Les domaines couverts par le corpus
Ces pages sont rédigées pour être lues, et indexées pour être interrogées. L'ordre va du plus général au plus appliqué ; chacune renvoie aux trois domaines qui l'éclairent le mieux.
- 014 sections · 3 questions
IA générative
L'IA générative produit du texte, du code, des images ou du son à partir d'une distribution apprise. Derrière le terme se cachent trois briques distinctes qu'on confond souvent : le modèle, la récupération de contexte, et la boucle d'action.
- Ce que fait réellement un grand modèle de langage
- Le RAG, ou comment ancrer une réponse dans des documents
- Agents : quand la boucle remplace l'appel unique
- Spécialiser un modèle sans le réentraîner
- 024 sections · 3 questions
Machine learning
Le machine learning consiste à faire dériver un comportement de données plutôt que de l'écrire. Ce déplacement change surtout une chose : l'essentiel du travail se déplace du code vers l'évaluation.
- Les trois familles d'apprentissage
- Choisir la métrique avant de choisir le modèle
- Surapprentissage et fuite de données
- Ce qui casse une fois en production
- 034 sections · 3 questions
Deep learning
Un réseau profond empile des transformations différentiables et apprend leurs paramètres par descente de gradient. Toute la difficulté pratique tient à ce que ce gradient traverse correctement des dizaines de couches.
- Rétropropagation, en une idée
- Trois familles qui couvrent la majorité des usages
- Apprentissage par transfert : le levier qui change les ordres de grandeur
- Faire tenir un modèle dans une contrainte de latence
- 044 sections · 3 questions
Traitement du langage
Le traitement automatique du langage transforme du texte en représentations qu'une machine peut comparer, classer et interroger. En français, plusieurs de ces étapes demandent des choix que l'outillage anglophone par défaut ne fait pas correctement.
- Tokenisation : la première décision, et la plus sous-estimée
- Représentations vectorielles et recherche sémantique
- Les tâches classiques, toujours utiles
- Évaluer sans se raconter d'histoires
- 054 sections · 3 questions
Vision par ordinateur
La vision par ordinateur transforme une matrice de pixels en information exploitable. Les modèles vision-langage ont récemment déplacé la frontière : décrire une scène en français ne demande plus de pipeline dédié.
- Quatre tâches, quatre granularités
- Reconnaissance de texte : le cas du document photographié
- Modèles vision-langage
- Description d'image et accessibilité
- 064 sections · 3 questions
IA décisionnelle
Prédire n'est pas décider. Un score de probabilité ne devient une décision qu'une fois confronté à des contraintes, à un coût d'erreur asymétrique et à une obligation de justification.
- L'écart entre un score et une action
- Optimisation sous contrainte
- Corrélation, causalité, et le piège de la boucle de rétroaction
- Expliquer une décision automatisée