▣ Chapitre 1 : Principes fondamentaux et tendances de l’IA générative 1.1 Qu’est-ce que l’« IA générative » ? __1.1.1 La place de l’intelligence artificielle (IA) et de l’IA générative __1.1.2 Qu’est-ce qu’un « modèle » en IA générative ? __1.1.3 Notions de base sur les « modèles » 1.2 Produits d’IA générative célèbres __1.2.1 ChatGPT __1.2.2 Stable Diffusion __1.2.3 GitHub Copilot 1.3 Fourniture d’API pour l’IA générative et leur déploiement dans le cloud __1.3.1 API pour les modèles d’IA générative __1.3.2 API pour les modèles d’IA générative fournies dans le cloud ▣ Chapitre 2 : Introduction à Amazon Bedrock 2.1 Qu’est-ce qu’Amazon Bedrock ? __2.1.1 Avantages de Bedrock __2.1.2 Régions AWS prises en charge __2.1.3 Frais d'utilisation du modèle Bedrock 2.2 Pourquoi choisir Bedrock d'AWS ? 2.2.1 (1) La plupart des atouts d'AWS peuvent être exploités. 2.2.2 (2) Large disponibilité des modèles les plus récents fournis par diverses entreprises. 2.2.3 (3) Grande facilité de développement d'applications. 2.2.4 (4) Sécurité et gouvernance de niveau entreprise assurées. 2.3 Modèles d'IA générative disponibles dans Bedrock. 2.3.1 Types de modèles. 2.3.2 Modèles recommandés par Bedrock. 2.4 Modèle d'IA générative d'Anthropic. 2.4.1 Caractéristiques du modèle d'Anthropic. 2.4.2 Série Claude 3. 2.5 Modèle d'IA générative de Cohere. 2.5.1 Caractéristiques du modèle de Cohere. 2.5.2 Série Command R. 2.5.3 Intégration de l'anglais / Multilingue. 2.6 Modèle d'IA générative de Stability AI. 2.6.1 Caractéristiques du modèle de Stability AI. 2.6.2 Diffusion stable. 3.5 Grand 2.7 Modèles d'IA générative d'Amazon __2.7.1 Caractéristiques des modèles Amazon __2.7.2 Modèle de reconnaissance Amazon Nova __2.7.3 Modèle de génération de contenu créatif Amazon Nova 2.8 Modèle d'IA générative de Meta __2.8.1 Caractéristiques du modèle Meta __2.8.2 Llama 3.3 2.9 Modèle d'IA générative de Mistral AI __2.9.1 Caractéristiques du modèle de Mistral AI __2.9.2 Mistral Large2 / Small 2.10 Modèle d'IA générative d'AI21 Labs __2.10.1 Caractéristiques du modèle d'AI21 Labs __2.10.2 Jamba 1.5 Grand 2.11 [Pratique] Utilisation de Bedrock en pratique __2.11.1 Comment créer dans un environnement GUI via Playground __2.11.2 Comment envoyer une requête API pour chaque modèle à l'aide du SDK AWS ▣ Chapitre 03 : Comment développer des applications d’IA générative 3.1 Qu’est-ce qu’une invite ? __3.1.1 Comment écrire une invite ? __3.1.2 Types d’invites 3.2 Qu’est-ce qu’un jeton ? __3.2.1 Diviser une chaîne en jetons __3.2.2 Comment compter le nombre de jetons 3.3 Qu’est-ce que l’ingénierie des invites ? 3.3.1 Directives pour l'ingénierie rapide 3.3.2 Activation d'un modèle 3.3.3 Définition d'une tâche claire 3.3.4 Fourniture de documentation 3.3.5 Définition d'instructions spécifiques 3.3.6 Fourniture d'exemples 3.3.7 Incitation à une réflexion étape par étape 3.3.8 Autres techniques d'ingénierie rapide 3.4 Principaux frameworks utilisés pour développer des applications d'IA générative 3.4.1 Utilisation des frameworks d'IA générative 3.4.2 LangChain 3.4.3 Streamlit 3.5 Développement d'applications d'IA générative avec LangChain et Streamlit 3.5.1 Préparation de l'environnement de développement 3.5.2 [Étape 1] Implémentation de LangChain 3.5.3 [Étape 2] Génération d'un flux 3.5.4 [Étape 3] Intégration de Streamlit 3.5.5 [Étape 4] Implémentation de conversations continues 3.5.6 [Étape 5] 5] Conservation de l'historique des conversations 3.6 Développement d'une application d'IA générative exécutée sur AWS Lambda __3.6.1 Application d'IA générative utilisant AWS Lambda __3.6.2 Cas d'utilisation __3.6.3 Configuration de l'environnement de développement __3.6.4 Détails d'implémentation __3.6.5 Création d'une couche Lambda __3.6.6 Création d'une fonction Lambda 3.7 Autres frameworks utilisés pour développer des applications d'IA générative __3.7.1 LlamaIndex __3.7.2 Gradio __3.7.3 Chainlit __3.7.4 Dify __3.7.5 LiteLLM ▣ Chapitre 04 : Créons une application RAG de recherche documentaire interne 4.1 Qu'est-ce que RAG ? 4.1.1 Caractéristiques et cas d'utilisation de RAG 4.1.2 « Embedding » permettant la recherche sémantique 4.1.3 Exemple d'implémentation de l'architecture RAG 4.2 [Pratique] Implémentation de RAG avec une base de connaissances 4.2.1 Structure de la base de connaissances 4.2.2 Aperçu du développement d'une application RAG utilisant une base de connaissances 4.2.3 Création d'un compartiment S3 4.2.4 Création d'une base de connaissances 4.2.5 Activation d'un modèle 4.2.6 Vérification du fonctionnement autonome de la base de connaissances 4.2.7 Implémentation d'une interface utilisateur 4.2.8 Exécution d'une application RAG 4.2.9 Suppression des ressources inutiles 4.2.10 Modèle d'IA générative prenant en charge la base de connaissances 4.2.11 Configuration des requêtes pour la base de connaissances 4.2.12 Frais d'utilisation de la base de connaissances 4.3 Introduction aux services cibles de recherche pour RAG 4.3.1 Liste des services présentés dans cette section 4.3.2 Amazon OpenSearch Service (Service Vector DB/AWS) 4.3.3 Amazon OpenSearch Serverless (Service Vector DB/AWS) 4.3.4 Amazon Aurora et Amazon RDS (Service Vector DB/AWS) 4.3.5 Amazon DocumentDB (Service Vector DB/AWS) 4.3.6 Amazon MemoryDB for Redis (Service Vector DB/AWS) 4.3.7 Pinecone (Produit Vector DB/AWS Marketplace) 4.3.8 Redis Enterprise Cloud (Produit Vector DB/AWS Marketplace) 4.3.9 MongoDB Atlas (Produit Vector DB/AWS Marketplace) 4.3.10 Amazon Kendra (Autre/Service AWS) 4.3.11 Amazon DynamoDB (Autre/Service AWS) 4.3.12 Amazon S3 (Autre/Service AWS) 4.4 Exemple d'architecture RAG recommandé __4.4.1 Essai et fonctionnement à faible coût __4.4.2 Qualité des réponses 4.4.3 Importance de la connectivité avec les sources de données 4.5 Comment améliorer la qualité des réponses de RAG __4.5.1 Ajustement de la taille des segments __4.5.2 Ajout de métadonnées __4.5.3 Réorganisation __4.5.4 Fusion RAG __4.5.5 Réécriture-Récupération-Lecture __4.5.6 HyDE (Hypothetical Document Embeddings) __4.5.7 Autres nouvelles méthodes 4.6 Outils d'évaluation pour les applications RAG __4.6.1 Ragas __4.6.2 LangSmith __4.6.3 Langfuse ▣ Chapitre 05 : Création d'un agent d'IA autonome pratique 5.1 Qu'est-ce qu'un agent d'IA ? __5.1.1 Agent d'IA utilisant des outils __5.1.2 Qu'est-ce que « ReAct », une méthode d'implémentation avancée d'agent d'IA ? __5.1.3 Agent d'IA open source __5.1.4 Cas d'utilisation des agents d'IA 5.2 [Pratique] Implémentation d'agents d'IA dans LangChain __5.2.1 Préparation __5.2.2 Pratique ① Agents d'IA utilisant des outils __5.2.3 Pratique ② Agent ReAct 5.3 Que sont les agents pour Amazon Bedrock ? 5.3.1 Présentation des agents pour Amazon Bedrock 5.3.2 Structure des agents 5.3.3 Détails des agents 5.3.4 Modèles et régions pris en charge 5.3.5 Frais d'utilisation des agents 5.4 [Pratique] Création d'un agent d'IA avec Agents 5.4.1 Présentation de l'agent d'IA développé dans ce chapitre 5.4.2 Activation du modèle 5.4.3 Préparation de Pinecone 5.4.4 Création d'un compartiment S3 5.4.5 Création d'une base de connaissances 5.4.6 Création d'une couche Lambda 5.4.7 Création d'agents 5.4.8 Ajout d'un groupe de travail 5.4.9 Configuration d'une fonction Lambda 5.4.10 Ajout d'une base de connaissances 5.4.11 Création d'un alias 5.4.12 Vérification de l'action 5.4.13 Affichage des traces 5.4.14 Modification Stratégie d'orchestration ▣ Chapitre 6 : Utilisation des fonctionnalités Bedrock 6.1 Personnalisation des modèles __6.1.1 Qu'est-ce qu'un modèle personnalisé ? __6.1.2 Réglage fin __6.1.3 Pré-entraînement continu __6.1.4 Importation d'un modèle personnalisé 6.2 Mesures de protection __6.2.1 Qu'est-ce qu'une mesure de protection ? __6.2.2 Détection de filigrane __6.2.3 Garde-fous 6.3 Évaluation et déploiement __6.3.1 Évaluation du modèle __6.3.2 Débit provisionné 6.4 Autres fonctionnalités Bedrock __6.4.1 Inférence par lots __6.4.2 Amazon Bedrock dans SageMaker Unified Studio ▣ Chapitre 7 : Intégration de Bedrock avec différents services AWS 7.1 Intégration avec Amazon CloudWatch __7.1.1 Présentation de CloudWatch __7.1.2 Métriques CloudWatch __7.1.3 Journaux CloudWatch 7.2 Intégration avec AWS CloudTrail __7.2.1 Présentation de CloudTrail __7.2.2 Gestion des événements et des événements de données 7.3 Intégration avec AWS PrivateLink __7.3.1 Présentation de PrivateLink __7.3.2 Conception de réseau pour les applications d'IA générative 7.4 Intégration avec AWS CloudFormation __7.4.1 Présentation de CloudFormation 7.5 Intégration avec d'autres services AWS __7.5.1 Amazon Aurora __7.5.2 Amazon CodeCatalyst __7.5.3 Amazon Lex __7.5.4 Amazon Transcribe __7.5.5 Amazon Connect ▣ Chapitre 8 : Développons une application d'IA générative avec low-code 8.1 AWS Step Functions et chaînage d'invites __8.1.1 Qu'est-ce que Step Functions ? __8.1.2 Types d'intégration __8.1.3 Qu'est-ce que le chaînage d'invites ? __8.1.4 Comment utiliser Workflow Studio ? __8.1.5 Valeurs de référence et fonctions intégrées utilisant la syntaxe JSONata 8.2 [Pratique] Développement d'une application d'IA générative avec Bedrock et Step Functions __8.2.1 Préparation de l'environnement de développement __8.2.2 Présentation pratique __8.2.3 [Étape 1] Importation d'articles sur Bedrock __8.2.4 [Étape 2] Résumé des points principaux de chaque article importé __8.2.5 Exécution du test de la tâche créée __8.2.6 [Étape 3] Rédaction d'une présentation et d'un slogan __8.2.7 [Étape 4] Conversion du contenu créé au format Markdown __8.2.8 [Étape 5] Création d'une vignette __8.2.9 Exécution de la machine à états __8.2.10 Création d'un écran de confirmation ▣ Chapitre 9 : Introduction aux services liés à l'IA générative autres que Bedrock 9.1 La pile d'IA générative d'AWS __9.1.1 Types d'AWS Pile technologique d'IA générative __9.1.2 Amazon Q 9.2 Si vous souhaitez utiliser l'IA générative comme application __9.2.1 PartyRock __9.2.2 AWS HealthScribe 9.3 Si vous avez besoin d'une infrastructure d'entraînement et d'inférence pour les modèles d'IA générative __9.3.1 Amazon SageMaker __9.3.2 Amazon SageMaker JumpStart __9.3.3 Amazon SageMaker Canvas __9.3.4 Puces conçues par AWS 9.4 [Pratique] Développement d'une application Amazon Q Business __9.4.1 Préparation des documents à utiliser dans RAG __9.4.2 Création d'un centre d'identité AWS IAM __9.4.3 Création d'un utilisateur pour se connecter à l'application Amazon Q Business __9.4.4 Création d'une application Amazon Q Business __9.4.5 Vérification du fonctionnement de l'application Amazon Q Business __9.4.6 Configuration des options de l'application Amazon Q Business __9.4.7 Environnement pratique Suppression ▣ Chapitre 10 : Cas d’utilisation de Bedrock 10.1 Cas Miridi __10.1.1 Introduction à Miridi __10.1.2 Fonction de création de présentations IA __10.1.3 Architecture de Miridi Canvas __10.1.4 Performances du service et projets futurs 10.2 Cas Today’s House __10.2.1 Introduction à Today’s House __10.2.2 Introduction au projet Oh Butler __10.2.3 Architecture d’Oh Butler __10.2.4 Performances du service et projets futurs 10.3 Cas AgentSoft (Happy Campus) __10.3.1 Introduction à AgentSoft __10.3.2 Introduction au service EasyAI __10.3.3 Introduction aux fonctions EasyAI __10.3.4 Architecture d’EasyAI __10.3.5 Performances du service et projets futurs ▣ Chapitre 11 : Se tenir au courant des dernières informations 11.1 Documentation officielle AWS __11.1.1 Documentation officielle __11.1.2 Nouveautés AWS __11.1.3 Blog AWS __11.1.4 Données publiques GitHub __11.1.5 AWS Innovate 11.2 Plateforme de communauté technique et de collecte d'informations __11.2.1 AWSKRUG (Groupe d'utilisateurs AWS Corée) __11.2.2 Qiita (Site japonais pour développeurs) __11.2.3 X (anciennement Twitter) __11.2.4 Discord __11.2.5 LinkedIn ▣ Annexe 1 : Procédure de création d'un compte AWS Création d'un compte AWS Configuration de l'authentification multifacteur (MFA) ▣ Annexe 2 : Procédure de création d'un utilisateur IAM Création d'un utilisateur IAM Configuration de l'authentification multifacteur (MFA) ▣ Annexe 3 : Configuration pratique de l'environnement