Module 1
Vocabulaire IA Essentiel
Vocabulaire IA Essentiel
30min
Leçons vidéo
Exercices
Lab pratique
Concepts de base :
LLM (Large Language Model) : Modèle de langage entraîné sur milliards de textes
Prompt : Instruction donnée au LLM
Token : Unité de texte (≈ 0.75 mots), coût calculé en tokens
Temperature : Créativité du modèle (0 = déterministe, 1 = créatif)
Context window : Mémoire du LLM (ex: 128k tokens = ~96k mots)
Techniques avancées :
Fine-tuning : Spécialiser un modèle sur vos données
RAG (Retrieval Augmented Generation) : Connecter LLM à vos documents
Embeddings : Représentations vectorielles de texte
Agents : LLMs qui peuvent utiliser outils et prendre décisions
Modèles populaires :
GPT-4.5 (OpenAI), Claude 3.7 (Anthropic), Gemini 2.0 (Google)
Open-source : Llama 3.3, Mistral
Module 2
Capacités et Limites de GenAI
Capacités et Limites de GenAI
20min
Leçons vidéo
Exercices
Lab pratique
Ce que GenAI fait bien ✅ :
Génération de texte (emails, docs, code)
Synthèse de documents
Traduction
Analyse de sentiments
Extraction d'informations
Brainstorming et idéation
Limites actuelles ❌ :
Hallucinations : Invente parfois des faits
Connaissances datées : Training data figé (ex: GPT-4 = avril 2023)
Raisonnement mathématique complexe : Erreurs fréquentes
Contexte limité : Oublie conversation si trop longue
Pas de jugement éthique autonome
Module 3
Identifier Opportunités IA
Identifier Opportunités IA
30min
Leçons vidéo
Exercices
Lab pratique
Framework d'évaluation :
Use cases par fonction :
Marketing : Génération contenu, SEO, A/B testing copies
Sales : Emails personnalisés, pitch decks, objection handling
Customer Support : Chatbots, résumés tickets, KB articles
HR : Job descriptions, screening CVs, onboarding docs
Finance : Analyse rapports, génération summaries
IT/DevOps : Code generation, documentation, debugging
Module 4
Communiquer avec Équipes Techniques
Communiquer avec Équipes Techniques
20min
Leçons vidéo
Exercices
Lab pratique
Questions à poser lors de projets IA :
Faisabilité :
"Quel modèle LLM recommandez-vous et pourquoi ?"
"Besoin de fine-tuning ou RAG suffit ?"
"Quelle est la précision attendue (% success rate) ?"
Coûts :
"Coût par requête / par utilisateur ?"
"Scaling : coût à 100 / 1,000 / 10,000 users ?"
"Build vs Buy : ROI comparatif ?"
Sécurité :
"Données sensibles : comment protégées ?"
"Modèle hébergé où (cloud public vs privé) ?"
"Conformité RGPD / AI Act garantie ?"
Timeline :
"POC : combien de temps ?"
"Production-ready : timeline réaliste ?"
"Dépendances et risques ?"
Module 5
Évaluer ROI Use Cases GenAI
Évaluer ROI Use Cases GenAI
20min
Leçons vidéo
Exercices
Lab pratique
Framework ROI :
Consultez la documentation Azure pour l'implémentation détaillée de cette fonctionnalité.
Exemple concret :
Use case : Chatbot customer support
Gains : 5,000 tickets/mois automatisés (70% résolution auto)
- 3,500 tickets × 15min économisées = 875h/mois
- 875h × €30/h = €26,250/mois = €315k/an
Coûts :
- LLM API : €2,000/mois = €24k/an
- Dev + infra : €50k one-time + €10k/an maintenance
- Total an 1 : €84k
ROI an 1 : (€315k - €84k) / €84k = 275%
Payback : 3 mois