Prenez contact avec nous
 Durée 7 heures

Plan du cours

De la génération de texte aux décisions typées

  • Ce qu'un modèle de décision retourne
  • Décisions du Système 1 par rapport aux LLM de raisonnement
  • Profil de coût et de latence des décisions bornées

Le paysage des modèles de décision à poids ouverts

  • Strands Decider 2B d'AWS Labs
  • Les familles à poids ouverts JEV et GEV
  • Pplx-Decider, Liquid D1 et Clef
  • Différences de licences et de déploiement

À l'intérieur d'un modèle de décision

  • Tronc de LLM sans tête de modélisation du langage
  • Tête pointeur calculant les scores sur les options candidates
  • Origine du score de confiance

Lancer vos premières décisions

  • Configuration locale sur CPU et GPU grand public
  • Formulation des questions et des ensembles d'options
  • Poser plusieurs questions lors d'un seul passage
  • Seuils et comportement de secours (fallback)

Évaluer la qualité des décisions

  • JevBench et benchmarks de décision
  • Exactitude par rapport à la calibration
  • Score de Brier et fiabilité de la confiance
  • Tâches pour lesquelles un modèle de décision est l'outil inadapté

Pré requis

  • Connaissances de base des grands modèles de langage et des applications basées sur des prompts.
  • À l'aise avec l'interface en ligne de commande et les scripts Python.
  • Aucune expérience en apprentissage automatique n'est requise.

Public visé

  • Ingénieurs IA évaluant des modèles de décision pour les flux de travail d'agents.
  • Développeurs logiciels remplaçant les appels de LLM par des décisions bornées.
  • Architectes de solutions et de plateformes concevant des architectures d'agents.
  • Chefs de produit technique évaluant les options de modèles de décision.

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires