1.1 – Rappels des fondamentaux
* Des Large Language Models aux systèmes agentiques : rapide revue des évolutions depuis GPT3
* Biais et hallucinations sont une composante de l’IA : limites fondamentales de nos approches, impacts à prendre en compte.
* Méthode principale d’évaluation d’un outil IA : limites et aveuglements.
* Parcours détaillé de trois benchmarks centraux et de leurs limites : SWE-Bench, ARC-AGI, τ2-bench
* Coût humain caché! Focus sur les écueils AI Slop en dévelopement logiciel et vers les projets Open Source.
* Réflexions en conduite du changement IA : contrôle, informations partagées. Pièges des valeurs d’incertitude.
1.2 – Tour d’horizon de l’écosystème IA/Agents
Attention : le programme donné ici est celui d’août 2026. Cette partie de la formation est mise à jour mensuellement.
* Anthropic : Analyse des derniers modèles et des extensions de Claude (Claude Legal). Evolution des modèles et écueils rencontrés sur les derniers modèles. Focus sur Claude Fable : conflit avec le gouvernement américain, communication, limites d’utilisation et coûts. Enjeux de l’IPO.
* OpenAI : retour sur la guerre avec Anthropic. Recherche de sources de revenus (publicité, market-place). Analyse des derniers modèles et des pistes d’évolution. Enjeux de l’IPO
* Google : analyse d’un positionnement différent. Contrôle interne du hardware utilisé. Différentiation des modèles Gemma : Diffusion, Differential Privacy, Edge AI. Autres travaux (robotique, World Models, etc.)
* Modèles chinois « Open Source » ? Analyse du phénomène DeepSeek, focus sur le modèle proposé et l’optimisation hardware.
* Modèles chinois « Open Source » ? Analyse GLM & Kimi.
* Le « Software as a Service » est-il condamné ? Analyse et échanges.
1.3 – Sécurité de l’IA : points d’attention
* Sécurité de l’IA ? Revue des principales failles de sécurité d’un modèle : Adversarial Attacks, Jailbreaking, Prompt Injection, Model Inversion, Membership Inference, Poisoned Datasets
* Sécurité de l’IA face aux systèmes agentiques : revue de failles publiques découvertes. Analyse des conditions de fonctionnement sécurisé d’un système agentique.
* Retour sur Antropic Mythos : détection de failles de sécurité par IA. Résultats par modèles Open Source. Impacts à prendre en compte.
* Etude de cas : détournement d’un système de recherche agentique ou RAG : précautions indispensables et bonnes pratiques
1.4 – Solutions : investissements en data
* L’IA comme royaume du PoC : quelles actions représentent de réels investissements en IA ?
* Principes méthodologiques d’architecture data : itérations sur la compréhension de la donnée, en entraînement ou en test/validation d’un ouril.
* L’architecture data comme point de rencontre entre experts métiers et data-scientists : étude de cas.
* Tester un outil IA d’une manière stable et itérative ? Approches de black-box testing en architecture data
* Exploitation de la donnée synthétique pour élargissement de la couverture de test.
* Test automatisé et sur mesure d’un outil externe
1.5 – Solutions : investissements en IA
* Appels de grands modèles en approche « black box » : limites fortes et pistes de solution.
* Architecture IA : grands principes, confrontation au paradigme logiciel. Pertinence des petits modèles en coût et en traçabilité.
* Itération contrôlée en qualité en IA par architecture. Opportunisme sur les différents modèles disponibles.
* Souveraineté et IA : enjeux et solutions.
* Leviers de contrôle des coûts en IA : estimations, adaptations et maîtrise économique du système.