Construire des systèmes d'IA agents

Aperçu

This course takes you on an in-depth journey into building intelligent, autonomous AI agents that can reason, plan, and adapt. You'll gain practical knowledge on the design and deployment of agentic systems using generative AI principles, ensuring your ability to create robust AI solutions for real-world applications.

By following the course, you'll enhance your ability to design AI systems capable of operating autonomously in dynamic environments. You'll work on real-world examples that reinforce the practical application of advanced AI techniques such as reflection, introspection, and collaboration.

What sets this course apart is its combination of theoretical learning and hands-on implementation. We focus not only on the technology behind AI agents but also on ethical considerations, safety, and transparency, which are critical in today’s rapidly evolving AI landscape.

This course is ideal for AI developers, machine learning engineers, and software architects with a solid programming background. If you're experienced with Python and eager to expand your skills in autonomous AI, this course is for you.

Programme

• Fondamentaux de l'IA générative
Dans cette section, nous explorons les LLM autoregressifs comme GPT-3 et PaLM pour la génération de texte et les modèles uniquement encodeurs comme BERT pour les tâches NLU telles que la classification de texte et la reconnaissance d'entités nommées (NER). Nous discutons des LLM spécifiques à un domaine et de leurs applications dans les agents IA, l'IA générative pour la création de contenu et les modèles multimodaux pour les images, les vidéos et l'audio. La section souligne les cas d'utilisation pratique dans les médias, la mode, le marketing et le support client, en insistant sur les considérations éthiques, la qualité des données et les défis informatiques. Elle fournit des perspectives sur la construction de solutions IA efficaces et responsables à travers des exemples concrets et des concepts techniques comme la NLU, le NER et les modèles génératifs.
• Principes des systèmes agentiques
Dans cette section, nous explorons les systèmes agentiques, en mettant l'accent sur l'autogouvernance, l'autonomie et les caractéristiques des agents intelligents. Nous examinons des architectures comme les systèmes délibératifs et hybrides, ainsi que les interactions multi-agents dans la logistique et les assistants de réservation de voyage. Les concepts clés incluent les types d'autonomie, la décomposition des tâches et les mécanismes de coordination. La section met l'accent sur les applications pratiques dans la prise de décision, l'optimisation de la chaîne d'approvisionnement et les systèmes adaptatifs, offrant des perspectives pour construire des agents autonomes avec une pertinence dans le monde réel.
• Composantes essentielles des agents intelligents
Dans cette section, nous explorons la représentation des connaissances à travers des réseaux sémantiques et la logique, les méthodes de raisonnement comme le raisonnement déductif et inductif, et les mécanismes d'apprentissage tels que l'apprentissage par renforcement et par transfert. Nous examinons comment les agents intelligents peuvent s'adapter, prendre des décisions et s'améliorer par l'expérience, avec un accent sur les applications pratiques dans des environnements dynamiques.
• Réflexion et introspection dans les agents
Dans cette section, nous explorons comment la réflexion et l'introspection améliorent les agents intelligents en leur permettant d'analyser leur raisonnement, d'adapter leur comportement et d'améliorer leur performance grâce à l'auto-surveillance. Les concepts clés incluent le méta-raisonnement, l'auto-explication et l'auto-modélisation, avec des implémentations pratiques utilisant CrewAI et des applications concrètes dans le service clientèle, le trading financier et le commerce électronique.
• Permettre l'utilisation d'outils et la planification dans les agents
Dans cette section, nous explorons l'intégration de l'utilisation d'outils et des algorithmes de planification pour améliorer les capacités des agents, couvrant REST API, SQL et pandas 2.x pour une mise en œuvre pratique. Les concepts clés incluent la sélection d'outils, la conception de flux de travail, et l'application d'algorithmes comme HTN et A* pour permettre une prise de décision efficace et contextuelle dans des scénarios réels.
• Explorer l'approche Coordinateur, Travailleur et Délégateur
Dans cette section, nous explorons le modèle coordinateur-travailleur-délégateur (CWD) pour concevoir des systèmes multi-agents, en nous concentrant sur la conception d'agents basés sur les rôles et la communication structurée. Nous examinons comment attribuer des tâches spécifiques aux agents, établir une collaboration efficace et mettre en œuvre des protocoles pour des applications IA concrètes, en insistant sur l'adaptabilité et la résilience du système.
• Techniques efficaces de conception de systèmes agentiques
Dans cette section, nous explorons des techniques pour concevoir des systèmes agentiques avec des invites structurées, la modélisation de l'environnement et des stratégies de mémoire pour assurer des performances cohérentes. Les concepts clés incluent la représentation de l'espace d'état, la gestion du contexte et les schémas de flux de travail comme le traitement séquentiel et parallèle pour des applications IA concrètes.
• Construire la confiance dans les systèmes IA génératifs
Dans cette section, nous examinons des stratégies pour construire la confiance dans les systèmes IA génératifs à travers la transparence, l'explicabilité et la réduction des biais. Les concepts clés incluent la mise en œuvre d'une communication claire, la gestion de l'incertitude et l'assurance d'un développement éthique pour améliorer la confiance des utilisateurs et le déploiement responsable de l'IA.
• Gérer la sécurité et les considérations éthiques
Dans cette section, nous examinons des stratégies pour un déploiement sûr et responsable de l'IA, en nous concentrant sur l'atténuation des risques comme les biais, la désinformation et les violations de la confidentialité des données. Les concepts clés incluent des lignes directrices éthiques, des cadres de gouvernance basés sur des politiques, et le contrôle d'accès basé sur les rôles pour garantir que les systèmes IA fonctionnent dans des limites éthiques et de sécurité définies.
• Cas d'utilisation et applications courants
Dans cette section, nous examinons comment les agents basés sur LLM révolutionnent l'automatisation et la collaboration homme-IA dans les domaines créatifs, conversationnels et de prise de décision. Le contenu met en avant des applications pratiques utilisant Python, SQL et REST API, en soulignant leur rôle dans des systèmes adaptatifs, orientés vers des objectifs qui améliorent l'efficacité et l'interaction dans des scénarios réels.
• Conclusion et perspectives futures
Dans cette section, nous explorons la conception et la mise en œuvre de systèmes agentiques utilisant C# et REST API, tout en analysant les limitations de l'IA et les défis pour atteindre l'intelligence artificielle générale (AGI). Nous nous concentrons sur les applications pratiques, l'évolutivité et les considérations éthiques dans les solutions IA du monde réel, en soulignant l'importance de l'adaptabilité, du raisonnement et de la gestion efficace des données avec des outils comme pandas 2.x.

Enseigné par

Packt - Course Instructors

Matières

Artificial Intelligence