{"product_id":"154434","title":"Modèles de conception LLM ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYDPLS5SlhHkPKfj1lJ1hZNsHWJ9S.png?v=1765080100\" 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 Modèles de conception LLM \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\/166382462\/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 LLM Design Patterns est un guide pratique destiné aux professionnels de l'IA, les aidant à exploiter la puissance des modèles de conception pour développer des modèles de langage à grande échelle (LLM) robustes, évolutifs et efficaces.\u003cbr\u003e Écrit par un expert en IA de renommée mondiale et auteur à succès, qui fait figure de proue en matière de normes et d'innovation dans le domaine de l'IA générative, de la sécurité et de la stratégie, ce livre couvre l'intégralité du cycle de vie du développement LLM, en présentant des architectures réutilisables et des solutions d'ingénierie pour les défis rencontrés lors du traitement des données, de l'entraînement des modèles, de l'évaluation et du déploiement.\u003cbr\u003e \u003cbr\u003eIl couvre tout, du nettoyage, de l'augmentation et de l'annotation d'ensembles de données à grande échelle à la conception de pipelines d'entraînement modulaires, au réglage des hyperparamètres, à l'élagage et à l'optimisation des modèles par quantification.\u003cbr\u003e Chaque chapitre explore également des techniques d'incitation avancées telles que la régularisation, la création de points de contrôle, le réglage fin et ReAct (raisonnement et exécution), et présente comment mettre en œuvre le raisonnement basé sur la réflexion, le raisonnement en plusieurs étapes et l'utilisation d'outils.\u003cbr\u003e En outre, il se concentre sur la génération augmentée par la recherche (RAG), la recherche basée sur les graphes, l'interprétabilité, l'équité et l'apprentissage par renforcement avec retour d'information humain (RLHF), conduisant finalement à la construction d'un système LLM agentique.\u003cbr\u003e\u003cbr\u003e À la fin de cet ouvrage, les lecteurs disposeront des connaissances et des outils nécessaires pour concevoir et construire des programmes de formation continue de nouvelle génération, adaptables, efficaces, sécurisés et alignés sur les valeurs humaines.\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[Partie 1] Introduction et préparation des données\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 1 : Introduction aux modèles de conception LLM\u003cbr\u003e 1.1 Comprendre le LLM\u003cbr\u003e __1.1.1 Évolution des modèles de langage\u003cbr\u003e 1.1.2 Caractéristiques principales du LLM\u003cbr\u003e 1.2 Comprendre les modèles de conception\u003cbr\u003e 1.2.1 Origine et évolution\u003cbr\u003e 1.2.2 Principes fondamentaux des modèles de conception\u003cbr\u003e 1.3 Modèles de conception pour le développement de LLM\u003cbr\u003e 1.3.1 Avantages du modèle de conception LLM\u003cbr\u003e 1.3.2 Difficultés liées à l'application des patrons de conception aux LLM\u003cbr\u003e 1.4 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 2 : Nettoyage des données de formation LLM\u003cbr\u003e 2.1 L'importance du nettoyage des données\u003cbr\u003e 2.2 Problèmes de qualité des données fréquemment rencontrés dans les ensembles de données linguistiques\u003cbr\u003e 2.3 Techniques de prétraitement de texte pour les LLM\u003cbr\u003e 2.4 Traitement des données multilingues et à signes mixtes\u003cbr\u003e 2.5 Stratégies de déduplication pour les corpus textuels à grande échelle\u003cbr\u003e __2.5.1 Suppression des doublons par correspondance exacte\u003cbr\u003e __2.5.2 Détection approximative des doublons\u003cbr\u003e __2.5.3 Anneau simple\u003cbr\u003e __2.5.4 Hachage sensible à la localité (LSH)\u003cbr\u003e 2.6 Automatisation du pipeline de nettoyage des données\u003cbr\u003e 2.7 Vérification des données et assurance qualité\u003cbr\u003e 2.8 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 3 : Augmentation des données\u003cbr\u003e 3.1 Techniques d'augmentation des données textuelles  \u003cbr\u003e3.1.1 Remplacement de synonymes\u003cbr\u003e __3.1.2 Traduction inverse\u003cbr\u003e 3.1.3 Génération de texte à l'aide de T5\u003cbr\u003e 3.2 Génération de données à l'aide du LLM existant\u003cbr\u003e 3.3 Stratégie d'enrichissement des données multilingues\u003cbr\u003e 3.3.1 Rétrotraduction entre langues\u003cbr\u003e 3.3.2 Augmentation multilingue T5\u003cbr\u003e 3.4 Préserver le sens lors de l'enrichissement du texte\u003cbr\u003e 3.4.1 Utilisation des plongements lexicaux\u003cbr\u003e 3.4.2 Intégrations lexicales contextuelles pour le remplacement de synonymes\u003cbr\u003e 3.5 Équilibrer l'augmentation des données et la qualité des données\u003cbr\u003e 3.5.1 Filtrage de qualité\u003cbr\u003e 3.5.2 Vérification avec intervention humaine (HITL)\u003cbr\u003e 3.6 Évaluation de l'impact de l'augmentation des données\u003cbr\u003e __3.6.1 Gêne\u003cbr\u003e __3.6.2 Métriques spécifiques à la tâche\u003cbr\u003e 3.6.3 Indicateurs de diversité\u003cbr\u003e 3.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 4 : Traitement des ensembles de données à grande échelle pour la formation LLM\u003cbr\u003e 4.1 Les défis posés par les grands ensembles de données\u003cbr\u003e 4.2 Techniques d'échantillonnage des données\u003cbr\u003e 4.3 Traitement distribué des données\u003cbr\u003e 4.4 Stratégies de partitionnement et de parallélisation des données\u003cbr\u003e 4.5 Format de stockage de données efficace\u003cbr\u003e 4.6 Traitement des données en flux continu pour la formation continue en LLM\u003cbr\u003e 4.7 Techniques de chargement de données économes en mémoire\u003cbr\u003e 4.8 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 5 : Gestion des versions de données  \u003cbr\u003e5.1 Comprendre la nécessité du versionnage des données\u003cbr\u003e 5.2 Stratégies de gestion des versions de données pour les ensembles de données linguistiques à grande échelle\u003cbr\u003e 5.3 Outils de gestion des versions de données\u003cbr\u003e 5.4 Intégration du versionnage des données dans votre flux de travail de formation\u003cbr\u003e 5.5 Gestion des versions des corpus textuels\u003cbr\u003e 5.6 Transformation des ensembles de données et gestion des expériences\u003cbr\u003e 5.7 Bonnes pratiques pour le versionnage des données\u003cbr\u003e 5.8 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 6 : Annotation et étiquetage des jeux de données\u003cbr\u003e 6.1 L'importance des annotations de haute qualité\u003cbr\u003e 6.2 Diverses stratégies d'annotation spécifiques à la tâche\u003cbr\u003e 6.3 Outils et plateformes pour l'annotation de textes à grande échelle\u003cbr\u003e 6.4 Contrôle de la qualité des annotations\u003cbr\u003e 6.5 Avantages et inconvénients des annotations participatives\u003cbr\u003e 6.6 Techniques d'annotation semi-automatiques\u003cbr\u003e 6.7 Techniques d'annotation pour les ensembles de données linguistiques à grande échelle\u003cbr\u003e 6.8 Biais d'annotation et stratégies d'atténuation\u003cbr\u003e 6.9 Résumé\u003cbr\u003e\u003cbr\u003e [Partie 2] Entraînement et optimisation de modèles de langage à grande échelle\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 7 : Parcours de formation\u003cbr\u003e 7.1 Composantes du parcours de formation\u003cbr\u003e 7.2 Saisie et prétraitement des données\u003cbr\u003e 7.3 Considérations relatives à la conception architecturale du LLM\u003cbr\u003e 7.4 Fonctions de perte et stratégies d'optimisation\u003cbr\u003e 7.5 Enregistrement  \u003cbr\u003e7.6 Modularité et réutilisabilité des pipelines\u003cbr\u003e 7.7 Extension du pipeline d'entraînement aux modèles plus grands\u003cbr\u003e 7.8 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 8 : Optimisation des hyperparamètres\u003cbr\u003e 8.1 Comprendre les hyperparamètres\u003cbr\u003e 8.2 Réglage manuel et automatique\u003cbr\u003e 8.2.1 Réglage manuel\u003cbr\u003e 8.2.2 Réglage automatique\u003cbr\u003e 8.3 Recherche par grille et recherche aléatoire\u003cbr\u003e 8.4 Optimisation bayésienne\u003cbr\u003e 8.5 Méthodes basées sur la population\u003cbr\u003e 8.6 Optimisation multi-objectif des hyperparamètres\u003cbr\u003e 8.7 Défis et solutions pour le réglage des hyperparamètres à grande échelle\u003cbr\u003e 8.8 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 9 : Normalisation\u003cbr\u003e 9.1 Régularisation L2 (régression ridge)\u003cbr\u003e 9.2 Abandon\u003cbr\u003e 9.3 Normalisation adaptative par couche\u003cbr\u003e 9.4 Écrêtage du gradient et injection de bruit\u003cbr\u003e 9.5 Régularisation dans les scénarios d'apprentissage par transfert et de réglage fin\u003cbr\u003e 9.6 Nouvelles techniques de normalisation\u003cbr\u003e __9.6.1 Moyenne pondérée stochastique (SWA)\u003cbr\u003e __9.6.2 Minimisation prenant en compte la netteté (SAM)\u003cbr\u003e __9.6.3 Normalisation différentielle basée sur la confidentialité\u003cbr\u003e __9.6.4 Méthode du signe du gradient rapide (FGSM)\u003cbr\u003e __9.6.5 Optimiseur de prévision\u003cbr\u003e 9.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 10 : Point de contrôle et récupération  \u003cbr\u003e10.1 Pourquoi la mise en place de points de contrôle est-elle importante ?\u003cbr\u003e 10.2 Fréquence des points de contrôle et stratégie de stockage\u003cbr\u003e 10.3 Méthode de stockage efficace des points de contrôle\u003cbr\u003e 10.4 Se remettre d'une défaillance\u003cbr\u003e 10.5 Points de contrôle dans la formation LLM à distance\u003cbr\u003e 10.6 Gestion des versions des points de contrôle LLM\u003cbr\u003e 10.7 Système automatisé de sauvegarde et de restauration\u003cbr\u003e 10.8 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 11 : Réglages fins\u003cbr\u003e 11.1 Mise en œuvre de l'apprentissage par transfert et du réglage fin\u003cbr\u003e 11.2 Stratégies de congélation et de décongélation des couches\u003cbr\u003e 11.3 Planification du taux d'apprentissage\u003cbr\u003e 11.4 Techniques de réglage fin spécifiques au domaine\u003cbr\u003e 11.5 Réglage fin avec peu ou pas de tir\u003cbr\u003e 11.6 Réglage fin continu et oubli catastrophique\u003cbr\u003e 11.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 12 : Élagage des modèles\u003cbr\u003e 12.1 Élagage basé sur la taille\u003cbr\u003e 12.2 Élagage structurel et non structurel\u003cbr\u003e 12.3 Technique d'élagage itératif\u003cbr\u003e 12.4 Élagage pendant et après la formation\u003cbr\u003e 12.5 Équilibrer l'élagage et les performances du modèle\u003cbr\u003e 12.6 Combinaison de la taille avec d'autres techniques de compression\u003cbr\u003e __12.6.1 Élagage et quantification\u003cbr\u003e __12.6.2 Élagage et distillation des connaissances\u003cbr\u003e 12.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 13 : Quantification\u003cbr\u003e 13.1 Comprendre les concepts de base  \u003cbr\u003e__13.1.1 Quantification post-formation (PTQ)\u003cbr\u003e 13.2 Quantification à précision mixte\u003cbr\u003e 13.3 Considérations relatives au matériel\u003cbr\u003e 13.4 Comparaison des stratégies de quantification\u003cbr\u003e 13.5 Combinaison de la quantification avec d'autres techniques d'optimisation\u003cbr\u003e 13.5.1 Élagage et quantification\u003cbr\u003e 13.5.2 Distillation et quantification des connaissances\u003cbr\u003e 13.6 Résumé\u003cbr\u003e\u003cbr\u003e [Partie 3] Évaluation et interprétation des modèles de langage à grande échelle\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 14 : Critères d’évaluation\u003cbr\u003e 14.1 Analyse comparative du traitement automatique du langage naturel\u003cbr\u003e __14.1.1 MMLU\u003cbr\u003e __14.1.2 Super-colle\u003cbr\u003e __14.1.3 TruthfulQA\u003cbr\u003e 14.2 Indicateurs de raisonnement et de résolution de problèmes\u003cbr\u003e Défi de raisonnement 14.2.1 AI2\u003cbr\u003e __14.2.2 GSM8K\u003cbr\u003e 14.3 Évaluation du codage et de la programmation\u003cbr\u003e 14.4 Évaluation des compétences conversationnelles\u003cbr\u003e 14.5 Référence en matière de bon sens et de connaissances générales\u003cbr\u003e 14.6 Autres indicateurs clés\u003cbr\u003e 14.7 Développement de métriques et de points de référence personnalisés\u003cbr\u003e 14.8 Interprétation et comparaison des résultats d'évaluation du LLM\u003cbr\u003e 14.9 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 15 : Validation croisée\u003cbr\u003e 15.1 Pré-entraînement et ajustement fin : division des données\u003cbr\u003e 15.1.1 Échantillonnage stratifié des données de pré-entraînement\u003cbr\u003e 15.1.2 Segmentation temporelle pour l'ajustement fin des données\u003cbr\u003e 15.1.3 Techniques de suréchantillonnage et de pondération pour l'équilibre des données  \u003cbr\u003e15.2 Stratégies d'évaluation à faible nombre d'exemples et sans exemple\u003cbr\u003e __15.2.1 Évaluation Fewshot\u003cbr\u003e __15.2.2 Évaluation du tir zéro\u003cbr\u003e 15.3 Généralisation du domaine et de la tâche\u003cbr\u003e 15.3.1 Évaluation de l'adaptation au domaine\u003cbr\u003e __15.3.2 Évaluation de la généralisation des tâches\u003cbr\u003e 15.4 Évaluation de l'apprentissage continu\u003cbr\u003e 15.5 Défis et meilleures pratiques de la validation croisée\u003cbr\u003e 15.6 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 16 : Interprétabilité\u003cbr\u003e 16.1 Techniques de visualisation de l'attention\u003cbr\u003e 16.2 Méthode de sondage\u003cbr\u003e 16.3 Explication des prédictions LLM à l'aide de techniques d'analyse de contribution\u003cbr\u003e 16.4 Interprétabilité du LLM basé sur un transformateur\u003cbr\u003e 16.5 Possibilité d'une interprétation mécaniste\u003cbr\u003e 16.6 Équilibre entre interprétabilité et performance\u003cbr\u003e 16.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 17 : Équité et détection des biais\u003cbr\u003e 17.1 Types de biais\u003cbr\u003e 17.2 Indicateurs d'équité pour la génération et la compréhension de textes LLM\u003cbr\u003e 17.3 Détection des biais\u003cbr\u003e 17.4 Stratégies de débiaisement\u003cbr\u003e 17.5 Formation axée sur l'équité\u003cbr\u003e 17.6 Considérations éthiques\u003cbr\u003e 17.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 18 : Robustesse face aux attaques adverses\u003cbr\u003e 18.1 Types d'attaques adverses textuelles\u003cbr\u003e 18.2 Techniques d'entraînement contradictoires\u003cbr\u003e 18.3 Évaluation de la robustesse\u003cbr\u003e 18.4 Compromis dans la formation contradictoire du LLM\u003cbr\u003e 18.5 Implications concrètes\u003cbr\u003e 18.6 Résumé\u003cbr\u003e \u003cbr\u003e▣ Chapitre 19 : Apprentissage par renforcement avec rétroaction humaine\u003cbr\u003e 19.1 Composants du système RLHF\u003cbr\u003e __19.1.1 Modèle de rémunération\u003cbr\u003e __19.1.2 Optimisation des politiques\u003cbr\u003e 19.2 Extension du RLHF\u003cbr\u003e 19.3 Limites de RLHF dans la modélisation du langage\u003cbr\u003e 19.4 Applications RLHF\u003cbr\u003e 19.5 Résumé\u003cbr\u003e\u003cbr\u003e [Partie 4] Techniques avancées d'ingénierie des prompts\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 20 : Incitation à la chaîne de pensée (CoT)\u003cbr\u003e 20.1 Conception d'invites CoT efficaces\u003cbr\u003e 20.2 Utilisation des invites CoT pour le dépannage\u003cbr\u003e 20.3 Combiner l'incitation CoT avec d'autres techniques\u003cbr\u003e 20.4 Évaluation de la sortie d'incitation CoT\u003cbr\u003e 20.5 Limites de l'incitation CoT\u003cbr\u003e 20.6 Orientation future\u003cbr\u003e 20.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 21 : L’arbre de la pensée (ToT) : incitation\u003cbr\u003e 21.1 Conception de consignes pour la formation des formateurs\u003cbr\u003e 21.2 Stratégie d'exploration\u003cbr\u003e 21.3 Élagage et évaluation\u003cbr\u003e 21.4 Application de la théorie du transfert à la résolution de problèmes à plusieurs étapes\u003cbr\u003e 21.5 Défis liés à la mise en œuvre\u003cbr\u003e 21.6 Orientation future\u003cbr\u003e 21.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 22 : Raisonnement et exécution (ReAct)\u003cbr\u003e 22.1 Implémentation de ReAct avec LangChain\u003cbr\u003e __22.1.1 Référentiel de documents ReAct\u003cbr\u003e 22.2 Création d'un agent ReAct avec LCEL\u003cbr\u003e __22.2.1 Description de ReActSingleInputOutputParser  \u003cbr\u003e__22.2.2 Exécution d'un agent avec AgentExecutor\u003cbr\u003e 22.3 Accomplir les tâches et résoudre les problèmes\u003cbr\u003e 22.4 Évaluation des performances de ReAct\u003cbr\u003e 22.5 Considérations relatives à la sécurité, au contrôle et à l'éthique\u003cbr\u003e 22.6 Limites et orientations futures\u003cbr\u003e 22.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 23 : ReWOO (Résultats de l’observation à distance)\u003cbr\u003e 23.1 Implémentation de ReWOO avec LangGraph\u003cbr\u003e 23.2 Avantages de ReWOO\u003cbr\u003e 23.3 Évaluation de la qualité et considérations éthiques\u003cbr\u003e 23.4 Orientation future\u003cbr\u003e 23.5 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 24 : Techniques de réflexion\u003cbr\u003e 24.1 Concevoir des incitations à l'autoréflexion\u003cbr\u003e 24.2 Mise en œuvre d'améliorations itératives\u003cbr\u003e 24.3 Corrections de bugs\u003cbr\u003e 24.4 Évaluation de l'impact de la réflexion\u003cbr\u003e 24.5 Les défis de la mise en œuvre d'une réflexion efficace\u003cbr\u003e 24.6 Orientation future\u003cbr\u003e 24.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 25 : Raisonnement automatisé en plusieurs étapes et utilisation des outils\u003cbr\u003e 25.1 Conception d'incitations pour la décomposition de tâches complexes\u003cbr\u003e 25.2 Intégration d'outils externes\u003cbr\u003e 25.3 Mise en œuvre de la sélection et de l'utilisation automatiques des outils\u003cbr\u003e 25.4 Résolution de problèmes complexes\u003cbr\u003e 25.5 Évaluation du raisonnement en plusieurs étapes et de l'utilisation des outils\u003cbr\u003e 25.6 Défis et orientations futures\u003cbr\u003e 25.7 Résumé\u003cbr\u003e\u003cbr\u003e [Partie 5] Recherche et intégration des connaissances dans les modèles de langage à grande échelle\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 26 : Création de recherche augmentée  \u003cbr\u003e26.1 Construction d'un système RAG simple\u003cbr\u003e 26.2 Techniques d'intégration et d'indexation pour la recherche\u003cbr\u003e __26.2.1 Intégration\u003cbr\u003e __26.2.2 Index\u003cbr\u003e __26.2.3 Exemple de code illustrant l'intégration, l'indexation et la recherche\u003cbr\u003e 26.3 Stratégies de rédaction des requêtes de recherche\u003cbr\u003e 26.4 Intégration des informations recueillies dans la création du LLM\u003cbr\u003e 26.5 Défis et orientations de développement de RAG\u003cbr\u003e 26.6 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 27 : RAG basé sur les graphes\u003cbr\u003e 27.1 Aperçu de la représentation des connaissances basée sur les graphes\u003cbr\u003e 27.2 Conception d'architecture RAG basée sur les graphes\u003cbr\u003e 27.3 Amélioration des performances de recherche grâce aux plongements de graphes\u003cbr\u003e 27.4 Intégration de l'expansion et de la génération de requêtes à l'aide de structures de graphes\u003cbr\u003e 27.5 Cas d'utilisation de Graph RAG\u003cbr\u003e 27.6 Défis et solutions du RAG basé sur les graphes\u003cbr\u003e 27.7 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 28 : RAG avancé\u003cbr\u003e 28.1 Techniques de recherche multi-étapes et itératives\u003cbr\u003e 28.2 Recherche adaptative basée sur le contexte et la tâche\u003cbr\u003e 28.3 Améliorer la recherche grâce au méta-apprentissage\u003cbr\u003e 28.4 Combinaison de la technique RAG avec d'autres techniques d'incitation\u003cbr\u003e 28.5 Gestion de l'ambiguïté et de l'incertitude dans RAG\u003cbr\u003e 28.6 Expansion à grande échelle de la base de connaissances de RAG\u003cbr\u003e 28.7 Orientations futures de la recherche RAG\u003cbr\u003e 28.8 Résumé\u003cbr\u003e \u003cbr\u003e▣ Chapitre 29 : Évaluation du système RAG\u003cbr\u003e 29.1 Défis liés à l'évaluation du système RAG\u003cbr\u003e __29.1.1 Interaction entre la recherche et la création\u003cbr\u003e __29.1.2 Évaluation sensible au contexte\u003cbr\u003e 29.1.3 Au-delà de l'exactitude factuelle\u003cbr\u003e __29.1.4 Limites des indicateurs automatisés\u003cbr\u003e __29.1.5 Difficultés liées à l'analyse des erreurs\u003cbr\u003e __29.1.6 La nécessité de divers scénarios d'évaluation\u003cbr\u003e 29.1.7 Connaissances dynamiques et information évolutive\u003cbr\u003e __29.1.8 Coût de calcul\u003cbr\u003e 29.2 Indicateurs d'évaluation de la qualité de la recherche\u003cbr\u003e __29.2.1 Rappel@k\u003cbr\u003e __29.2.2 Precision@k\u003cbr\u003e __29.2.3 Rang moyen inversé (MRR)\u003cbr\u003e __29.2.4 Gain cumulatif actualisé normalisé (NDCG@k)\u003cbr\u003e 29.3 Considérations relatives aux indicateurs de recherche\u003cbr\u003e 29.4 Évaluation de la pertinence des informations recueillies\u003cbr\u003e 29.4.1 Comment évaluer la pertinence des informations extraites\u003cbr\u003e 29.4.2 Difficultés liées à l'évaluation de la pertinence RAG\u003cbr\u003e 29.5 Mesurer l'impact de la recherche sur les performances de génération\u003cbr\u003e 29.5.1 Indicateurs clés pour l'évaluation de l'impact de la recherche\u003cbr\u003e __29.5.2 Difficultés liées à la mesure de l'impact de la recherche\u003cbr\u003e 29.6 Évaluation de bout en bout du système RAG\u003cbr\u003e __29.6.1 Stratégie d'évaluation\u003cbr\u003e __29.6.2 Défis de l'évaluation de bout en bout  \u003cbr\u003e29.7 Techniques d'évaluation humaine pour RAG\u003cbr\u003e __29.7.1 Meilleures pratiques pour l'évaluation humaine\u003cbr\u003e 29.7.2 Les défis de l'évaluation humaine\u003cbr\u003e 29.8 Points de référence et ensembles de données pour l'évaluation RAG\u003cbr\u003e 29.9 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 30 : Modèles d’agentivité\u003cbr\u003e 30.1 Introduction aux systèmes d'IA agentiques basés sur LLM\u003cbr\u003e 30.2 Définition des objectifs et planification chez les agents titulaires d'un LLM\u003cbr\u003e 30.3 Implémentation de la mémoire et gestion de l'état pour les agents LLM\u003cbr\u003e 30.4 Prise de décision et sélection des actions chez les agents basés sur le modèle LLM\u003cbr\u003e 30.5 Apprentissage et adaptation dans le système LLM agentique\u003cbr\u003e 30.6 Considérations éthiques et sécurité de l'IA agentique basée sur LLM\u003cbr\u003e 30.7 L'avenir de l'IA agentique grâce au LLM\u003cbr\u003e 30.8 Résumé\u003cbr\u003e 30.9 Orientations futures et développement du modèle LLM\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\/TopCate6140\/MidCate6\/613952182.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 ★ Ce que ce livre aborde ★\u003cbr\u003e\u003cbr\u003e ◎ Améliorer l'efficacité des étapes de préparation des données, telles que la purification et l'enrichissement des données.\u003cbr\u003e ◎ Concevoir un pipeline d'entraînement évolutif utilisant le réglage, la normalisation et la création de points de contrôle. \u003cbr\u003e◎ Optimisation LLM par élagage, quantification et réglage fin\u003cbr\u003e ◎ Évaluation du modèle par le biais de métriques, de validation croisée et d'interprétabilité\u003cbr\u003e ◎ Comprendre l'équité et identifier les biais dans les résultats\u003cbr\u003e ◎ Développement d'une stratégie RLHF pour la construction d'un système d'IA agentique sûr.\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 25 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 520 pages | 188 × 240 × 21 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 9791158396503 \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":43893426946090,"sku":"154434","price":44.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/6d570185b79a3083279ef2589bed9a7e.jpg?v=1765401526","url":"https:\/\/librairie.coreenne.fr\/products\/154434","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}