À retenir
- Le meilleur cours sur les LLMs n’est pas celui qui fait la promesse la plus tapageuse. C’est celui qui vous aide à construire et à évaluer de vrais systèmes.
- Cherchez du contenu sur le prompting, le RAG, le fine-tuning, les agents, le déploiement et le jugement nécessaire pour choisir entre ces méthodes.
- Le choix du cours doit dépendre de votre niveau actuel, de votre façon d’apprendre et de votre besoin de maîtriser les bases ou la pratique en production.
Les LLMs deviennent essentiels dans des secteurs comme la finance, la santé et le développement logiciel. Ils offrent des occasions de réduire considérablement le temps et les coûts de développement tout en ouvrant de nouvelles capacités. Mais exploiter leur potentiel exige de construire des pipelines hautement personnalisés. Les développeurs logiciels et les ingénieurs en apprentissage automatique ne peuvent pas répondre seuls à cette demande de solutions sur mesure. Il faut créer un nouveau rôle : le développeur de LLMs. Cette nouvelle discipline combine des compétences techniques fondamentales, comme la préparation des données, la construction de pipelines de LLMs, le fine-tuning et l’intégration d’outils, avec des compétences non techniques essentielles, notamment la prise de décisions entrepreneuriales et la connaissance propre à chaque secteur.
L’adoption généralisée de l’IA générative exigera des milliers de développeurs de LLMs et créera d’innombrables occasions d’emploi. Les personnes qui apprennent cette technologie aujourd’hui seront les mieux placées pour en tirer le maximum.
Trouver le bon cours pour développer une expertise des grands modèles de langage (LLMs) peut toutefois donner l’impression de parcourir un labyrinthe. Comme le domaine progresse extrêmement vite, il est difficile de savoir quelles options fournissent réellement les compétences et les observations nécessaires pour réussir. Certains cours se concentrent sur la profondeur technique, tandis que d’autres mettent l’accent sur les applications concrètes. Alors, comment choisir celui qui vous convient ?
Cet article présente une liste de cours qui offrent les parcours les plus efficaces aux apprenants de différents niveaux pour développer les compétences particulières nécessaires pour exceller comme développeurs de LLMs.
Explorons les cours !
En bref :
Generative AI with Large Language Models
Plateforme : Coursera
Méthode d’apprentissage : autonome
Durée et coût : 16 heures, 49 $ (3 $ par heure d’apprentissage)
Idéal pour : apprendre les cas d’utilisation en entreprise.
Ce programme de niveau intermédiaire est conçu pour les développeurs qui possèdent de l’expérience en Python. Il couvre les concepts essentiels derrière les LLMs, notamment leur entraînement, leur fine-tuning, leur optimisation et leur déploiement dans des applications pratiques et concrètes.
Le cours comprend trois modules. Le premier explore les cas d’utilisation de l’IA générative et le cycle de vie typique des LLMs, de la collecte des données au déploiement. Le deuxième approfondit le fine-tuning et l’évaluation des modèles, tandis que le troisième porte sur l’apprentissage par renforcement et les applications propulsées par les LLMs.
Ce cours offre une expérience pratique de l’IA générative. Il vous aide à construire et à déployer des modèles tout en prenant des décisions éclairées pour vos projets et votre organisation.
From Beginner to Advanced LLM Developer
Plateforme : Towards AI Academy
Méthode d’apprentissage : autonome
Durée et coût : 50–80 heures, 249 $ (3–5 $ par heure d’apprentissage)
Idéal pour : un apprentissage de bout en bout axé sur les besoins du secteur avec plusieurs projets pratiques qui utilisent des techniques, modèles et frameworks avancés.
Ce cours de certification (nous sommes un peu biaisés, puisque notre équipe écrit cet article) offre un parcours d’apprentissage complet aux développeurs qui veulent se lancer dans le développement de LLMs. Il s’adresse aux développeurs logiciels, ingénieurs ML, scientifiques de données et à toute personne qui possède des compétences intermédiaires en Python et GitHub. Il vous prépare à construire de vraies applications d’IA et à poursuivre une carrière comme développeur de LLMs ou ingénieur en IA.
Avec plus de 90 leçons (environ 50 heures ou plus) et des projets pratiques, les apprenants maîtriseront les principales compétences liées aux LLMs en construisant un tuteur IA avec des outils comme OpenAI, LlamaIndex et Gradio. Parmi les sujets essentiels : les API de LLMs, le prompt engineering, les pipelines RAG, le fine-tuning, les agents LLM, les modèles de diffusion et les API, en plus de compétences non techniques essentielles comme la communication et la pensée entrepreneuriale.
À la fin du cours, les apprenants posséderont un projet LLM fonctionnel qu’ils pourront présenter dans leur portfolio, comme MVP ou comme solution d’IA interne.
Systematically Improving RAG Applications
Plateforme : Maven
Méthode d’apprentissage : par cohorte
Durée et coût : 6 semaines/25 heures d’apprentissage, 1 650 $ (66 $ par heure d’apprentissage)
Idéal pour : construire et améliorer des applications RAG.
Ce cours propose une approche structurée et fondée sur les données pour construire et optimiser des systèmes RAG, dépasser les essais-erreurs et obtenir une amélioration continue.
Les principaux sujets comprennent la génération de données synthétiques, les métriques de recherche d’information, soit la précision et le rappel, l’analyse du comportement des utilisateurs, le clustering et les outils de suivi pour prioriser les améliorations. Des techniques avancées comme le routage des requêtes, les embeddings propres au domaine, le fine-tuning, les re-rankers et la sélection quantifiable des outils sont couvertes pour améliorer la précision de la recherche d’information.
Les participants travailleront sur des projets portant sur les données structurées, la multimodalité, comme les images, les tableaux et les documents, ainsi que l’intégration de plusieurs méthodes de recherche. Le cours aborde la fiabilité et la mise à l’échelle avec des frameworks pour gérer la latence, la conception de l’expérience utilisateur et les boucles de feedback. En combinant des séances en direct et des leçons détaillées, il offre une approche pratique pour obtenir des performances RAG constantes.
LLM Engineering: Master AI & Large Language Models (LLMs)
Plateforme : Udemy
Méthode d’apprentissage : autonome
Durée et coût : 25,5 heures, 49,99 $ (1,96 $ par heure d’apprentissage) (sans rabais)
Idéal pour : acquérir de l’expérience avec plus de 20 modèles et plateformes comme HuggingFace, LangChain, Gradio et Weights & Biases.
Ce cours vidéo de 8 semaines offre une introduction pratique à l’IA générative et aux LLMs aux développeurs qui connaissent Python. Les principaux sujets comprennent les bases de l’IA générative, les architectures de transformeurs, le RAG, le fine-tuning par QLoRA et les workflows agentiques. Les participants évalueront des modèles de pointe et open source pour comprendre leurs forces et leurs applications concrètes.
Les projets portent sur la construction d’un générateur de brochures propulsé par l’IA, la conception d’un agent multimodal de soutien à la clientèle, l’optimisation du code Python en C++ pour améliorer les performances et la création de travailleurs du savoir propulsés par l’IA avec des workflows RAG. Le projet final met les apprenants au défi de faire le fine-tuning et de déployer des LLMs pour s’attaquer à des problèmes d’affaires complexes.
Complete the Generative AI Course with Langchain and Huggingface
Plateforme : Udemy
Méthode d’apprentissage : autonome
Durée et coût : 50 heures, 94,99 $ (1,9 $ par heure d’apprentissage)
Idéal pour : apprendre Langchain et Huggingface pour construire, déployer et optimiser des applications d’IA.
Ce cours offre plus de 50 heures de contenu vidéo, des ressources téléchargeables et des articles supplémentaires axés sur LangChain et HuggingFace pour construire, déployer et optimiser des applications d’IA. Conçu pour les développeurs qui possèdent des connaissances en Python et les bases de l’apprentissage automatique, il comprend des projets concrets pour développer des compétences pratiques en IA générative.
Les principaux sujets couvrent les concepts fondamentaux de l’IA générative, la configuration de LangChain et les modèles préentraînés de HuggingFace. Le programme met l’accent sur le fine-tuning de chatbots, de systèmes de génération de contenu et d’augmentation des données. Il se concentre principalement sur la construction de pipelines RAG qui combinent l’IA générative et les systèmes de recherche d’information pour améliorer les performances et l’accès à l’information.
Large Language Models (LLMs) & Retrieval Augmented Generation (RAG)
Plateforme : Udacity
Méthode d’apprentissage : autonome
Durée et coût : 2 semaines, 249 $/mois (+ accès à d’autres services)
Idéal pour : comprendre les techniques essentielles de NLP, notamment la tokenisation et l’encodage du texte.
Ce cours de deux semaines donne aux développeurs Python qui maîtrisent le deep learning, PyTorch et Hugging Face une expertise pratique de la construction et du déploiement de LLMs.
Les sujets comprennent les bases des LLMs, le prompt engineering, la tokenisation, l’encodage du texte et les transformeurs. Les projets pratiques portent sur l’utilisation du RAG pour intégrer des LLMs à des datasets externes, créer des outils comme des bots de questions-réponses et construire des datasets personnalisés pour le fine-tuning. Le cours présente aussi des méthodes de création de datasets personnalisés pour bien ajuster les modèles.
Le projet final consiste à développer un chatbot personnalisé à partir du dataset de votre choix et fournit une base solide pour appliquer les LLMs à des tâches concrètes.
Large Language Models (LLMs) Training Course
Plateforme : Edureka
Méthode d’apprentissage : cours par cohorte
Durée et coût : 24 heures (4 semaines), 199 $ (8,2 $ par heure d’apprentissage)
Idéal pour : apprendre le prompt engineering, la formulation de prompts efficaces et les techniques de parameter tuning.
Ce cours offre une introduction complète à l’IA générative et aux LLMs qui couvre les bases, les applications et les modèles génératifs comme les GANs et les VAE. Il s’adresse aux développeurs, aux scientifiques de données et aux passionnés d’IA et exige des connaissances de base en Python et en apprentissage automatique.
Les principaux sujets comprennent l’architecture des transformeurs, les LLMs open source, HuggingFace et des techniques pratiques comme le prompt engineering, le parameter tuning et le fine-tuning.
Les projets portent sur le RAG, les embeddings de mots, le chunking et les bases de données vectorielles, avec des frameworks comme LangChain et LlamaIndex pour construire des applications fondées sur les LLMs.
Large Language Model Course
Plateforme : GitHub
Méthode d’apprentissage : autonome
Coût : gratuit
Idéal pour : combiner la théorie et des projets pratiques, comme les fondations des LLMs et les mathématiques essentielles.
Ce cours présente une feuille de route complète pour maîtriser les LLMs grâce à la théorie et à la pratique. Il est structuré en trois sections.
La section LLM Fundamentals couvre les mathématiques essentielles, Python pour le ML, les réseaux neuronaux et les bases du NLP, comme le prétraitement du texte, les embeddings et les réseaux récurrents. La section LLM Scientist approfondit les transformeurs, les mécanismes d’attention, la génération de texte, la construction de datasets, le fine-tuning (LoRA, QLoRA), le RLHF, la quantification et les tendances comme les modèles multimodaux. La section LLM Engineer se concentre sur le déploiement des LLMs par des API, le stockage vectoriel, le RAG, l’optimisation de l’inférence (Flash Attention, décodage spéculatif) et les stratégies de déploiement local, sur serveur et en périphérie.
Le cours comprend deux assistants interactifs, HuggingChat et ChatGPT (version premium requise), des notebooks pratiques et des ressources sur des sujets comme l’évaluation, le fine-tuning et la quantification.
Certified LLM Developer
Plateforme : blockchain-council
Méthode d’apprentissage : autonome
Durée et coût : plus de 13 heures, 229 $ (17 $ par heure d’apprentissage)
Idéal pour : apprendre à déployer des modèles avec Flask, FastAPI et Docker.
Le programme Certified LLM Developer est un cours autonome conçu pour permettre aux développeurs, aux scientifiques de données et aux passionnés d’IA d’approfondir leur expertise en IA et de maîtriser les technologies liées aux LLMs dans des scénarios concrets.
Le cours couvre les bases des LLMs, dont la tokenisation, les embeddings, les mécanismes d’attention, le fine-tuning de modèles comme GPT et BERT et l’utilisation de frameworks comme Hugging Face, LangChain et Ollama pour les agents conversationnels et le déploiement de LLMs.
Des modules supplémentaires explorent la vision par ordinateur avec des CNN dans TensorFlow, le traitement audio pour la reconnaissance et la classification de la parole et les techniques de traitement des signaux vidéo.
Les projets pratiques comprennent la construction de modèles de classification et de génération de texte, la création d’architectures d’agents conversationnels et le déploiement de modèles avec Flask, FastAPI et Docker. Le cours présente aussi des concepts MLOps pour gérer le déploiement et surveiller les performances. Le programme se termine par un examen de certification, avec un maximum de trois reprises permises.
LLM Mastery: ChatGPT, Gemini, Claude, Llama3, OpenAI & APIs
Plateforme : Udemy
Méthode d’apprentissage : autonome
Durée et coût : plus de 20 heures, 84,99 $ (4,2 $ par heure d’apprentissage) (sans rabais)
Idéal pour : construire des agents IA avec LangChain, Flowise et Autogen et déployer des modèles open source comme Llama 3 avec des outils comme LM Studio.
Ce cours offre un guide complet pour comprendre et appliquer les LLMs dans des situations concrètes. Il couvre les concepts fondamentaux et avancés grâce à des vidéos, des articles et des ressources téléchargeables. Il convient aux développeurs, scientifiques de données, passionnés d’IA, entrepreneurs et à toute personne qui souhaite utiliser les LLMs pour différentes tâches.
Les principaux sujets comprennent les paramètres des LLMs, l’architecture des transformeurs, le fine-tuning, le RLHF et les lois de mise à l’échelle. Les concepts avancés couvrent le traitement multimodal du texte et des images, le RAG et les techniques de prompt engineering comme le prompting par chaîne de pensée.
Les compétences pratiques comprennent l’intégration d’API avec OpenAI, Google Gemini et Claude, la construction d’agents IA avec LangChain, Flowise et Autogen et le déploiement de modèles open source comme Llama 3 avec des outils comme LM Studio. Le cours met l’accent sur la sécurité en abordant l’injection de prompts et la prévention du jailbreak. Il explore aussi les bases de données vectorielles d’embeddings, l’intégration de Zapier et la création d’agents IA avec CrewAI et Microsoft Autogen.
ChatGPT and LangChain: The Complete Developer’s Masterclass
Plateforme : Udemy
Méthode d’apprentissage : autonome
Durée et coût : plus de 12 heures, 99,99 $ (8,3 $ par heure d’apprentissage)
Idéal pour : utiliser ChatGPT, les plugins OpenAI et les composants de LangChain.
Ce cours donne aux ingénieurs logiciels qui possèdent des compétences de base en Python les outils nécessaires pour construire avec ChatGPT et LangChain des applications prêtes pour la production et enrichies par l’IA.
Les principaux sujets comprennent la création de pipelines personnalisés de génération de texte, l’intégration du feedback des utilisateurs, l’implémentation du RAG, la gestion de la mémoire conversationnelle et la recherche sémantique avec des embeddings. Les apprenants travailleront avec des bases de données vectorielles comme ChromaDB et Pinecone, automatiseront des tâches avec des agents et étendront LangChain pour diffuser du texte du serveur au navigateur. Ils apprendront aussi à utiliser les plugins OpenAI pour offrir des capacités comme l’accès aux bases de données et l’exécution du code, à maintenir les performances avec des outils de traitement distribué comme Celery et Redis et à améliorer l’observabilité avec le traçage.
Les projets pratiques comprennent une application Web dotée de la fonctionnalité « Chat-with-a-PDF », du téléversement de documents et de l’authentification des utilisateurs. Les ressources téléchargeables partagées dans le cours permettent aux développeurs d’intégrer des capacités d’IA avancées à de vraies applications.
GenAI 360 Courses (One Bundle)
Plateforme : Activeloop (collaboration avec Activeloop, Towards AI et Intel Disruptor Initiative)
Méthode d’apprentissage : autonome
Durée et coût : plus de 100 heures, gratuit
Idéal pour : développer une compréhension fondamentale des LLMs pour la production.
La certification GenAI360 Foundational Model est une série de trois cours conçue pour aider les ingénieurs, les dirigeants et les passionnés à développer une expertise des LLMs. Cette offre groupée combine la théorie et les applications pratiques et couvre l’entraînement, le fine-tuning, les techniques opérationnelles et le déploiement en production. Il est recommandé aux participants de posséder une connaissance intermédiaire de Python et de connaître les notebooks Jupyter et GitHub.
Le premier cours, LangChain & Vector Databases in Production, se concentre sur la construction d’applications propulsées par les LLMs avec LangChain et Deep Lake. Le deuxième, Training & Fine-Tuning LLMs for Production, prépare les participants à entraîner et à faire le fine-tuning de LLMs avec des méthodes comme LoRA, SFT et RLHF. Les apprenants prépareront des datasets, entraîneront des modèles dans le cloud et déploieront des solutions de LLMs adaptées à des cas d’utilisation précis. Le troisième cours, RAG for Production, enseigne aux participants à concevoir des systèmes de recherche d’information pour les applications d’IA.
La série se termine par l’Impossible GenAI Test, une évaluation exigeante conçue pour mesurer la compréhension des concepts essentiels de tous les cours.
FAQ
Que devrait enseigner un cours pour développeurs de LLMs ?
Il devrait enseigner les bases des modèles, le prompting, le RAG, le fine-tuning, les agents, les API, les évaluations, le déploiement et le jugement nécessaire pour mener des projets.
Comment les débutants devraient-ils choisir un cours ?
Choisissez un cours adapté à vos compétences actuelles qui vous oblige à construire des projets plutôt qu’à seulement regarder des explications.
Quel est le piège lorsqu’on choisit un cours ?
Le piège consiste à choisir selon le battage médiatique ou la durée. Un cours plus court avec de vrais projets peut être préférable à un immense catalogue que vous consultez passivement.
Pourquoi les projets pratiques comptent-ils dans un cours sur les LLMs ?
Les projets exposent les problèmes de recherche d’information, d’évaluation, de déploiement et de débogage que les leçons conceptuelles peuvent cacher.
Un cours devrait-il couvrir explicitement l’évaluation du RAG ?
Oui. Les builders ont besoin de méthodes reproductibles pour vérifier les preuves récupérées et la qualité de la réponse finale.
Pourquoi la connaissance du domaine compte-t-elle pour un développeur de LLMs ?
Les pipelines utiles dépendent des données, des workflows et des coûts d’échec propres au secteur. La seule connaissance des modèles ne suffit donc pas à définir le bon système.