Description de la formation

Formation Fine-tuning LLM

Comprendre, tester et personnaliser ses propres modèles IA

Présentation

Les modèles de langage, aussi appelés LLM, ne sont plus réservés aux géants de la tech. Avec les bons outils, il est désormais possible de tester des modèles en local, de les adapter à des données spécifiques et de les intégrer dans des projets métiers.

Cette formation permet de comprendre le fonctionnement des LLM auto-hébergés, de découvrir les outils de fine-tuning et d’apprendre à exploiter localement un modèle via Ollama et ses API.

Objectif : passer du simple usage de ChatGPT à la personnalisation de vos propres modèles de langage pour gagner en autonomie, en performance et en maîtrise.

Durée

• 2 jours soit 14 heures
• Format adaptable selon le niveau technique des participants et les objectifs du projet

Modalités et délais d’accès

• Formation intra-entreprise
• Présentiel ou distanciel
• Délai d’accès de 2 semaines après validation
• Programme adapté à votre environnement technique, vos données et vos cas d’usage

Tarif

• À partir de 2 100 € HT par jour

• Tarif ajusté selon le nombre de participants, le niveau de personnalisation et le format.

Public ciblé

• Développeurs
• Data analysts
• Data scientists
• Chefs de projet IA
• Responsables innovation
• DSI et équipes techniques
• Consultants IA
• Toute personne souhaitant comprendre et exploiter des LLM auto-hébergés

Prérequis

• Bonne maîtrise de l’ordinateur
• Notions de programmation recommandées
• Connaissances de base en Python appréciées
• Sensibilité aux enjeux IA, données ou développement logiciel

Objectifs pédagogiques

À l’issue de la formation, les participants seront capables de

• Découvrir les principaux LLM auto-hébergés du marché
• Comprendre les avantages et limites des modèles locaux
• Installer et utiliser un modèle local via Ollama
• Exploiter les API d’un LLM local
• Comprendre les principes du fine-tuning
• Utiliser Google Colab, Unsloth et Ollama dans un parcours d’entraînement
• Charger des modèles, prompts et jeux de données
• Nettoyer et structurer un dataset
• Évaluer la performance d’un modèle
• Concevoir un assistant IA personnalisé adapté à un cas métier

Programme

Comprendre les LLM auto-hébergés

• Définition d’un LLM
• Différences entre modèles propriétaires et modèles open source
• Enjeux de souveraineté, confidentialité et performance
• Cas d’usage en entreprise

Découvrir les outils de fine-tuning

• Présentation d’Ollama
• Présentation de Google Colab
• Présentation d’Unsloth
• Panorama des modèles utilisables localement
• Critères de choix d’un modèle

Installer et utiliser un modèle local

• Installation d’Ollama
• Chargement d’un modèle local
• Exemple avec un modèle de type Mistral AI
• Tests de prompts
• Analyse des réponses générées

Préparer les données

• Comprendre le rôle des datasets
• Charger des prompts et jeux de données
• Nettoyer les données
• Structurer les exemples
• Préparer un dataset exploitable

S’initier au fine-tuning

• Principes du fine-tuning
• Cas d’usage pertinents
• Limites et précautions
• Entraînement via Google Colab
• Entraînement local selon l’environnement disponible

Évaluer les performances

• Critères d’évaluation
• Comparaison des réponses
• Qualité, cohérence et pertinence
• Identification des biais ou erreurs
• Ajustements à prévoir

Exploiter les API

• Comprendre l’usage des API locales
• Connecter un modèle à un outil métier
• Tester des appels simples
• Préparer une intégration dans un workflow existant

Étude de cas

• Création d’un assistant IA personnalisé
• Définition du besoin métier
• Choix du modèle
• Préparation des données
• Tests et ajustements
• Présentation des résultats

Méthodes mobilisées

• Apports techniques progressifs
• Démonstrations en direct
• Tests de modèles
• Exercices pratiques
• Manipulation d’outils IA
• Étude de cas
• Travail sur les cas d’usage des participants

Modalités d’évaluation

• Évaluation des besoins en amont
• Autodiagnostic ou quiz en début de formation
• Exercices pratiques pendant la session
• Installation et test d’un modèle local
• Étude de cas finale
• Évaluation des acquis en fin de formation
• Questionnaire de satisfaction

Notre approche

Expertise

• Maîtrise des usages professionnels des LLM
• Compréhension des outils de fine-tuning
• Vision concrète des enjeux de souveraineté et d’intégration

Pratique

• Manipulation directe des outils
• Tests en direct
• Exercices concrets sur modèles et datasets

Personnalisation

• Adaptation aux cas métiers
• Choix des modèles selon vos besoins
• Travail sur vos données ou scénarios d’usage lorsque possible

Résultats attendus

• Meilleure compréhension des LLM auto-hébergés
• Capacité à installer et tester un modèle local
• Maîtrise des bases du fine-tuning
• Meilleure autonomie dans l’expérimentation IA
• Capacité à évaluer la pertinence d’un modèle
• Vision claire des possibilités d’intégration métier
• Création d’un premier assistant IA personnalisé

Accessibilité

• Cette formation est accessible aux personnes en situation de handicap. Si votre situation nécessite des aménagements spécifiques, nous vous invitons à nous contacter afin d’étudier les adaptations possibles.

Conclusion

• Les LLM auto-hébergés permettent aux entreprises de gagner en autonomie, en maîtrise et en capacité d’innovation.
• Cette formation vous permet de comprendre, tester et affiner vos propres modèles de langage, avec une approche concrète, progressive et orientée projet.