Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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.