15 minutesComment nous construisons des agents efficaces : Barry Zhang, Anthropic
Concevoir des boucles d'agents plus simples avec des règles d'arrêt claires, des limites de tâche et des points de contrôle humains.
AvancéAutomations
Développer un LLM : Construction, entraînement, ajustement fin
Sebastian Raschka. Sebastian Raschka présente progressivement la place du fine-tuning dans le pipeline global d’entraînement des LLM — ajustement par instructions, fine-tuning de classification, méthodes économes en paramètres et compromis relevés dans l’article avant de recommander LoRA. C’est un bon étalonnage avant de commencer, surtout si votre équipe se demande encore si le fine-tuning constitue la bonne étape.
Note d’AI Expert
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.
Ce que vous en retirerez
Situer le fine-tuning dans le pipeline global d’entraînement et déterminer quand il convient mieux que le prompting ou le RAG.
À voir ou à connaître au préalable
Une culture générale de l’apprentissage automatique ; il s’agit d’une présentation conceptuelle, sans environnement de code à préparer.
Dernière révision : 18 mai 2026
À regarder ensuite
Continuez dans le même parcours d’apprentissage avec les prochaines vidéos d’accompagnement sélectionnées.
15 minutes
190 minutesCours complet LangGraph pour débutants – agents IA complexes avec Python
Vous saurez construire un agent LangGraph avec un état typé, un routage conditionnel, des points de contrôle et des outils, et comprendrez dans quels cas cette explicitation est avantageuse.
AvancéAutomations
8 minutesDégradation du contexte : Comment l'augmentation des tokens d'entrée affecte les performances des grands modèles de langage
Comprendre comment le contexte long peut échouer en présence d'ambiguïté et d'éléments perturbateurs, puis concevoir des tests autour de ce risque.
AvancéIngénierie des prompts