AURA · COMPRENDRE, CONSTRUIRE, VÉRIFIER

Une idée à la fois.

Explorez les concepts, manipulez les architectures et construisez vos premiers systèmes IA. À votre rythme.

Parcours progressifs4 modules, des bases aux usages

Expériences pratiquesManipuler, observer, vérifier

Ressources de référenceOutils, sources et kits de départ

Architecture d’un système IA

Un modèle ne travaille pas seul. Sélectionnez une brique pour comprendre son rôle.

À retenir

Organise la boucle de travail autour du modèle.

Explorer les modules

20 concepts

Quel chemin choisir ?

Choisissez votre objectif : la prochaine action s’adapte.

Que souhaitez-vous accomplir ?

Distinguer le modèle du système.

Des outils pour passer à l’action

Documentation, code, navigateur : choisissez selon le besoin.

Sources et configuration dans chaque fiche. Connexion à autoriser séparément.

Votre activité

Aucune expérience exécutée ici.

Lancez un contrôle : son résultat apparaîtra dans cet espace.

Historique des contrôles de cette session ; un PASS ne mesure pas l’intelligence.

Manipuler la mémoire : une session peut-elle reprendre le travail ?

DÉMONSTRATION INTERACTIVE

Pourquoi une mémoire change la reprise

Faites avancer ce scénario, puis retirez la mémoire pour comparer.

Conserver l’état entre les sessions

Session ASynthétiser une noteObjectif défini

state/current.jsonEn attente—

Nouvelle sessionEn attente—

IA, machine learning et deep learning

L’intelligence artificielle est le domaine général. Le machine learning apprend des régularités à partir de données ; le deep learning emploie des réseaux de neurones profonds pour apprendre des représentations. Un produit utile est un système plus large autour du modèle.

L’IA est un domaine, pas une technologie unique

Elle réunit règles, recherche, planification, optimisation, probabilités, apprentissage automatique et hybrides. La méthode suffisante la plus simple est souvent la plus fiable.

Un modèle n’est pas le produit

Le modèle transforme des entrées en sorties. Le produit comprend aussi données, interfaces, permissions, supervision, solution de repli et décisions humaines.

Apprendre signifie ajuster à partir de preuves

Le supervisé utilise des exemples étiquetés ; l’auto-supervisé crée son signal depuis les données brutes ; le renforcement emploie des récompenses issues de l’interaction.

Le deep learning apprend des représentations

Des couches de neurones transforment l’entrée en caractéristiques internes utiles. L’entraînement ajuste les paramètres selon les gradients qui réduisent une fonction de perte.

La généralisation est le vrai test

Une faible erreur d’entraînement ne suffit pas. Le modèle doit réussir sur des cas pertinents et inédits, sans fuite de données ni raccourcis fragiles.

Comment fonctionnent les grands modèles de langage

Un LLM prédit des tokens à partir du contexte. L’échelle et l’entraînement rendent cet objectif simple étonnamment puissant, mais le modèle génère toujours des continuations probables au lieu de consulter une réserve garantie de faits.

Tokenisation

Le texte est découpé en unités apprises. Un token n’est pas toujours un mot : orthographe, langue et format changent le compte et le coût.

Embeddings

Les tokens deviennent des vecteurs. L’entraînement fait émerger des relations géométriques utiles pour opérer sur des représentations contextualisées.

Attention et Transformers

L’auto-attention permet à chaque position de pondérer les autres. Les blocs Transformer répètent attention et calculs feed-forward.

Pré-entraînement et post-entraînement

Le pré-entraînement apprend des régularités par prédiction. SFT, RLHF ou DPO façonnent ensuite le suivi d’instructions et le comportement.

Inférence

À l’usage, le modèle calcule une distribution puis sélectionne le token suivant, encore et encore. Les réglages d’échantillonnage modulent la variation, pas les connaissances.

Les compétences essentielles pour les applications LLM

La fiabilité vient de l’architecture, des frontières et de l’évaluation. Chaque technique traite une famille de pannes différente ; les cumuler sans diagnostic ajoute coût et surface d’attaque.

Contrats de prompt et sorties structurées

Précisez tâche, contexte utile, contraintes et critères de réussite. Un schéma rend la sortie lisible par machine, mais doit être validé et ne prouve pas les faits.

Génération augmentée par recherche

Le RAG retrouve des passages externes et les ajoute au contexte. Fraîcheur et traçabilité s’améliorent seulement si indexation, recherche et usage des preuves sont bons.

Outils et MCP

Le function calling fait proposer au modèle des arguments structurés. L’hôte valide, autorise et exécute. MCP standardise l’exposition de ressources, prompts et outils.

Agents et orchestration

Une boucle agentique observe, planifie, appelle des outils et met à jour son état. Bornez étapes, coût, permissions et effets ; gardez les invariants dans du code déterministe.

Adaptation et déploiement

Fine-tuning ou LoRA peuvent façonner un comportement répétitif ; la quantification réduit les ressources. Aucun ne remplace connaissances, permissions, évaluation ou données solides.

Évaluer la qualité, la sécurité et la réalité opérationnelle

Une démonstration impressionnante ne prouve pas un comportement fiable. Définissez la décision, réunissez des cas représentatifs, comparez une baseline, examinez les échecs et imposez des seuils explicites.

Tâche et baseline

Définissez un succès observable et comparez le processus actuel ou une méthode plus simple. Incluez cas typiques, rares, ambigus et adversariaux.

Qualité et calibration

Mesurez utilité, appui factuel, validité des citations, cohérence et abstention appropriée. Une moyenne unique peut masquer les pires échecs.

Sécurité et confidentialité

Testez injection directe et indirecte, contenu récupéré malveillant, abus d’outils, divulgation et privilèges. Toute sortie du modèle est une entrée non fiable.

Mesures opérationnelles

Suivez latence de bout en bout et en queue, coût tokens/outils, disponibilité et reprise. Versionnez ensemble modèles, prompts, outils, politiques, données et évaluations.

Déploiement et gouvernance

Commencez par peu d’utilisateurs et de permissions, observez le réel, conservez un repli humain ou déterministe, un coupe-circuit et un rollback.

Aller au contenu Aura

AURA · COMPRENDRE, CONSTRUIRE, VÉRIFIER

Une idée à la fois.

Explorez les concepts, manipulez les architectures et construisez vos premiers systèmes IA. À votre rythme.

Parcours progressifs4 modules, des bases aux usages

Expériences pratiquesManipuler, observer, vérifier

Ressources de référenceOutils, sources et kits de départ

Architecture d’un système IA

Un modèle ne travaille pas seul. Sélectionnez une brique pour comprendre son rôle.

À retenir

Organise la boucle de travail autour du modèle.

Explorer les modules

20 concepts

Quel chemin choisir ?

Choisissez votre objectif : la prochaine action s’adapte.

Que souhaitez-vous accomplir ?

Distinguer le modèle du système.

Des outils pour passer à l’action

Documentation, code, navigateur : choisissez selon le besoin.

Sources et configuration dans chaque fiche. Connexion à autoriser séparément.

Votre activité

Aucune expérience exécutée ici.

Lancez un contrôle : son résultat apparaîtra dans cet espace.

Historique des contrôles de cette session ; un PASS ne mesure pas l’intelligence.

Manipuler la mémoire : une session peut-elle reprendre le travail ?

DÉMONSTRATION INTERACTIVE

Pourquoi une mémoire change la reprise

Faites avancer ce scénario, puis retirez la mémoire pour comparer.

Conserver l’état entre les sessions

Session ASynthétiser une noteObjectif défini

state/current.jsonEn attente—

Nouvelle sessionEn attente—

IA, machine learning et deep learning

L’IA est un domaine, pas une technologie unique

Elle réunit règles, recherche, planification, optimisation, probabilités, apprentissage automatique et hybrides. La méthode suffisante la plus simple est souvent la plus fiable.

Un modèle n’est pas le produit

Le modèle transforme des entrées en sorties. Le produit comprend aussi données, interfaces, permissions, supervision, solution de repli et décisions humaines.

Apprendre signifie ajuster à partir de preuves

Le supervisé utilise des exemples étiquetés ; l’auto-supervisé crée son signal depuis les données brutes ; le renforcement emploie des récompenses issues de l’interaction.

Le deep learning apprend des représentations

Des couches de neurones transforment l’entrée en caractéristiques internes utiles. L’entraînement ajuste les paramètres selon les gradients qui réduisent une fonction de perte.

La généralisation est le vrai test

Une faible erreur d’entraînement ne suffit pas. Le modèle doit réussir sur des cas pertinents et inédits, sans fuite de données ni raccourcis fragiles.

Comment fonctionnent les grands modèles de langage

Tokenisation

Le texte est découpé en unités apprises. Un token n’est pas toujours un mot : orthographe, langue et format changent le compte et le coût.

Embeddings

Les tokens deviennent des vecteurs. L’entraînement fait émerger des relations géométriques utiles pour opérer sur des représentations contextualisées.

Attention et Transformers

L’auto-attention permet à chaque position de pondérer les autres. Les blocs Transformer répètent attention et calculs feed-forward.

Pré-entraînement et post-entraînement

Le pré-entraînement apprend des régularités par prédiction. SFT, RLHF ou DPO façonnent ensuite le suivi d’instructions et le comportement.

Inférence

À l’usage, le modèle calcule une distribution puis sélectionne le token suivant, encore et encore. Les réglages d’échantillonnage modulent la variation, pas les connaissances.

Les compétences essentielles pour les applications LLM

Contrats de prompt et sorties structurées

Précisez tâche, contexte utile, contraintes et critères de réussite. Un schéma rend la sortie lisible par machine, mais doit être validé et ne prouve pas les faits.

Génération augmentée par recherche

Le RAG retrouve des passages externes et les ajoute au contexte. Fraîcheur et traçabilité s’améliorent seulement si indexation, recherche et usage des preuves sont bons.

Outils et MCP

Le function calling fait proposer au modèle des arguments structurés. L’hôte valide, autorise et exécute. MCP standardise l’exposition de ressources, prompts et outils.

Agents et orchestration

Une boucle agentique observe, planifie, appelle des outils et met à jour son état. Bornez étapes, coût, permissions et effets ; gardez les invariants dans du code déterministe.

Adaptation et déploiement

Fine-tuning ou LoRA peuvent façonner un comportement répétitif ; la quantification réduit les ressources. Aucun ne remplace connaissances, permissions, évaluation ou données solides.

Évaluer la qualité, la sécurité et la réalité opérationnelle

Tâche et baseline

Définissez un succès observable et comparez le processus actuel ou une méthode plus simple. Incluez cas typiques, rares, ambigus et adversariaux.

Qualité et calibration

Mesurez utilité, appui factuel, validité des citations, cohérence et abstention appropriée. Une moyenne unique peut masquer les pires échecs.

Sécurité et confidentialité

Testez injection directe et indirecte, contenu récupéré malveillant, abus d’outils, divulgation et privilèges. Toute sortie du modèle est une entrée non fiable.

Mesures opérationnelles

Suivez latence de bout en bout et en queue, coût tokens/outils, disponibilité et reprise. Versionnez ensemble modèles, prompts, outils, politiques, données et évaluations.

Déploiement et gouvernance

Commencez par peu d’utilisateurs et de permissions, observez le réel, conservez un repli humain ou déterministe, un coupe-circuit et un rollback.