Comprendre l'IA

L'IA générative s'appuie sur des modèles d'apprentissage profond pour créer des contenus.

L'apprentissage automatique (AA) entraîne un ordinateur à identifier des schémas et à réaliser des prédictions.

L'apprentissage profond traite des données à l'aide d'un algorithme qui s'inspire du cerveau humain.

Un modèle de fondation est un type de modèle d'AA qui est préentraîné pour réaliser une série de tâches.

Les grands modèles de langage peuvent comprendre et générer du langage humain.

L'infrastructure d'IA permet aux équipes de science des données et de développement de travailler efficacement.

Le MLOps intègre des modèles d'AA aux processus de développement de logiciels.

L'AIOps utilise l'IA pour améliorer ou remplacer partiellement des processus et tâches d'exploitation informatique.

Les applications de l'IA/AA diffèrent en fonction des secteurs.

Dans le domaine de la santé, l'IA profite à la science, aux prestataires de soins et aux organismes payeurs.

Les opérateurs de télécommunications s'appuient sur l'IA pour faire face à la complexité du réseau, aux inefficacités opérationnelles et à la concurrence.

L'IA peut améliorer le service clientèle et l'efficacité opérationnelle dans le secteur bancaire.

L'Edge AI permet aux appareils de prendre de meilleures décisions plus rapidement.

Le LLMOps permet de gérer et d'automatiser le cycle de vie des LLM.

Une plateforme d'IA est un ensemble de technologies qui permettent de développer, d'entraîner et d'exécuter des modèles d'apprentissage automatique.

InstructLab simplifie la personnalisation des grands modèles de langage à l'aide de données privées.

La génération augmentée de récupération ou RAG (Retrieval-Augmented Generation) associe des ressources externes à un LLM pour améliorer la précision des sorties.

Les applications intelligentes permettent d'améliorer un workflow humain grâce à l'IA.

Le réglage fin et la RAG sont deux méthodes différentes qui permettent d'améliorer les LLM. Avec la RAG, le modèle n'est pas altéré, tandis que le réglage fin nécessite d'en ajuster les paramètres.

La famille Granite regroupe des LLM qui ont été créés par IBM pour les applications d'entreprise et qui prennent en charge des cas d'utilisation de l'IA liés au langage et au code.

L'IA agentique est un système logiciel conçu pour interagir avec les données et les outils sans intervention humaine, ou presque.

L'IA prédictive et l'IA générative répondent à différents besoins.

Les grands et les petits modèles de langage sont deux systèmes d'IA entraînés dans le but d'interpréter le langage humain, notamment les langages de programmation.

L'inférence d'IA est l'opération dans le cadre de laquelle un modèle d'IA fournit une réponse à partir de données.

Le vLLM est une bibliothèque de code Open Source qui permet aux LLM d'effectuer des calculs plus efficaces à grande échelle.

Ces deux techniques aident au réglage fin efficace des LLM, mais elles présentent des différences en matière de manipulation du modèle et d'utilisation du stockage.

Le PEFT (Parameter-Efficient Fine-Tuning), ou réglage fin efficace des paramètres, est un ensemble de techniques qui servent à régler une partie seulement des paramètres d'un LLM afin d'économiser des ressources.

L'IA pour les entreprises s'accompagne de ses propres défis et avantages à grande échelle.

Cette approche permet de fournir des modèles d'IA sous forme de ressources partagées et accessibles à la demande au sein d'une entreprise.

Chacune de ces technologies présente un fonctionnement et des atouts uniques. Elles peuvent être associées pour créer des solutions plus intelligentes.

Ce terme désigne toutes les mesures qui protègent les applications d'IA contre les attaques visant à affaiblir les charges de travail et à manipuler des données.

Ce protocole Open Source permet une connexion bidirectionnelle et une communication standardisée entre des applications d'IA et des services externes.

Ce framework Open Source permet d'accélérer l'inférence des LLM à grande échelle.

Cette approche permet aux modèles d'IA de traiter les charges de travail plus efficacement en répartissant les tâches liées à l'inférence entre plusieurs équipements interconnectés.

LinkedIn, Roblox et Amazon utilisent le framework vLLM pour accélérer l'inférence d'IA.

Ce terme renvoie à un ensemble de techniques appliquées au cours du cycle de vie de l'apprentissage automatique (AA) dans le but d'améliorer la clarté et la transparence des résultats que fournit l'IA.

Dans le cadre de l'intégration de LLM à une application d'IA, le framework vLLM offre de hautes performances en production tandis qu'Ollama est plus adapté au développement local.