{"product_id":"154415","title":"Maîtriser les agents d'IA, de la théorie à la pratique. ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYDPLSVUVBrZER055DDf3nXZTqPlP.png?v=1765080016\" 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 Maîtriser les agents d'IA, de la théorie à la pratique. \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\/167253365\/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\u003eA à Z du développement d'agents IA\u003c\/b\u003e\u003cbr\u003e \u003cb\u003eTout sur la théorie et la pratique des agents basées sur le LLM en un seul volume !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Ce livre présente une feuille de route systématique pour l'ensemble du processus de développement d'agents d'IA, en commençant par les principes de l'encodage de texte et des transformateurs, qui constituent la base des agents d'IA, jusqu'aux LLM, RAG, aux graphes de connaissances, à l'apprentissage par renforcement et à la construction de systèmes multi-agents complexes. \u003cbr\u003eS’appuyant sur de nombreux articles et références, l’ouvrage offre un aperçu approfondi des théories fondamentales et propose des exemples de projets pratiques, notamment le web scraping, la recommandation de films et les agences de planification de voyages, permettant ainsi aux lecteurs d’apprendre par la pratique.\u003cbr\u003e Pour tous les développeurs qui ressentent de l'anxiété sans théorie et de la frustration sans pratique, ce livre sera le guide le plus fiable.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eRecommandé pour ces personnes !\u003c\/b\u003e\u003cbr\u003e ● Les développeurs qui souhaitent acquérir de solides bases dans les principes fondamentaux des agents d'IA (encodage de texte, transformateurs, LLM)\u003cbr\u003e ● Les praticiens qui souhaitent créer des agents autonomes qui prennent des décisions et agissent de leur propre initiative, au-delà des simples appels d'API LLM.\u003cbr\u003e ● Les ingénieurs qui souhaitent maîtriser systématiquement les technologies de base des agents d'IA, telles que RAG, les graphes de connaissances (GraphRAG) et l'apprentissage par renforcement.\u003cbr\u003e ● Développeurs et responsables seniors souhaitant acquérir une expérience en matière de conception et de déploiement de l'architecture complète d'un système d'agents d'IA. \u003cbr\u003eChercheurs et étudiants de troisième cycle souhaitant étudier en profondeur les principes des dernières technologies d'IA à travers des thèses.\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\n\u003cdiv\u003e Recommandation\u003cbr\u003e Note du traducteur\u003cbr\u003e Entrée\u003cbr\u003e\u003cbr\u003e Partie 1 : Moteur d’agents IA : Du texte aux modèles de langage à grande échelle\u003cbr\u003e Chapitre 1 : Analyse des données textuelles par apprentissage profond\u003cbr\u003e 1. Représentation textuelle pour l'IA\u003cbr\u003e Encodage one-hot\u003cbr\u003e __sac de mots\u003cbr\u003e __TF-IDF\u003cbr\u003e 2.\u003cbr\u003e Intégration, applications et représentation\u003cbr\u003e __word2vec\u003cbr\u003e __Concept de similarité textuelle\u003cbr\u003e __Propriétés de l'intégration\u003cbr\u003e 3.\u003cbr\u003e RNN, LSTM, GRU et CNN pour le traitement de texte\u003cbr\u003e Réseau neuronal récurrent\u003cbr\u003e mémoire à long et à court terme\u003cbr\u003e unité de circulation de porte\u003cbr\u003e __CNN pour le texte\u003cbr\u003e 4.\u003cbr\u003e Analyse des sentiments par l'utilisation de l'intégration et de l'apprentissage profond\u003cbr\u003e\u003cbr\u003e Chapitre 2 : Transformers : Le modèle à l'origine de la révolution moderne de l'IA\u003cbr\u003e 1.\u003cbr\u003e Exploration de l'attention et de l'auto-attention\u003cbr\u003e 2.\u003cbr\u003e Présentation du modèle Transformer\u003cbr\u003e 3.\u003cbr\u003e Transformers d'apprentissage\u003cbr\u003e 4.\u003cbr\u003e Exploration de la modélisation du langage masqué\u003cbr\u003e 5.\u003cbr\u003e Visualisation des mécanismes internes\u003cbr\u003e 6.\u003cbr\u003e Utilisation des transformateurs\u003cbr\u003e \u003cbr\u003eChapitre 3 : Exploration du puissant moteur d’IA : LLM\u003cbr\u003e 1. Examen de l'évolution du LLM\u003cbr\u003e loi d'échelle\u003cbr\u003e __Caractéristiques émergentes\u003cbr\u003e __Longueur du contexte\u003cbr\u003e __Mélange d'experts\u003cbr\u003e 2.\u003cbr\u003e Réglage des instructions, réglage fin, alignement\u003cbr\u003e 3.\u003cbr\u003e Explorez les LLM de petite taille et efficaces\u003cbr\u003e 4.\u003cbr\u003e Exploration des modèles multimodaux\u003cbr\u003e 5.\u003cbr\u003e Comprendre les hallucinations et les enjeux éthiques et juridiques\u003cbr\u003e 6.\u003cbr\u003e Ingénierie rapide\u003cbr\u003e\u003cbr\u003e Partie 2 : Agents d'IA et récupération des connaissances\u003cbr\u003e Chapitre 4 : Création d’un agent de web scraping avec LLM\u003cbr\u003e 1.\u003cbr\u003e Comprendre les paradigmes du cerveau, de la perception et du comportement\u003cbr\u003e __cerveau\u003cbr\u003e __perception\u003cbr\u003e __action\u003cbr\u003e 2. Classification des agents d'IA\u003cbr\u003e 3.\u003cbr\u003e Comprendre les systèmes à agent unique et à agents multiples\u003cbr\u003e 4.\u003cbr\u003e Explorez les principales bibliothèques\u003cbr\u003e __LangChain\u003cbr\u003e __Meule de foin\u003cbr\u003e __LlamaIndex\u003cbr\u003e __Noyau sémantique\u003cbr\u003e __AutoGen\u003cbr\u003e Choisir un cadre d'agent __LLM\u003cbr\u003e 5.\u003cbr\u003e Création d'un agent ReAct qui recherche et trouve des informations de manière autonome.\u003cbr\u003e\u003cbr\u003e Chapitre 5 : Agent à base de RAG pour prévenir les hallucinations\u003cbr\u003e 1.\u003cbr\u003e Exploration de Naïve RAG\u003cbr\u003e 2.\u003cbr\u003e Recherche, optimisation, augmentation\u003cbr\u003e __Stratégie de segmentation\u003cbr\u003e Stratégie d'intégration\u003cbr\u003e Base de données d'intégration\u003cbr\u003e 3. \u003cbr\u003eÉvaluer le résultat\u003cbr\u003e 4. Comparaison entre RAG et réglage fin\u003cbr\u003e 5. Création d'un agent de recommandation de films à l'aide de RAG\u003cbr\u003e\u003cbr\u003e Chapitre 6 : Techniques RAG avancées pour la recherche et l’enrichissement de l’information\u003cbr\u003e 1.\u003cbr\u003e Problèmes avec Naive RAG\u003cbr\u003e 2.\u003cbr\u003e Explorez le pipeline RAG avancé\u003cbr\u003e __Indexation hiérarchique\u003cbr\u003e Questions virtuelles et HyDE\u003cbr\u003e Amélioration du contexte\u003cbr\u003e Transformation de requête\u003cbr\u003e Recherche par mots-clés et recherche hybride\u003cbr\u003e __Routage des requêtes\u003cbr\u003e __Reclassement\u003cbr\u003e __Optimisation de la réponse\u003cbr\u003e 3.\u003cbr\u003e Intégration du RAG modulaire à d'autres systèmes\u003cbr\u003e Approches basées sur la formation et approches sans formation\u003cbr\u003e 4.\u003cbr\u003e Mise en œuvre d'un pipeline RAG avancé\u003cbr\u003e 5. Comprendre l'évolutivité et les performances de RAG\u003cbr\u003e __Évolutivité, stockage et prétraitement des données\u003cbr\u003e Traitement parallèle\u003cbr\u003e __Sécurité et confidentialité\u003cbr\u003e 6.\u003cbr\u003e Questions non résolues et perspectives d'avenir\u003cbr\u003e\u003cbr\u003e Chapitre 7 : Création d’un graphe de connaissances et connexion à un agent d’IA\u003cbr\u003e 1.\u003cbr\u003e Présentation du graphe de connaissances\u003cbr\u003e __Définitions formelles des graphes et des graphes de connaissances\u003cbr\u003e Système de classification et ontologie\u003cbr\u003e 2. Construction d'un graphe de connaissances à l'aide de LLM\u003cbr\u003e Création de connaissances\u003cbr\u003e Création d'un graphe de connaissances avec __LLM\u003cbr\u003e Évaluation des connaissances \u003cbr\u003e__Raffinement des connaissances\u003cbr\u003e __Élargir ses connaissances\u003cbr\u003e Hébergement et distribution des connaissances\u003cbr\u003e 3.\u003cbr\u003e Recherche d'informations à l'aide de graphes de connaissances et de LLM\u003cbr\u003e Indexation basée sur les graphes\u003cbr\u003e Recherche basée sur les graphes\u003cbr\u003e Utilisation de Graph RAG\u003cbr\u003e 4.\u003cbr\u003e Comprendre l'inférence de graphes\u003cbr\u003e __Intégration de graphes de connaissances\u003cbr\u003e réseau neuronal __graphe\u003cbr\u003e Inférence du graphe de connaissances de __LLM\u003cbr\u003e 5.\u003cbr\u003e Défis liés aux graphes de connaissances et aux RAG de graphes\u003cbr\u003e\u003cbr\u003e Chapitre 8 : Apprentissage par renforcement et agents d’IA\u003cbr\u003e 1.\u003cbr\u003e Introduction à l'apprentissage par renforcement\u003cbr\u003e Problème du bandit manchot\u003cbr\u003e processus de décision markovien\u003cbr\u003e 2.\u003cbr\u003e Apprentissage par renforcement profond\u003cbr\u003e Approches sans modèle et basées sur un modèle\u003cbr\u003e Méthodes conformes et non conformes aux politiques\u003cbr\u003e __Un regard plus approfondi sur l'apprentissage par renforcement profond\u003cbr\u003e Défis et perspectives d'avenir de l'apprentissage par renforcement profond\u003cbr\u003e Apprendre les jeux vidéo grâce à l'apprentissage par renforcement\u003cbr\u003e 3. Interaction entre les modèles LLM et les modèles d'apprentissage par renforcement\u003cbr\u003e __LLM amélioré par apprentissage par renforcement\u003cbr\u003e Apprentissage par renforcement amélioré avec LLM\u003cbr\u003e 4.\u003cbr\u003e Résumé des points clés\u003cbr\u003e\u003cbr\u003e Partie 3 : Agents d’IA avancés résolvant des scénarios complexes\u003cbr\u003e Chapitre 9 : Construction de systèmes mono-agent et multi-agents\u003cbr\u003e 1.\u003cbr\u003e Introduction des agents autonomes\u003cbr\u003e __Toolformer \u003cbr\u003e__Câliner GPT\u003cbr\u003e Chemcrow\u003cbr\u003e __Ville rapide\u003cbr\u003e Agent chimique\u003cbr\u003e __Plusieurs agents dans le domaine juridique\u003cbr\u003e __Agents multiples dans le secteur de la santé\u003cbr\u003e 2.\u003cbr\u003e Utilisation de Hugging GPT\u003cbr\u003e Utilisation locale de Hugging GPT\u003cbr\u003e __Utiliser Hugging GPT sur le Web\u003cbr\u003e 3.\u003cbr\u003e système multi-agents\u003cbr\u003e 4.\u003cbr\u003e SaaS, MaaS, DaaS, RaaS\u003cbr\u003e Logiciel en tant que service (SaaS)\u003cbr\u003e Modèle de service en tant que service (MaaS)\u003cbr\u003e Données en tant que service, DaaS\u003cbr\u003e Résultats en tant que service (RaaS)\u003cbr\u003e __Comparer différents paradigmes\u003cbr\u003e\u003cbr\u003e Chapitre 10 : Création d’applications d’agents d’IA\u003cbr\u003e 1.\u003cbr\u003e Présentation de Streamlit\u003cbr\u003e __Démarrage du ruisseau\u003cbr\u003e __Résultats de la mise en cache\u003cbr\u003e 2.\u003cbr\u003e Développement front-end avec Streamlet\u003cbr\u003e __Ajouter un élément de texte\u003cbr\u003e Insérer une image dans l'application Streamlet\u003cbr\u003e __Création d'applications dynamiques\u003cbr\u003e 3.\u003cbr\u003e Création d'applications à l'aide de Streamlets et d'agents d'IA\u003cbr\u003e 4.\u003cbr\u003e Opérations d'apprentissage automatique et opérations LLM\u003cbr\u003e Développement de modèles\u003cbr\u003e Formation de modèles\u003cbr\u003e Test sur modèle\u003cbr\u003e __Optimisation de l'inférence\u003cbr\u003e Gestion des erreurs en production\u003cbr\u003e Considérations relatives à la sécurité de la production\u003cbr\u003e 5.\u003cbr\u003e Programmation asynchrone\u003cbr\u003e __asyncio \u003cbr\u003eProgrammation asynchrone et apprentissage automatique\u003cbr\u003e 6.\u003cbr\u003e Docker\u003cbr\u003e __Kubernetes\u003cbr\u003e __Utiliser Docker pour l'apprentissage automatique\u003cbr\u003e\u003cbr\u003e Chapitre 11 : L'avenir à venir\u003cbr\u003e 1.\u003cbr\u003e Les agents d'IA dans le domaine médical\u003cbr\u003e __Agents d'IA dans les sciences biomédicales\u003cbr\u003e 2.\u003cbr\u003e Les agents d'IA dans d'autres secteurs\u003cbr\u003e Agent physique\u003cbr\u003e Agent LLM pour les jeux\u003cbr\u003e Agent Web\u003cbr\u003e 3.\u003cbr\u003e Défis à relever et questions non résolues\u003cbr\u003e Problèmes de communication homme-agent\u003cbr\u003e __Absence de supériorité manifeste des agents multiples\u003cbr\u003e __Limites de l'inférence\u003cbr\u003e Créativité du LLM\u003cbr\u003e __Possibilité d'une interprétation mécaniste\u003cbr\u003e __La voie vers l'intelligence artificielle générale\u003cbr\u003e questions éthiques\u003cbr\u003e\u003cbr\u003e Recherche\u003cbr\u003e\n\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\/TopCate6177\/MidCate004\/617630319(1).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\u003eDes bases des LLM et des RAG aux graphes de connaissances avancés, à l'apprentissage par renforcement et aux multi-agents.\u003c\/b\u003e\u003cbr\u003e \u003cb\u003eUn guide complet pour créer des agents d'IA, le tout dans un seul livre !\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eBien que les services tirant parti des modèles de langage à grande échelle (LLM) aient connu une augmentation récente, il est difficile de construire un « agent véritablement autonome » capable de répondre aux besoins complexes des utilisateurs simplement en appelant des API.\u003cbr\u003e Du problème persistant des hallucinations à la mise en œuvre d'une intelligence capable de prendre des décisions, d'agir et d'apprendre de manière autonome, de nombreux développeurs sont confrontés à des défis de taille.\u003cbr\u003e Ce livre surmonte ces limitations et présente une feuille de route complète qui explore en profondeur toutes les couches techniques qui constituent les agents d'IA, depuis leurs fondements.\u003cbr\u003e\u003cbr\u003e ★ Flux systématique qui pénètre toutes les couches de l'agent d'IA\u003cbr\u003e · La première partie pose des bases solides, depuis l'encodage de texte, fondement de l'IA, et les RNN\/LSTM jusqu'aux mécanismes internes des transformateurs et des LLM, au cœur de la révolution moderne de l'IA. \u003cbr\u003eLa deuxième partie explore RAG (techniques de base et avancées), le moteur central qui permet à LLM de s'adapter et de devenir plus intelligent ; les graphes de connaissances qui maximisent les capacités de récupération et d'inférence des informations ; et l'apprentissage par renforcement pour l'apprentissage autonome des comportements.\u003cbr\u003e La partie 3 vous guide à travers le processus pratique d'intégration de toutes ces technologies pour construire des systèmes autonomes mono- et multi-agents, et les déployer en tant qu'applications du monde réel à l'aide de Streamlit et Docker.\u003cbr\u003e\u003cbr\u003e ★ Au-delà de la simple utilisation d'outils, devenez un architecte doté de compétences en résolution de problèmes\u003cbr\u003e L'ouvrage met notamment l'accent sur les raisons de l'émergence de chaque technologie et sur la manière dont elle s'articule organiquement avec les autres technologies. \u003cbr\u003eNous proposons un aperçu complet de la manière dont les transformateurs surmontent les limitations des RNN, de la manière dont les RAG résolvent les problèmes inhérents aux LLM et de la raison pour laquelle les graphes de connaissances sont essentiels pour l'inférence complexe.\u003cbr\u003e Une approche fondée sur cette compréhension fondamentale permettra aux lecteurs de passer du statut de simples utilisateurs de bibliothèque à celui de véritables architectes de l'IA, capables de diagnostiquer les problèmes complexes qui se posent dans la pratique et de concevoir des solutions optimales.\u003cbr\u003e\u003cbr\u003e Tout en expliquant les principes fondamentaux à l'aide de nombreuses références et de schémas détaillés, nous établissons un lien immédiat entre la théorie et la pratique grâce à des exemples de projets concrets, notamment un agent d'extraction de données Web, un agent RAG de recommandation de films et un planificateur de voyages. \u003cbr\u003ePour tous les développeurs, chercheurs et praticiens qui souhaitent approfondir les principes de fonctionnement des agents d'IA et concevoir de manière proactive les futurs systèmes d'IA, ce livre constituera un guide fiable et clair.\u003cbr\u003e\u003cbr\u003e -La structure de ce livre-\u003cbr\u003e\u003cbr\u003e Le chapitre 1, « Analyse des données textuelles avec l'apprentissage profond », présente des méthodes de traitement et d'expression du langage naturel dans un format adapté aux modèles d'apprentissage automatique.\u003cbr\u003e Nous abordons diverses techniques d'encodage de texte, des plus basiques comme l'encodage one-hot et le sac de mots aux représentations avancées comme TF-IDF et word2vec.\u003cbr\u003e Ensuite, nous explorons les principales architectures d'apprentissage profond adaptées aux données séquentielles, telles que RNN, LSTM, GRU et CNN, et expliquons comment les appliquer aux tâches de classification de texte.\u003cbr\u003e À la fin de ce chapitre, vous comprendrez comment ces fondements permettent le développement de modèles de langage modernes comme ChatGPT.\u003cbr\u003e \u003cbr\u003eLe chapitre 2, « Transformers : les modèles à l’origine de la révolution moderne de l’IA », présente le mécanisme d’attention et explique son évolution vers l’architecture Transformer. Il examine les limites des premiers modèles, tels que les RNN et les LSTM, et montre comment les Transformers les ont surmontées pour devenir le fondement du traitement automatique du langage naturel moderne.\u003cbr\u003e Couvrant des sujets essentiels tels que l'auto-attention, la modélisation du langage masqué, les techniques d'apprentissage et la visualisation du modèle interne, cet ouvrage pose les bases de la compréhension du LLM actuel à travers des cas d'application pratiques.\u003cbr\u003e\u003cbr\u003e Le chapitre 3, « À la découverte de LLM, un puissant moteur d'IA », explore comment l'entraînement à grande échelle des modèles Transformer a donné naissance à LLM. Il aborde l'évolution de LLM, ses principales capacités et ses limites, et présente des techniques telles que l'optimisation des instructions, le réglage fin et l'alignement. \u003cbr\u003eNous abordons également des défis clés tels que des modèles LLM plus petits et plus efficaces, des modèles multimodaux gérant plusieurs types de données, les hallucinations et les problèmes éthiques, ainsi que l'ingénierie rapide.\u003cbr\u003e\u003cbr\u003e _Le chapitre 4, « Construire un agent de web scraping avec LLM », introduit les agents d’IA comme un concept qui étend LLM pour compléter ses capacités d’exécution d’actions.\u003cbr\u003e Ce chapitre explore les caractéristiques fondamentales des agents et les différences entre les systèmes à agent unique et les systèmes multi-agents.\u003cbr\u003e Ensuite, nous présentons les principales bibliothèques utilisées pour construire des agents et nous vous guidons étape par étape tout au long du processus de création d'un agent de web scraping capable de récupérer des informations sur Internet.\u003cbr\u003e \u003cbr\u003eLe chapitre 5, intitulé « Agents basés sur RAG pour prévenir les hallucinations », explore comment RAG surmonte les limitations de LLM, notamment les connaissances obsolètes et les hallucinations. Il explique également comment LLM améliore la précision et l'adaptabilité en accédant à des informations externes grâce aux plongements RAG et à une base de données vectorielles.\u003cbr\u003e Nous comparons également RAG et le réglage fin, et présentons des applications pratiques à travers la pratique concrète de la construction d'un agent de recommandation de films.\u003cbr\u003e\u003cbr\u003e Le chapitre 6, « Techniques RAG avancées pour la recherche et l'augmentation d'informations », présente des techniques qui étendent l'architecture RAG de base pour améliorer les performances à toutes les étapes du pipeline, y compris la collecte, l'indexation, la récupération et la génération de données.\u003cbr\u003e Nous abordons le RAG modulaire, les techniques de mise à l'échelle du système pour de grands ensembles de données et de vastes bases d'utilisateurs, ainsi que les principaux défis tels que la robustesse et la confidentialité. \u003cbr\u003eIl met également en lumière les défis actuels et les problèmes non résolus concernant le développement futur des systèmes basés sur la technologie RAG.\u003cbr\u003e Le chapitre 7, « Création d'un graphe de connaissances et connexion à un agent d'IA », explique comment structurer les connaissances textuelles en un graphe de connaissances afin d'améliorer les capacités de recherche d'informations et de raisonnement des agents d'IA.\u003cbr\u003e tous.\u003cbr\u003e Ce chapitre présente le concept GraphRAG, qui exploite les graphes de connaissances pour fournir des données contextuelles structurées aux LLM.\u003cbr\u003e Nous expliquons ensuite comment construire un graphe de connaissances en extrayant les entités et les relations à l'aide de LLM, et comment utiliser les techniques d'interrogation et d'inférence basées sur les graphes. Nous abordons également les avantages et les limites de la combinaison de ces approches, ainsi que les perspectives de développement.\u003cbr\u003e\u003cbr\u003e Le chapitre 8, « Apprentissage par renforcement et agents d'IA », explique comment les agents apprennent et ajustent leur comportement en fonction de leur expérience lorsqu'ils interagissent avec un environnement dynamique. \u003cbr\u003eCe chapitre présente les principes fondamentaux de l'apprentissage par renforcement et explique comment les agents prennent des décisions et améliorent leurs performances au fil du temps.\u003cbr\u003e Nous montrons également comment optimiser le comportement à l'aide de réseaux neuronaux.\u003cbr\u003e Enfin, nous concluons en expliquant comment construire des systèmes d'IA plus puissants en combinant LLM et apprentissage par renforcement.\u003cbr\u003e\u003cbr\u003e Le chapitre 9, « Construction de systèmes mono- et multi-agents », explique comment étendre LLM avec des outils et d'autres modèles pour construire des agents autonomes.\u003cbr\u003e Nous présentons les concepts de systèmes mono-agent et multi-agents, expliquons comment LLM interagit avec les API et les modèles externes, et examinons des exemples représentatifs tels que HuggingGPT.\u003cbr\u003e Il aborde également les stratégies de coordination inter-agents, les cas d'utilisation concrets dans des domaines complexes et les nouveaux paradigmes commerciaux tels que SaaS, MaaS, DaaS et RaaS.\u003cbr\u003e \u003cbr\u003eLe chapitre 10, « Création d'applications d'agents d'IA », explore les principaux défis qui se posent lors de la mise à l'échelle et du déploiement d'agents d'IA dans des applications du monde réel.\u003cbr\u003e Ce chapitre présente Streamlit, un framework permettant de prototyper rapidement les composants front-end et back-end des systèmes à base d'agents.\u003cbr\u003e Il aborde également les principaux aspects opérationnels, notamment la programmation asynchrone, la conteneurisation à l'aide de Docker et les meilleures pratiques pour la création de solutions d'IA évolutives et opérationnellement stables.\u003cbr\u003e\u003cbr\u003e Le chapitre 11, « L’avenir à venir », explore le potentiel transformateur des agents d’IA dans divers secteurs, y compris les soins de santé. \u003cbr\u003eEn nous appuyant sur les avancées technologiques abordées dans le chapitre précédent, nous passons en revue les défis techniques et éthiques auxquels sont confrontés les systèmes LLM et les systèmes d'agents, et nous concluons en suggérant des problèmes non résolus qui subsistent dans le développement et le déploiement d'agents d'IA intelligents, ainsi que des orientations futures en matière de recherche et d'applications pratiques.\u003cbr\u003e\n\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 28 novembre 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 560 pages | 188 × 257 × 35 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 9788965404248\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 896540424X \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":43893424652330,"sku":"154415","price":49.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/6c571314691979bd6281af222ee0b3bb.jpg?v=1765401469","url":"https:\/\/librairie.coreenne.fr\/products\/154415","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}