CHAPITRE 1 Comprendre les concepts et l'architecture des jumeaux numériques (LLM)

_1.1 Concept de jumeaux LLM
_1.2 Planification de produits jumeaux LLM
_1.3 Développement de systèmes d'apprentissage automatique basés sur des pipelines de caractéristiques, d'apprentissage et d'inférence
1.4 Conception de l'architecture système pour LLM Twin
_addition
_Références

CHAPITRE 2 OUTILS ET INSTALLATION

2.1 Écosystème Python et installation du projet
_2.2 Outils MLOps et LLMOps
2.3 Base de données pour le stockage de données non structurées et de données vectorielles
2.4 Préparation à l'utilisation d'AWS
_addition
_Références

CHAPITRE 3 INGÉNIERIE DES DONNÉES

_3.1 Conception du pipeline de collecte de données LLM Twin
3.2 Mise en œuvre du pipeline de collecte de données LLM Twin
3.3 Collecte des données brutes dans un entrepôt de données
_addition
_Références

CHAPITRE 4 CARACTÉRISTIQUES DES CHIFFONS PIPELINE

4.1 Comprendre RAG
4.2 Aperçu avancé de RAG
_4.3 Architecture de pipeline caractéristique RAG de LLM Twin
4.4 Implémentation du pipeline de fonctionnalités RAG dans LLM Twin
_addition
_Références

CHAPITRE 5 Optimisation de l'apprentissage supervisé

5.1 Création d'un ensemble de données de directives
5.2 Création de votre propre ensemble de données de directives
_5.3 Technique SFT
5.4 Réglage fin pratique
_addition
_Références

CHAPITRE 6 Réglage fin par tri des préférences

6.1 Comprendre l'ensemble de données de préférences
6.2 Création d'un ensemble de données de préférences
_6.3 Tri par préférence
_6.4 Mise en œuvre du DPO
_addition
_Références

CHAPITRE 7 Évaluation du LLM

7.1 Évaluation du modèle
7.2 Évaluation RAG
_7.3 Évaluation de TwinLlama-3.1-8B
_addition
_Références

CHAPITRE 8 Optimisation de l'inférence

8.1 Stratégie d'optimisation du modèle
_8.2 Modélisation du traitement parallèle
8.3 Quantification du modèle
_addition
_Références

CHAPITRE 9 Pipeline d'inférence RAG

_9.1 Comprendre le pipeline d'inférence RAG de LLM Twin
9.2 Exploration des techniques RAG avancées dans le cadre du programme LLM Twin
9.3 Mise en œuvre du pipeline d'inférence RAG pour LLM Twin
_addition
_Références

CHAPITRE 10 Déploiement du pipeline d'inférence

_10.1 Critères de sélection du type de distribution
_10.2 Comprendre les types de distribution d'inférence
_10.3 Comparaison des architectures monolithiques et de microservices
_10.4 Exploration des stratégies de déploiement du pipeline d'inférence de LLM Twin
_10.5 Déploiement du service LLM Twin
_10.6 Mise à l'échelle automatique pour gérer les pics d'utilisation
_addition
_Références

CHAPITRE 11 MLOps et LLMOps

_11.1 DevOps, MLOps, LLMOps
_11.2 Déploiement du pipeline LLM Twin vers le cloud
11.3 Application de LLMOps à LLM Twin
_addition
_Références

ANNEXE Principes MLOps

_Principe 1 : Automatiser ou opérationnaliser
_Principe 2 : Gestion des versions
_Principe 3 : Suivi expérimental
_Principe 4 : Test
Principe 5 : Surveillance
Principe 6 : Reproductibilité

Concevez, implémentez et apprenez à maîtriser votre propre IA
Tout sur RAG, le réglage fin (LoRA·QLoRA), FastAPI et LLMOps

ChatGPT est accessible à tous, mais il n'est pas « conçu sur mesure » pour chacun.
Les textes génériques, les réponses interminables et les résultats incohérents ne sont pas ce que nous attendons de l'IA.
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 ».
De 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.

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.
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.
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 ».
Il servira de guide de référence aux développeurs, aux ingénieurs en IA et aux responsables technologiques qui cherchent à perfectionner leur propre système LLM.

À qui s'adresse ce livre ?

● Développeur LLM : Développeurs qui souhaitent aller au-delà de l’utilisation de ChatGPT et créer leurs propres systèmes d’IA.
● Ingénieur en IA : Professionnels qui souhaitent pratiquer les techniques les plus récentes telles que RAG, LoRA et QLoRA.
● Ingénieur système ML : Personne souhaitant déployer et exploiter de manière fiable des services d’IA basés sur LLMOps
● 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.

Quels sont vos principaux sujets de prédilection ?

● Conception de l'architecture de l'application LLM : planification et configuration système du personnage IA personnalisé « LLM Twin »
● Collecte et prétraitement des données : extraction de données Web + stockage et récupération des données basés sur MongoDB/Qdrant
● Développement du pipeline RAG : Conception d’architecture avancée et mise en œuvre de directives-réponses basées sur des documents
Optimisation fine de l'apprentissage supervisé (SFT) : Génération d'un jeu de données de directives + Utilisation de LoRA et QLoRA
● Optimisation directe des préférences (DPO) : ajustement précis du tri en fonction des préférences de l’utilisateur
● Évaluation et optimisation du modèle : Mesure des performances de LLM·RAG et expériences TwinLlama
● Optimisation de l'inférence : Amélioration des performances d'inférence en temps réel grâce à la quantification, au traitement parallèle, etc.
● Déploiement de l'application LLM : implémentation du serveur FastAPI + déploiement basé sur la mise à l'échelle automatique
● Application pratique de LLMOps : Stratégies d’automatisation opérationnelle, y compris la gestion et la surveillance des versions