Introduction à l'IA Générative : Concepts et Techniques

Aperçu

This four-module course gives you a clear, practical foundation in Generative AI from what it is and where it’s used, to how modern models work and how to apply them responsibly. You’ll start with the big picture:

GenAI capabilities across text, image, audio, and video, plus real-world industry applications.

Then you’ll dive into the science behind today’s Large Language Models:

text representation (tokenization, embeddings), and the Transformer architecture (positional encoding, self-attention, encoder/decoder flow). Next, you’ll get hands-on with LLMs and workflows:

crafting effective prompts, calling models via web/UI and APIs, running models locally (e.g., via Ollama), and extending capabilities with Retrieval-Augmented Generation (RAG) and fine-tuning.

Finally, you’ll examine challenges and responsible practice, including copyright, privacy and security, explainability, and questions of ownership in the GenAI era. Designed for learners with basic Machine Learning and Python familiarity, the course blends short lessons with labs, quizzes, and exercises.

By the end, you’ll understand the core concepts and architectures behind GenAI with a strong sense in ethical and responsible use and GenAI limitations. By the end of this course, learners will be able to:

Explain how generative AI spans text, image, audio, and video and assess real industry workflows where it creates value.

Trace the evolution of language modeling from probabilistic/NLP approaches to Transformers, and justify why attention overcomes prior limitations. Understand tokenization and word embeddings, and reason about how these representations affect model behavior.

Decompose a Transformer block and follow tensors, through self-attention, MLPs, and normalization to explain how representations are formed and refined. Operate LLMs via web UIs, APIs, and locally with Ollama to write minimal inference code and improve outputs using prompt patterns and get familiar with concepts of RAG and Fine-Tuning as possible next steps.

Identify, analyze, and explain LLMs shortcomings such as bias, hallucination, ownership, and prompt injection by formulating user-level guidelines, organizational processes, and governance policies.

Programme

• Qu'est-ce que GenAI ?
Dans la première semaine du cours, nous commençons par la question la plus fondamentale : Qu'est-ce que l'intelligence artificielle générative ? À partir de là, nous explorons la portée des projets Gen-AI et examinons les applications les plus populaires pour diverses tâches. Les apprenants découvriront comment Gen-AI transforme les industries et provoque des changements dans des secteurs tels que les soins de santé, les affaires et la finance. Nous fournissons ensuite un aperçu de haut niveau de la science derrière ces technologies, préparant les participants à des concepts plus techniques.
• Essentiels du NLP
Ce module ancre les apprenants dans le traitement du langage naturel, de ses racines à aujourd'hui. Vous examinerez comment le langage est représenté et pourquoi ces étapes sont importantes. En s'appuyant sur cette base, le module démystifie le Transformer, couvrant l'encodage positionnel, la self-attention et la multi-head attention. À la fin, vous comprendrez les mécanismes de bout en bout qui alimentent les chatbots d'aujourd'hui.
• Utilisation pratique des LLM
Ce module explore comment vous pouvez transformer vos idées en applications GenAI et explore l'écosystème des modèles open-source vs propriétaires. Vous acquerrez une expérience pratique en effectuant des appels API vers des modèles cloud et en exécutant des modèles open-source localement avec Ollama. Enfin, vous maîtriserez l'ensemble complet d'outils de fiabilité, passant de l'ingénierie avancée des prompts à la génération augmentée par récupération (RAG) et à l'ajustement fin.
• Considérations éthiques et développement responsable en IA
Le Module 4 aborde directement les préoccupations croissantes concernant l'utilisation de l'IA générative en se concentrant sur les défis de l'IA générative et les principes de l'IA responsable. Nous examinerons des limitations critiques telles que les biais et les hallucinations et explorerons leurs atténuations. Ce module couvre également des questions complexes concernant la propriété intellectuelle, la confidentialité des données et la propriété, ainsi que le rôle de l'IA explicable (XAI) dans la construction de systèmes sécurisés et dignes de confiance.

---

Enseigné par

Amreen Anbar and Soroush Razavi

---

Matières

Artificial Intelligence