Andrej Karpathy. C’est sur YouTube la meilleure explication de bout en bout de ce qu’est réellement un LLM — préentraînement, tokenisation, SFT, RLHF, apprentissage par renforcement pour le raisonnement, utilisation d’outils et hallucinations — avec le niveau de détail dont un ingénieur a besoin pour analyser les compromis entre modèles. Après l’avoir regardée, les décisions « modèles de classe GPT, modèles à poids ouverts ou modèles de raisonnement » évoquées dans l’article ne ressemblent plus à des choix de marques, mais à des choix de méthodes d’entraînement.
Les noms, les tarifs et les capacités des modèles évoluent rapidement. Utilisez cette vidéo pour son schéma de décision, puis vérifiez le comportement actuel des modèles avant de les adopter.
Comprendre suffisamment bien la pile LLM moderne pour analyser les tokens, l’entraînement, les outils et les défaillances.
Un bagage technique aide ; aucun prérequis en ML, mais prévoyez un temps de visionnage de trois heures et demie.
Dernière révision : 18 mai 2026
Continuez dans le même parcours d’apprentissage avec les prochaines vidéos d’accompagnement sélectionnées.
18 minutesComprendre pourquoi les appels de LLM fondés sur des schémas exigent des objets typés, des validateurs, des nouvelles tentatives et un traitement explicite des champs mal formés ou hallucinés.
77 minutesComprendre comment les spécialistes des prompts de production révisent les instructions, les exemples et les contraintes comportementales sous une pression réelle, au lieu de traiter les prompts comme du texte jetable.
55 minutesConcevoir une échelle d'évaluation qui détecte les régressions avant que les modifications de prompt ou de modèle n'atteignent les utilisateurs.
Des cours externes sélectionnés pour approfondir ce sujet.
Coursera · DeepLearning.AI + AWSAntje Barth · Shelbee Eigenbrode · Mike Chambers · Chris Fregly
Lorsque des praticiens demandent « quelle formation suivre pour réellement construire avec des LLM ? », voici la réponse. Le contenu est mathématiquement rigoureux sans prendre la forme d'un article de recherche ; les chapitres de déploiement centrés sur AWS restent utiles même si vous n'utilisez jamais SageMaker.
DeepLearning.AI · LlamaIndexJerry Liu
Le RAG naïf — recherche vectorielle, puis insertion dans la consigne — est souvent la première version déployée et la première à décevoir. Ce cours court montre l'étape suivante : un agent qui planifie la récupération, sélectionne les outils, compare les sources et répond à partir de plusieurs documents. Deux heures immédiatement applicables à un produit réel.
DeepLearning.AI · LangChainHarrison Chase
L'amnésie liée à la fenêtre de contexte rend la plupart des agents oublieux et peu efficaces dès le deuxième jour. Ce cours présente les modèles LangMem qui y remédient — mémoire épisodique, procédurale et sémantique — afin qu'un agent conserve les préférences de l'utilisateur et les interactions passées d'une session à l'autre sans surcharger la consigne.
