TP : Créer un Chatbot RAG de A à Z
Construisez un chatbot intelligent qui répond en se basant sur vos documents : chunking, embeddings, vector store, prompt engineering et interface web.
Projets concrets, tutoriels et implémentations réelles
Construisez un chatbot intelligent qui répond en se basant sur vos documents : chunking, embeddings, vector store, prompt engineering et interface web.
Apprenez à fine-tuner un LLM (Llama, Mistral) avec LoRA/QLoRA sur vos données métier : préparation du dataset, entraînement, évaluation et déploiement avec Ollama.
Prédisez comment un tokenizer découpe les phrases en tokens ! Cliquez entre les caractères pour placer vos séparations et découvrez les règles de tokenization.
Classez des phrases par similarité sémantique ! Découvrez comment les embeddings capturent le sens des mots grâce à une visualisation 2D interactive.
Identifiez les biais dans les réponses d'IA ! Surlignez les passages biaisés, classifiez le type de biais et évaluez la sévérité.
Recommandez le bon modèle IA pour chaque client ! Analysez les contraintes (budget, volume, latence, confidentialité) et choisissez le modèle optimal.
Assemblez un pipeline RAG complet ! Remettez les étapes dans le bon ordre et choisissez les bons composants pour chaque étape.
Ajustez les hyperparamètres d'un modèle ML et observez l'impact en temps réel sur les courbes d'entraînement. Atteignez l'accuracy cible sans overfitting !
Construisez un réseau de neurones couche par couche ! Glissez-déposez les composants, configurez les paramètres et lancez l'entraînement pour valider votre architecture.
Comparez deux prompts et votez pour le meilleur ! Apprenez les techniques de prompt engineering de manière concrète et comparative.
Explorez le dataset officiel du Chatbot Arena (33 000 conversations) pour comprendre quels modèles d'IA gagnent le plus souvent et pourquoi.
Comparez les performances de GPT-4o, Claude et Gemini sur la classification de sentiment de tweets français avec un dataset Kaggle réel.