage d’API IA

Objectif pédagogique : Savoir mesurer la qualité, la pertinence et la robustesse d’un modèle d’intelligence artificielle générative ou prédictive.

Contenu :

• Indicateurs clés : perplexité, précision, rappel, cohérence
• Tests qualitatifs et quantitatifs
• Métriques spécifiques aux LLM (BLEU, ROUGE, TruthfulQA…)
• Évaluation humaine vs automatique
• Cas pratiques : comparaison de deux modèles

Durée : 3h

Public cible : Data scientists, chefs de projet IA, responsables qualité

Pré-requis : Connaissance de base en machine learning

Objectif pédagogique : Identifier les impacts environnementaux de l’IA et intégrer des principes de sobriété numérique.

Contenu :

• Empreinte carbone des modèles (entraînement vs usage)
• Choix technologiques et hébergements responsables
• Éco-conception des solutions IA
• Réglementation et labels en lien avec la durabilité

Durée : 2h30 à 3h

Public cible : Responsables RSE, DSI, chefs de projet

Pré-requis : Aucun, accessible à tous

Objectif pédagogique : Comprendre les enjeux juridiques et éthiques de l’IA.

Contenu de la session :

• Règlement IA européen (AI Act)
• Responsabilité, transparence et auditabilité
• Gestion des biais et protection des données
• Cas concrets de conformité

Durée : 3h

Public cible : Managers, responsables conformité

Pré-requis : Aucun

Objectif pédagogique : Comprendre les enjeux de sécurité, confidentialité et gouvernance dans les projets IA.

Contenu :

• Risques liés à l'utilisation des LLMs (hallucinations, fuites de données)
• Mécanismes de contrôle et de filtrage
• Gouvernance des modèles et responsabilités
• Auditabilité, traçabilité et journalisation

Durée : 2h30 à 3h

Public cible : DSI, RSSI, chefs de projet IA

Pré-requis : Connaissance de base des systèmes d’information

Objectif pédagogique : Déployer des agents IA pour automatiser des tâches métiers.

Contenu :

• Fonctionnement des agents IA
• Outils et frameworks : Langchain, AutoGen, CrewAI
• Exemples de cas métiers automatisés
• Bonnes pratiques de pilotage

Durée : 3h30

Public cible : Innovation, IT, Ops

Objectif pédagogique : Exploiter la vision, la voix, le texte et la reconnaissance pour optimiser les processus.

Contenu :

• Présentation des API de vision, texte, voix (Azure, Google, OpenAI)
• Cas d'usage métier : lecture de documents, transcription, résumé, OCR
• Intégration dans les outils internes

Durée : 3h

Public cible : IT, métiers support

Objectif pédagogique : Comprendre comment héberger une IA sur poste ou serveur pour garantir confidentialité et maîtrise des coûts.

Contenu :

• Choix des modèles open-source (LLM, vision)
• Infrastructure minimale requise (GPU, CPU)
• Installation avec LM Studio, Ollama, LocalAI
• Intégration dans un usage quotidien ou métier

Durée : 4h

Public cible : Équipes techniques, DSI

Objectif pédagogique : Apprendre à intégrer plusieurs API IA dans des workflows cohérents, efficaces et sécurisés.

Contenu :

• Panorama des principales API (OpenAI, Anthropic, Mistral…)
• Gestion des clés, limites de tokens, quotas
• Orchestration multi-agents / multi-modèles
• Cas pratiques : microservices IA, assistant documenté

Durée : 3h

Public cible : Développeurs, architectes, intégrateurs

Pré-requis : Savoir utiliser des appels API REST

Objectif pédagogique : Identifier les cas d’usage IA qui font réellement gagner du temps au quotidien.

Contenu :

• Automatiser les mails, comptes-rendus, résumés
• Connecter Notion, Excel, Teams à l’IA
• Création de chatbots internes
• Mesure d’impact et adoption

Durée : 3h

Public cible : Tous publics

Objectif pédagogique : Apprendre à utiliser l’éditeur Cursor pour intégrer l’IA dans les pratiques de développement logiciel.

Contenu de la session :

• Installation et configuration de Cursor
• Fonctionnalités IA intégrées : complétion, refactoring, génération
• Prompting technique dans un IDE
• Cas pratiques : génération de code, tests, documentation

Durée : 3h à 4h

Public cible : Développeurs, équipes techniques

Pré-requis : Connaissance de base d’un langage de programmation

Objectif pédagogique : Construire un assistant IA sur-mesure connecté aux données et outils internes.

Contenu :

• Définir les besoins et cas d’usage d’un copilote
• Choisir le bon modèle (GPT, Claude, Mistral…)
• Connexion aux bases de données et fichiers (via RAG)
• Intégration dans un environnement métier (Notion, Teams, CRM)

Durée : 4h

Public cible : Responsables métiers, chefs de projet, innovation

Pré-requis : Aisance avec les outils numériques

Objectif pédagogique : Savoir structurer, nettoyer et formater des jeux de données pour l’IA générative et l’indexation vectorielle.

Contenu :

• Structuration et nettoyage des données textuelles
• Chunking et segmentation intelligente
• Vectorisation et normalisation
• Cas d’application : préparation pour RAG et fine-tuning

Durée : 3h à 4h

Public cible : Data analysts, ingénieurs IA, documentalistes numériques

Pré-requis : Maîtrise des formats texte (CSV, JSON, PDF) et notions de NLP

Objectif pédagogique : Savoir déployer un pipeline RAG performant pour connecter une IA aux données d’entreprise.

Contenu :

• Principes et architecture RAG
• Indexation vectorielle avec des embeddings
• Connexion aux fichiers, bases, API internes
• Amélioration de la pertinence par le re-ranking

Durée : 3h30

Public cible : Data engineers, architectes, chefs de projet IA

Pré-requis : Connaissance des bases de données et d’un langage de script

Objectif pédagogique : Savoir affiner un modèle de langage avec ses propres données pour obtenir des réponses plus précises et contextuelles.

Contenu de la session :

• Présentation des types de fine-tuning (instruction vs casual)
• Préparation des données (format, nettoyage, labellisation)
• Choix du modèle et des paramètres
• Évaluation du modèle et itérations

Durée : 4h

Public cible : Data scientists, ML engineers

Pré-requis : Bonnes bases en Python et ML

Objectif pédagogique : Réduire les coûts et améliorer la performance des modèles via une meilleure gestion des tokens et des appels API.

Contenu de la session :

• Comprendre la notion de tokenisation
• Évaluer le coût d’une requête IA
• Stratégies pour réduire les prompts et les réponses
• Utilisation du cache, streaming, chunking

Durée : 2h30 à 3h

Public cible : Développeurs, intégrateurs, DevOps

Pré-requis : Compréhension basique d’une API IA