Intelligence artificielle générative et industrialisation des modèles

Organisation sur 20 semaines

Quatre blocs de 5 semaines (4 semaines de cours, 1 semaine d'évaluation). Les deux unités d'enseignement sont reprises sans modification du diplôme d'origine : mêmes contenus, mêmes évaluations.

• Blocs 1 et 2 (semaines 1 à 10) : IAG 531 — Intelligence artificielle générative et agents
• Blocs 3 et 4 (semaines 11 à 20) : MLO 532 — Industrialisation et déploiement sobre des modèles

IAG 531 - Intelligence artificielle générative et agents

Former à la conception d'applications fondées sur des modèles génératifs et des agents, en maîtrisant leurs limites : erreurs factuelles, coûts, risques de sécurité et dépendance technologique.

Objectifs

• Concevoir une application fondée sur un grand modèle de langue en choisissant entre ingénierie des instructions, génération augmentée par recherche et réglage fin.
• Évaluer la qualité, la fidélité aux sources et la sûreté des productions d'un modèle génératif.
• Concevoir un agent capable d'utiliser des outils en bornant son autonomie et en prévoyant la supervision humaine.
• Évaluer les risques de sécurité propres aux applications génératives et proposer des mesures de défense.
• Justifier le choix entre un modèle ouvert hébergé localement et un service de modèle externe au regard du coût, de la souveraineté et des données traitées.

Contenus

• Modèles génératifs : modèles de langue, modèles de diffusion, modèles multimodaux ; principes, capacités et limites.
• Adaptation : ingénierie des instructions, génération augmentée par recherche dans une base documentaire, réglage fin économe en paramètres.
• Agents : utilisation d'outils, planification, mémoire, orchestration de plusieurs agents ; points de contrôle humains.
• Évaluation : jeux de tests, évaluation humaine, fidélité aux sources, hallucinations, biais ; évaluation en français et en langues nationales.
• Sécurité : injection d'instructions, fuite de données, abus d'outils ; mesures défensives, en lien avec les risques de sécurité des applications web du classement OWASP Top 10:2025 ; tests conduits uniquement dans le laboratoire isolé de la formation.
• Propriété intellectuelle des contenus générés et des données d'entraînement au regard de la loi n°2008-09 ; transparence envers l'usager.

Évaluation : Contrôle continu (40 %) : travaux pratiques notés. Projet (60 %) : application générative ou agent, avec protocole d'évaluation, analyse des risques et note de choix entre modèle local et service externe. Modalités identiques pour les deux cohortes.

MLO 532 - Industrialisation et déploiement sobre des modèles

Faire passer un modèle du carnet de calcul à un service fiable, surveillé et sobre, capable de fonctionner là où le calcul, l'énergie et la connectivité sont comptés.

Objectifs

• Concevoir une chaîne d'industrialisation des modèles : versionnement, tests, déploiement, surveillance.
• Détecter une dérive des données ou des performances et organiser le réentraînement.
• Optimiser un modèle pour un déploiement contraint par compression, quantification ou distillation, et en mesurer l'effet.
• Évaluer l'empreinte énergétique et environnementale d'un système d'intelligence artificielle sur son cycle de vie et proposer une solution plus sobre.

Contenus

• Pratiques d'industrialisation : suivi des expériences, registre de modèles, intégration et déploiement continus, conteneurs.
• Mise en service : service d'inférence, traitement par lots, supervision, journalisation, retour arrière.
• Surveillance en production : dérive des données et des concepts, alertes, réentraînement, retours des utilisateurs.
• Qualité logicielle d'un système intégrant un modèle, selon le modèle de qualité de la norme ISO/IEC 25010:2023.
• Déploiement contraint : quantification, élagage, distillation, modèles légers, calcul en périphérie, fonctionnement hors connexion et synchronisation différée.
• Sobriété : mesure de la consommation énergétique à l'entraînement et à l'inférence, arbitrage entre performance et coût, choix d'hébergement.

Évaluation : Contrôle continu (40 %) : travaux pratiques notés. Projet (60 %) : déploiement d'un modèle sous contraintes, avec tableau de surveillance et bilan énergétique comparé avant et après optimisation. Modalités identiques pour les deux cohortes.

Débouchés

Développeur d'applications d'intelligence artificielle, ingénieur chargé du déploiement et de la surveillance des modèles.

À votre rythme : le parcours libre

En classe, ce certificat se suit sur 20 semaines, aux dates de la promotion. En parcours libre, vous commencez quand vous le souhaitez, en ligne, et vous avancez à votre rythme. Le prix est le même.

Admission

Licence en informatique ou dans un domaine compatible, ou expérience équivalente appréciée sur dossier ; pratique de la programmation et notions d'apprentissage automatique. Admission sur dossier ; conditions précises fixées par l'établissement.

Les crédits obtenus sont reconnus sans nouvelle évaluation si vous entrez ensuite dans la formation d'origine, Master Intelligence artificielle, dans un délai fixé par le règlement des certificats.