Contenu
- 01
Introductionles concepts d'architecture logicielle qui comptent pour l'IA, y compris le vocabulaire, les cas d'usage possibles, les risques, les forces et les faiblesses, et quand il vaut mieux recourir à l'IA ou au développement logiciel classique.
- 02
Conformité, sécurité et alignementle paysage juridique et réglementaire des systèmes d'IA que les architectes logiciels doivent connaître, y compris la conformité à l'AI Act de l'UE, le droit de la protection des données et les cadres de classification des risques.
Des stratégies de sécurité technique pour protéger les systèmes d'IA contre les attaques, de solides pratiques de gestion des données et une documentation adéquate pour la traçabilité et la transparence.
Gouvernance éthique de l'IA : principes de sûreté, cadres pour une IA responsable, et comment intégrer la conformité, la sécurité et l'éthique dans vos décisions d'architecture.
- 03
Comprendre les systèmes de MLles bases des cycles de vie des projets de machine learning et des processus de développement logiciel pour les systèmes d'IA. Définir les tâches de ML, comprendre les exigences du problème et spécifier les données d'entrée et de sortie des systèmes de ML.
- 04
Analyse exploratoire des donnéesles différents types de données et les problèmes typiques de ML, et comment les data scientists acquièrent, étiquettent et analysent les jeux de données. Comment repérer les biais dans les données, et les options de stockage pour les projets de ML.
- 05
Nettoyage et préparation des donnéesstratégies d'agrégation, de nettoyage, de transformation et d'augmentation des données avec des outils modernes de data engineering. Comment les data scientists conçoivent des pipelines de données efficaces et traitent les problèmes de qualité des données qui peuvent nuire aux systèmes de ML.
- 06
Feature engineeringcomment préparer les données d'entrée pour différents algorithmes d'IA, et les compromis entre architectures de modèles. Des techniques avancées comme le transfer learning et le fine-tuning pour optimiser les performances des modèles.
- 07
Entraînement et sélection des modèlesle matériel nécessaire à l'entraînement des modèles, et comment suivre les paramètres, les métriques et les résultats des modèles. Des techniques d'évaluation des modèles qui prennent en compte le coût, la durabilité et la reproductibilité.
- 08
Construire une preuve de conceptchoisir les bons outils pour prototyper des systèmes d'IA et appliquer des design patterns pour les applications de ML. Les principes de conception d'interfaces utilisateur et les exigences d'explicabilité des systèmes d'IA.
- 09
Déployer des systèmes de MLpipelines CI/CD, stratégies de déploiement et options de plateforme pour les modèles de ML, y compris les solutions SaaS et auto-hébergées. Intégrer des modèles de ML dans des systèmes existants en gardant à l'esprit la sécurité, la conformité et l'architecture de déploiement.
- 10
Exploiter des systèmes de MLles besoins de supervision propres aux systèmes d'IA, et la mesure de métriques de performance comme la latence et le débit. Des stratégies de passage à l'échelle, de robustesse, de fiabilité et de tolérance aux pannes pour les systèmes de ML en production.
- 11
Maintenir les systèmes de ML dans le tempsrepérer et traiter les différents types de model drift et les problèmes persistants de qualité des données. Utiliser les retours des utilisateurs pour améliorer le modèle et maintenir les performances du système sur le long terme.
- 12
Architectures de systèmes et plateformes pour l'IA générativecomment intégrer les systèmes d'IA, en particulier les grands modèles de langage (LLM), dans de vraies architectures informatiques avec des outils, des bibliothèques et des interfaces concrets.
Les bases de l'IA générative et des LLM, ainsi que des techniques comme le prompt engineering, la retrieval-augmented generation (RAG) et les workflows agentiques, pour construire des applications d'IA efficaces.
Le côté pratique aussi : évaluation des systèmes, maîtrise des coûts, assurance qualité et design patterns pour exploiter des solutions d'IA en production.