Cadres de Données pour l'IA Générative

Aperçu

Generative AI systems—large language models (LLMs), Retrieval-Augmented Generation (RAG), and agentic AI—demand modern data strategies to ensure accuracy and reliability. These technologies hinge on high-quality, well-governed data; without a robust framework, even advanced models risk generating flawed outputs.

This course explores how foundational data principles enable scalable, trustworthy generative AI solutions. We start by analyzing LLMs’ role in today’s AI applications, addressing limitations like hallucinations and outdated context.

Next, we examine how RAG enhances LLMs with retrieval mechanisms, and why agentic AI—enabling autonomous reasoning and decision-making—is the next frontier. Each evolution underscores the criticality of structured, governed data.

You’ll learn the core components of modern data strategy:

unified frameworks, effective management, and principled governance. We dissect how structured and unstructured data uniquely power AI systems and introduce pillars like accessibility, security, lineage, and scalability.

Through case studies, hands-on exercises, and expert-led discussions, you’ll gain practical insights into data taxonomies, classification, and real-world implementation. By the end of the course, you’ll master applying these strategies to GenAI projects, ensuring systems are built on reliable, enterprise-ready data foundations.

This course is for Data Scientists, Data Engineers, AI or GenAI Leaders, and any curious learner who wants to understand modern data strategies, especially data frameworks and their impact and applications. By the end of this course, you will be able to, explain the components of a modern data framework and its role in GenAI.

You will also be able to differentiate between structured and unstructured data in AI implementations and apply foundational data governance and management principles to support scalable GenAI solutions.

Programme

• Comprendre les Fondamentaux de la Stratégie des Données Modernes
Dans le paysage de l'IA en évolution rapide d’aujourd'hui, les données ne sont plus simplement un sous-produit, elles sont le carburant qui alimente les systèmes intelligents. Ce module introduit le rôle fondamental des cadres de données dans la stratégie de données moderne, en particulier dans le contexte des applications d'IA Générative. Nous commençons par discuter de la manière dont les Modèles de Langage Étendu (MLE), la Génération Augmentée par Récupération (RAG) et les systèmes d'IA Agentique dépendent de données de haute qualité et bien gérées. Vous explorerez l'évolution de ces technologies, leurs dépendances aux données structurées et non structurées, et comment la stratégie de données doit évoluer parallèlement. Le module aborde également les piliers essentiels d'une stratégie de données moderne - cadres de données, gestion et gouvernance - et explique leur rôle essentiel dans l'amélioration de la performance, de la conformité et de l'évolutivité des solutions GenAI. À travers des exemples, des études de cas et des présentations guidées, vous apprendrez à concevoir des cadres qui soutiennent la pertinence, la qualité et la responsabilité, garantissant que les systèmes d'IA soient à la fois puissants et responsables.
• Introduction à des Cadres de Données Complet
À mesure que l'IA générative continue d'évoluer, l'importance des cadres de données bien structurés est devenue centrale pour la construction de systèmes d'IA évolutifs et éthiques. Dans ce module, nous nous concentrons sur la conception de cadres de données complets qui soutiennent les besoins des systèmes d'IA modernes, en particulier ceux qui dépendent à la fois de données structurées et non structurées. Vous explorerez le rôle des taxonomies personnalisées dans l'organisation des données, et comment ces taxonomies permettent une classification et une récupération des données cohérentes. Nous examinons également comment les principes de l'IA Responsable (RAI) influencent la stratégie et la gouvernance des données, en veillant à ce que l'équité, la transparence et la responsabilité soient intégrées à la base. À travers des discussions pratiques et des perspectives d'experts, vous verrez comment les composants d'un cadre de données robuste - conception de taxonomie, considérations éthiques et pratiques de gouvernance - fonctionnent ensemble. Enfin, nous examinons les tendances émergentes et les attentes en évolution des cadres de données pour préparer l'avenir du déploiement GenAI.

Enseigné par

Fractal Analytics and David Drummond

Matières

Computer Science