{"product_id":"138405","title":"LLM en ingénierie ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCf0uGL8nS2mrGrYRFgtCUJKtNP.png?v=1765062925\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e LLM en ingénierie \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/145962625\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eGuide pratique sur le LLM en ingénierie\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003e« LLM Engineering » propose un guide détaillé des méthodes d'ingénierie nécessaires au développement et au déploiement d'applications LLM de qualité professionnelle. Il explore systématiquement le cycle de vie LLM, en abordant les concepts clés et les techniques pratiques, de l'ingénierie des données au développement du pipeline RAG, en passant par l'optimisation de l'apprentissage supervisé, l'évaluation des modèles et l'optimisation de l'inférence.\u003cbr\u003e Dans ce cours, vous mettrez en œuvre une IA qui imite le style d'écriture et la personnalité d'un individu à travers un projet concret appelé « LLM Twin », et vous acquerrez des connaissances approfondies sur le savoir-faire pratique en ingénierie LLM, notamment en matière de collecte de données, de prétraitement et de mise au point du modèle.\u003cbr\u003e En suivant la feuille de route pratique présentée dans ce livre, vous apprendrez l'ensemble du processus, de la collecte des données à l'optimisation du modèle, étape par étape, et vous ferez passer vos compétences d'ingénierie LLM au niveau supérieur.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e  \u003cdiv\u003e\n\u003cb\u003eCHAPITRE 1 Comprendre les concepts et l'architecture des jumeaux numériques (LLM)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _1.1 Concept de jumeaux LLM\u003cbr\u003e _1.2 Planification de produits jumeaux LLM\u003cbr\u003e _1.3 Développement de systèmes d'apprentissage automatique basés sur des pipelines de caractéristiques, d'apprentissage et d'inférence\u003cbr\u003e 1.4 Conception de l'architecture système pour LLM Twin\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 2 OUTILS ET INSTALLATION\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 2.1 Écosystème Python et installation du projet\u003cbr\u003e _2.2 Outils MLOps et LLMOps\u003cbr\u003e 2.3 Base de données pour le stockage de données non structurées et de données vectorielles\u003cbr\u003e 2.4 Préparation à l'utilisation d'AWS\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 3 INGÉNIERIE DES DONNÉES\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _3.1 Conception du pipeline de collecte de données LLM Twin\u003cbr\u003e 3.2 Mise en œuvre du pipeline de collecte de données LLM Twin\u003cbr\u003e 3.3 Collecte des données brutes dans un entrepôt de données\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 4 CARACTÉRISTIQUES DES CHIFFONS PIPELINE\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Comprendre RAG\u003cbr\u003e 4.2 Aperçu avancé de RAG\u003cbr\u003e _4.3 Architecture de pipeline caractéristique RAG de LLM Twin\u003cbr\u003e 4.4 Implémentation du pipeline de fonctionnalités RAG dans LLM Twin\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 5 Optimisation de l'apprentissage supervisé\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Création d'un ensemble de données de directives \u003cbr\u003e5.2 Création de votre propre ensemble de données de directives\u003cbr\u003e _5.3 Technique SFT\u003cbr\u003e 5.4 Réglage fin pratique\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 6 Réglage fin par tri des préférences\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Comprendre l'ensemble de données de préférences\u003cbr\u003e 6.2 Création d'un ensemble de données de préférences\u003cbr\u003e _6.3 Tri par préférence\u003cbr\u003e _6.4 Mise en œuvre du DPO\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 7 Évaluation du LLM\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 7.1 Évaluation du modèle\u003cbr\u003e 7.2 Évaluation RAG\u003cbr\u003e _7.3 Évaluation de TwinLlama-3.1-8B\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 8 Optimisation de l'inférence\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 8.1 Stratégie d'optimisation du modèle\u003cbr\u003e _8.2 Modélisation du traitement parallèle\u003cbr\u003e 8.3 Quantification du modèle\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 9 Pipeline d'inférence RAG\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _9.1 Comprendre le pipeline d'inférence RAG de LLM Twin\u003cbr\u003e 9.2 Exploration des techniques RAG avancées dans le cadre du programme LLM Twin\u003cbr\u003e 9.3 Mise en œuvre du pipeline d'inférence RAG pour LLM Twin\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 10 Déploiement du pipeline d'inférence\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _10.1 Critères de sélection du type de distribution\u003cbr\u003e _10.2 Comprendre les types de distribution d'inférence\u003cbr\u003e _10.3 Comparaison des architectures monolithiques et de microservices\u003cbr\u003e _10.4 Exploration des stratégies de déploiement du pipeline d'inférence de LLM Twin\u003cbr\u003e _10.5 Déploiement du service LLM Twin \u003cbr\u003e_10.6 Mise à l'échelle automatique pour gérer les pics d'utilisation\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCHAPITRE 11 MLOps et LLMOps\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _11.1 DevOps, MLOps, LLMOps\u003cbr\u003e _11.2 Déploiement du pipeline LLM Twin vers le cloud\u003cbr\u003e 11.3 Application de LLMOps à LLM Twin\u003cbr\u003e _addition\u003cbr\u003e _Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003eANNEXE Principes MLOps\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _Principe 1 : Automatiser ou opérationnaliser\u003cbr\u003e _Principe 2 : Gestion des versions\u003cbr\u003e _Principe 3 : Suivi expérimental\u003cbr\u003e _Principe 4 : Test\u003cbr\u003e Principe 5 : Surveillance\u003cbr\u003e Principe 6 : Reproductibilité\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5314\/MidCate001\/531306044.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eConcevez, implémentez et apprenez à maîtriser votre propre IA\u003cbr\u003e Tout sur RAG, le réglage fin (LoRA·QLoRA), FastAPI et LLMOps\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ChatGPT est accessible à tous, mais il n'est pas « conçu sur mesure » pour chacun.\u003cbr\u003e Les textes génériques, les réponses interminables et les résultats incohérents ne sont pas ce que nous attendons de l'IA.\u003cbr\u003e Ce livre va au-delà des simples appels de modèles et vous guide tout au long du processus de développement d'un système LLM pratique en implémentant votre propre personnage d'IA numérique, le « jumeau LLM ». \u003cbr\u003eDe la récupération de données Web à la conception de pipelines RAG, en passant par le réglage fin avec LoRA et QLoRA, l'optimisation de l'inférence et le LLMOps basé sur le cloud, ce livre fournit une feuille de route pratique pour le développement d'applications LLM de bout en bout.\u003cbr\u003e\u003cbr\u003e Dans ce processus, les lecteurs découvriront tout ce qui est nécessaire pour réaliser un système de production réel, depuis la conception des données, la configuration de l'infrastructure et les stratégies de déploiement.\u003cbr\u003e Vous pouvez collecter des données provenant de divers sites comme Medium, Substack et GitHub, les charger dans MongoDB, optimiser les performances de recherche à l'aide de Qdrant et même créer des microservices à l'aide d'API RESTful basées sur FastAPI.\u003cbr\u003e Ce livre ne se contente pas d'expliquer les techniques complexes de modélisation linguistique, mais les présente sous une forme directement applicable en pratique. C'est un guide pratique adapté à une époque où l'on passe de la simple « utilisation » de l'IA à sa « création ». \u003cbr\u003eIl servira de guide de référence aux développeurs, aux ingénieurs en IA et aux responsables technologiques qui cherchent à perfectionner leur propre système LLM.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eÀ qui s'adresse ce livre ?\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ● Développeur LLM : Développeurs qui souhaitent aller au-delà de l’utilisation de ChatGPT et créer leurs propres systèmes d’IA.\u003cbr\u003e ● Ingénieur en IA : Professionnels qui souhaitent pratiquer les techniques les plus récentes telles que RAG, LoRA et QLoRA.\u003cbr\u003e ● Ingénieur système ML : Personne souhaitant déployer et exploiter de manière fiable des services d’IA basés sur LLMOps\u003cbr\u003e ● Responsable technologique : Chefs d'équipe qui souhaitent apprendre systématiquement l'ensemble du processus de création d'un LLM, de la conception des données au déploiement.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eQuels sont vos principaux sujets de prédilection ?\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ● Conception de l'architecture de l'application LLM : planification et configuration système du personnage IA personnalisé « LLM Twin »\u003cbr\u003e ● Collecte et prétraitement des données : extraction de données Web + stockage et récupération des données basés sur MongoDB\/Qdrant\u003cbr\u003e ● Développement du pipeline RAG : Conception d’architecture avancée et mise en œuvre de directives-réponses basées sur des documents \u003cbr\u003eOptimisation fine de l'apprentissage supervisé (SFT) : Génération d'un jeu de données de directives + Utilisation de LoRA et QLoRA\u003cbr\u003e ● Optimisation directe des préférences (DPO) : ajustement précis du tri en fonction des préférences de l’utilisateur\u003cbr\u003e ● Évaluation et optimisation du modèle : Mesure des performances de LLM·RAG et expériences TwinLlama\u003cbr\u003e ● Optimisation de l'inférence : Amélioration des performances d'inférence en temps réel grâce à la quantification, au traitement parallèle, etc.\u003cbr\u003e ● Déploiement de l'application LLM : implémentation du serveur FastAPI + déploiement basé sur la mise à l'échelle automatique\u003cbr\u003e ● Application pratique de LLMOps : Stratégies d’automatisation opérationnelle, y compris la gestion et la surveillance des versions \u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 2 mai 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 508 pages | 918 g | 183 × 235 × 22 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791169213806\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1169213804 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893236858922,"sku":"138405","price":49.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/4f404dca949a178296a5a7d62f9edb85.jpg?v=1765393292","url":"https:\/\/librairie.coreenne.fr\/products\/138405","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}