[Partie 1] Les bases de l'IA générative

▣ Chapitre 1 : Introduction à l’IA générative
1.1 De quoi parle ce livre ?
1.2 Qu'est-ce que l'IA générative ?
1.3 Que peut-on créer ?
__1.3.1 Extraction d'entités
__1.3.2 Génération de texte
__1.3.3 Création d'images
__1.3.4 Génération de code
1.3.5 Compétences en résolution de problèmes logiques
__1.3.6 Création musicale
__1.3.7 Création vidéo
1.4 Cas d'utilisation en entreprise
1.5 Si vous n'utilisez pas l'IA générative
1.6 En quoi l'IA générative diffère-t-elle de l'IA traditionnelle ?
1.7 Quelle approche les entreprises devraient-elles adopter ?
1.8 Considérations architecturales
1.9 Processus d'introduction de l'IA générative dans les entreprises

▣ Chapitre 2 : Introduction aux modèles de langage à grande échelle
2.1 Aperçu du modèle de base
2.2 Aperçu du LLM
2.3 Architecture du transformateur
2.4 Seuil d'entraînement
2.5 Types de LLM
2.6 Modèles de langage à petite échelle
2.7 Logiciel libre vs.
LLM commercial
2.7.1 LLM commercial
__2.7.2 Master en droit open source
2.8 Concepts clés du LLM
__2.8.1 invite
__2.8.2 Jeton
__2.8.3 Calcul des jetons
__2.8.4 Intégration
__2.8.5 Configuration du modèle
__2.8.6 Fenêtre contextuelle
__2.8.7 Ingénierie rapide
__2.8.8 Adaptation du modèle
__2.8.9 Comportement émergent

▣ Chapitre 3 : Utilisation des API – Génération de texte
3.1 Catégories de modèles
__3.1.1 Dépendances
3.1.2 Requête du modèle
3.2 API terminée
__3.2.1 Extension terminée
__3.2.2 Filtre de sécurité du contenu Azure
__3.2.3 Complétion multiple
3.2.4 Contrôle de l'aléatoire
__3.2.5 Contrôle de l'aléatoire à l'aide de top_p
3.3 Options avancées de l'API de complétion
__3.3.1 Streaming complet
3.3.2 Facteurs affectant la probabilité du jeton : biais logit
__3.3.3 Pénalités de présence et de fréquence
__3.3.4 Logarithme de la probabilité
3.4 API de complétion conversationnelle
__3.4.1 Rôles du système
3.4.2 Motif de l'achèvement
__3.4.3 API de complétion conversationnelle pour les scénarios hors chat
3.4.4 Gestion des conversations
3.4.5 Bonnes pratiques de gestion des jetons
3.4.6 Fournisseurs de LLM supplémentaires

▣ Chapitre 4 : Des pixels aux photos – Création d’images
4.1 Modèle de vision
__4.1.1 Auto-encodeur variationnel
__4.1.2 Réseaux antagonistes génératifs
__4.1.3 Modèle de transformateur de vision
4.1.4 Modèle de diffusion
4.1.5 Modèle multimodal
4.2 Génération d'images par diffusion stable
4.2.1 Dépendances
4.2.2 Création d'une image
4.3 Création d'images via d'autres fournisseurs
__4.3.1 OpenAI DALL·E 3
4.3.2 Créateur d'images Bing
__4.3.3 Adobe Firefly
4.4 Édition et amélioration d'images par diffusion stable
4.4.1 Création d'une image à l'aide de l'API Image-à-Image
4.4.2 Utilisation de l'API de masquage
4.4.3 Redimensionnement d'images à l'aide de l'API de mise à l'échelle
4.4.4 Conseils de création d'images

▣ Chapitre 5 : Que peut créer d’autre l’intelligence artificielle ?
5.1 Génération de code
__5.1.1 Puis-je faire confiance au code ?
__5.1.2 GitHub Copilot
5.1.3 Fonctionnement de Copilot
5.2 Travaux supplémentaires liés au code
__5.2.1 Description du code
5.2.2 Génération des tests
__5.2.3 Référence du code
__5.2.4 Refactorisation du code
5.3 Autres outils de génération de code
__5.3.1 Amazon CodeWhisperer
__5.3.2 Code Llama
__5.3.3 Onglet Neuf
5.3.4 Autocontrôle
5.3.5 Bonnes pratiques pour la génération de code
5.4 Création vidéo
5.5 Création audio et musicale

[Partie 2] Techniques et applications avancées

▣ Chapitre 6 : Guide d'ingénierie rapide
6.1 Qu'est-ce que Prompt Engineering ?
6.1.1 Pourquoi une ingénierie rapide est nécessaire
6.2 Principes fondamentaux de l'ingénierie rapide
6.3 Apprentissage et incitation en contexte
6.4 Techniques d'ingénierie rapide
__6.4.1 Messages système
6.4.2 Apprentissage sans exemple, apprentissage avec peu d'exemples et apprentissage avec plusieurs exemples
6.4.3 Utilisez une syntaxe claire
6.4.4 Comment optimiser l'apprentissage en contexte
6.4.5 Inférence : Chaîne de pensée
6.4.6 Échantillonnage auto-cohérent
6.5 Invite à l'image
6.6 Injection rapide
6.7 Défis d'ingénierie rapides
6.8 Meilleures pratiques

▣ Chapitre 7 : Création de recherche augmentée : L’arme secrète
7.1 Qu'est-ce que RAG ?
7.2 Avantages du RAG
7.3 Architecture RAG
7.4 Système de moteur de recherche
7.5 Comprendre les bases de données vectorielles
__7.5.1 Qu'est-ce qu'un indice de vecteur ?
7.5.2 Recherche vectorielle
7.6 Tâche RAG
7.7 Solutions aux problèmes liés au découpage en segments
__7.7.1 Stratégie de segmentation
7.7.2 Facteurs influençant la stratégie de segmentation
7.7.3 Gestion de la complexité inconnue
7.7.4 Segmentation au niveau de la phrase
7.7.5 Segmentation par traitement du langage naturel
7.8 Découpage de fichiers PDF

▣ Chapitre 8 : Dialoguer avec les données
8.1 Avantages pour les entreprises de tirer parti de leurs propres données
8.1.1 Avantages et inconvénients des grandes fenêtres de contexte
8.1.2 Création d'une application de chat à partir de données
8.2 Utilisation d'une base de données vectorielles
8.3 Planification de la recherche d'informations
8.4 Récupération des données
__8.4.1 Meilleures pratiques du pipeline Finder
8.5 Recherche avec Redis
8.6 Implémentation complète du chat basée sur RAG
8.7 Utilisation d'Azure OpenAI sur vos données
8.8 Avantages de l'intégration des données d'entreprise dans RAG

▣ Chapitre 9 : Personnalisation du modèle par l’adaptation et le réglage fin du modèle
9.1 Qu’est-ce que l’adaptation de modèle ?
__9.1.1 Principes de base de l'adaptation de modèles
9.1.2 Avantages et défis en affaires
9.2 Quand affiner son LLM
__9.2.1 Étapes clés du réglage fin du LLM
9.3 Optimisation du modèle OpenAI
__9.3.1 Préparation de l'ensemble de données pour le réglage fin
__9.3.2 Évaluation du LLM
__9.3.3 Réglage fin
__9.3.4 Réglage fin des métriques d'entraînement
__9.3.5 Optimisation avec Azure OpenAI
9.4 Déploiement du modèle affiné
9.4.1 Inférence : Modèle affiné
Formation LLM 9.5
__9.5.1 Pré-formation
__9.5.2 Réglage fin de la carte
__9.5.3 Modélisation de la rémunération
__9.5.4 Apprentissage par renforcement
__9.5.5 Optimisation directe des politiques
9.6 Techniques d'adaptation des modèles
__9.6.1 Adaptation de bas rang
Aperçu du RLHF 9.7
__9.7.1 Les défis de la RLHF
__9.7.2 Extension de l'implémentation RLHF

[Partie 3] Distribution et considérations éthiques

▣ Chapitre 10 : Architecture d’application pour les applications d’IA générative
10.1 IA générative : Architecture d’application
__10.1.1 Logiciel 2.0
__10.1.2 L'ère des copilotes
10.2 IA générative : Pile d’applications
10.2.1 Intégration de la pile d'IA générative
__10.2.2 Principes d'architecture de l'IA générative
10.2.3 Architecture des applications d'IA générative : une vue détaillée
10.3 Couche d'orchestration
10.3.1 Avantages du cadre d'orchestration
__10.3.2 Cadre d'orchestration
10.3.3 Gestion des opérations
__10.3.4 Gestion rapide
10.4 Couche de mise à la terre
10.4.1 Intégration et prétraitement des données
__10.4.2 Intégration et gestion des vecteurs
10.5 Hiérarchie du modèle
__10.5.1 Architecture de l'ensemble de modèles
__10.5.2 Modèle de service
10.6 Filtrage des réponses

▣ Chapitre 11 : Mise à l’échelle : Meilleures pratiques pour les déploiements en production
11.1 Défis du déploiement en production
11.2 Options de déploiement
11.3 Gestion de LLM via API
11.4 Bonnes pratiques pour les déploiements en production
__11.4.1 Métriques pour l'inférence LLM
__11.4.2 Délai
__11.4.3 Évolutivité
__11.4.4 PAYGO
11.4.5 Quotas et limites de débit
__11.4.6 Gestion des quotas
__11.4.7 Observabilité
11.4.8 Considérations relatives à la sécurité et à la conformité
11.5 Considérations opérationnelles relatives à l'IA générative
11.5.1 Considérations relatives à la fiabilité et aux performances
__11.5.2 Identifiant géré
__11.5.3 Mise en cache
11.6 LLMOps et MLOps
11.7 Liste de contrôle pour le déploiement en production

▣ Chapitre 12 : Évaluation et points de référence
12.1 Évaluation du LLM
12.2 Indicateurs d'évaluation existants
__12.2.1 BLEU
__12.2.2 ROUGE
__12.2.3 BERTScore
12.2.4 Exemple d'évaluation d'indicateur existant
12.3 Points de repère spécifiques aux tâches du LLM
12.3.1 G-Eval : une approche de mesure pour l’évaluation des systèmes de génération de langage naturel
__12.3.2 Exemple de métriques d'évaluation basées sur LLM
__12.3.3 HELM
__12.3.4 HEIM
__12.3.5 HellaSWAG
__12.3.6 Comprendre les langages multitâches à grande échelle
__12.3.7 Utilisation d'Azure AI Studio pour l'évaluation
__12.3.8 DeepEval : Un cadre d’évaluation des LLM
12.4 Nouveaux critères d'évaluation
__12.4.1 Banc SWE
__12.4.2 MMMU
__12.4.3 MoCa
__12.4.4 HaluEval
Note humaine : 12,5

▣ Chapitre 13 : Guide de l’IA générative éthique : principes, cas et pièges
13.1 Risques liés à l'IA générative
__13.1.1 Restrictions relatives au LLM
__13.1.2 Hallucinations
13.2 Comprendre les attaques d'IA générative
__13.2.1 Injection rapide
__13.2.2 Exemple de traitement de sortie non sécurisé
__13.2.3 Modèle d'attaque par déni de service
__13.2.4 Empoisonnement des données et portes dérobées
13.2.5 Fuite d'informations sensibles
__13.2.6 Dépendance excessive
__13.2.7 Détournement de modèle
13.3 Cycle de vie responsable de l'IA
__13.3.1 Identification des facteurs de risque
13.3.2 Mesure et évaluation des facteurs de risque
13.3.3 Atténuation des facteurs de risque
13.3.4 Transparence et explicabilité
Équipe rouge 13.4
__13.4.1 Exemple d'équipe rouge
__13.4.2 Outils et techniques de l'équipe rouge
13.5 Sécurité du contenu
__13.5.1 Sécurité du contenu Azure
__13.5.2 API Google Perspective
__13.5.3 Évaluation du filtre de contenu

▣ Annexe
A : Le dépôt GitHub de ce livre
B : Outils d'IA responsables
Carte modèle __B.1
__B.2 Documentation de transparence
__B.3 Kit d'outils HAX
__B.4 Boîte à outils pour une IA responsable
Outil d'interprétation des apprentissages B.5
__B.6 Équité de l'IA 360
__B.7 C2PA
C: Guide de l'utilisateur Azure OpenAI
__C.1 Créez un compte Microsoft et préparez un abonnement Azure
__C.2 Création de ressources Azure OpenAI
__C.3 Déploiement du modèle
__C.4 Vérification des clés et des points de terminaison
D : Manuel d'installation des composants dépendants requis
__D.1 Installation de Visual Studio Code
__D.2 Installation de Conda
__D.3 Installation de Python
__D.4 Installation de Git

★ Ce que ce livre aborde ★

◎ Aperçu pratique des applications d'IA générative
◎ Modèles architecturaux, guides d'intégration et bonnes pratiques pour l'IA générative
◎ Techniques de pointe telles que RAG, l'ingénierie rapide et la multimodalité
◎ Défis et risques liés à l'IA générative, tels que les hallucinations et les évasions de système
Comment intégrer l'IA générative à vos stratégies commerciales et informatiques