Formation Domain-Specific Fine-Tuning for Finance

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de l'apprentissage automatique de niveau avancé qui souhaitent maîtriser les techniques de pointe de l'apprentissage par transfert et les appliquer à des problèmes complexes du monde réel.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les concepts et méthodologies avancés de l'apprentissage par transfert.
• Mettre en œuvre des techniques d'adaptation spécifiques à un domaine pour les modèles pré-entraînés.
• Appliquer l'apprentissage continu pour gérer des tâches et des ensembles de données en constante évolution.
• Maîtriser le réglage fin multi-tâches pour améliorer les performances des modèles à travers les tâches.

Cette formation en direct avec instructeur en France (en ligne ou sur place) est destinée aux professionnels de niveau avancé qui souhaitent déployer des modèles affinés de manière fiable et efficace.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les défis liés au déploiement de modèles finement ajustés en production.
• Conteneuriser et déployer des modèles en utilisant des outils comme Docker et Kubernetes.
• Mettre en œuvre la surveillance et la journalisation pour les modèles déployés.
• Optimiser les modèles pour la latence et l'extensibilité dans des scénarios réels.

Cette formation en direct avec instructeur dans France (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire à avancé qui souhaitent personnaliser des modèles pré-entraînés pour des tâches et des ensembles de données spécifiques.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes du réglage fin et ses applications.
• Préparer des ensembles de données pour affiner les modèles pré-entraînés.
• Affiner les grands modèles de langage (LLM) pour les tâches de NLP.
• Optimiser les performances des modèles et relever les défis les plus courants.

Cette formation en France (en ligne ou sur site) s'adresse aux développeurs de niveau intermédiaire et aux praticiens de l'IA qui souhaitent mettre en œuvre des stratégies de réglage fin pour de grands modèles sans avoir besoin de ressources informatiques considérables.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes de l'adaptation de faible rang (LoRA).
• Mettre en œuvre la LoRA pour un réglage fin efficace des grands modèles.
• Optimiser le réglage fin pour les environnements à ressources limitées.
• Évaluer et déployer des modèles ajustés par LoRA pour des applications pratiques.

Cette formation en direct dans France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent maîtriser la mise au point de modèles multimodaux pour des solutions innovantes en matière d'IA.

A l'issue de cette formation, les participants seront capables de :

• Comprendre l'architecture des modèles multimodaux tels que CLIP et Flamingo.
• Préparer et prétraiter efficacement des ensembles de données multimodales.
• Affiner les modèles multimodaux pour des tâches spécifiques.
• Optimiser les modèles pour des applications et des performances réelles.

Cette formation en France (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent améliorer leurs projets NLP en affinant efficacement les modèles de langage pré-entraînés.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux de la mise au point pour les tâches de TAL.
• Affiner les modèles pré-entraînés tels que GPT, BERT, et T5 pour des applications NLP spécifiques.
• Optimiser les hyperparamètres pour améliorer les performances des modèles.
• Évaluer et déployer des modèles affinés dans des scénarios réels.

Cette formation en France (en ligne ou sur site) s'adresse aux chercheurs en IA de niveau avancé, aux ingénieurs en apprentissage automatique et aux développeurs qui souhaitent affiner les modèles DeepSeek LLM pour créer des applications d'IA spécialisées adaptées à des industries, des domaines ou des besoins commerciaux spécifiques.

A la fin de cette formation, les participants seront capables de :

• Comprendre l'architecture et les capacités des modèles DeepSeek, y compris DeepSeek-R1 et DeepSeek-V3.
• Préparer les ensembles de données et prétraiter les données pour le réglage fin.
• Affiner le DeepSeek LLM pour des applications spécifiques à un domaine.
• Optimiser et déployer efficacement les modèles affinés.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux ingénieurs intermédiaires et avancés en apprentissage automatique, développeurs IA et scientifiques des données qui souhaitent apprendre à utiliser QLoRA pour ajuster efficacement de grands modèles à des tâches spécifiques et des personnalisations.

À la fin de cette formation, les participants seront capables de :

• Comprendre la théorie derrière QLoRA et les techniques de quantification pour les LLM (Large Language Models).
• Mettre en œuvre QLoRA pour l'ajustement fin de grands modèles de langage dans des applications spécifiques à un domaine.
• Optimiser la performance de l'ajustement fin sur des ressources informatiques limitées en utilisant la quantification.
• Déployer et évaluer efficacement les modèles ajustés fin dans des applications du monde réel.

This instructor-led, live training in France (online or onsite) is aimed at intermediate-level ML practitioners and AI developers who wish to fine-tune and deploy open-weight models like LLaMA, Mistral, and Qwen for specific business or internal applications.

By the end of this training, participants will be able to:

• Understand the ecosystem and differences between open-source LLMs.
• Prepare datasets and fine-tuning configurations for models like LLaMA, Mistral, and Qwen.
• Execute fine-tuning pipelines using Hugging Face Transformers and PEFT.
• Evaluate, save, and deploy fine-tuned models in secure environments.

This instructor-led, live training in France (online or onsite) is aimed at intermediate-level NLP engineers and knowledge management teams who wish to fine-tune RAG pipelines to enhance performance in question answering, enterprise search, and summarization use cases.

By the end of this training, participants will be able to:

• Understand the architecture and workflow of RAG systems.
• Fine-tune retriever and generator components for domain-specific data.
• Evaluate RAG performance and apply improvements through PEFT techniques.
• Deploy optimized RAG systems for internal or production use.

Cette formation en direct, animée par un formateur dans France (en ligne ou sur site), s'adresse aux ingénieurs de haut niveau en apprentissage automatique et aux chercheurs en IA qui souhaitent appliquer la RLHF pour affiner les grands modèles d'IA afin d'améliorer leurs performances, leur sécurité et leur alignement.

À l'issue de cette formation, les participants seront capables de :

• Comprendre les fondements théoriques de la RLHF et pourquoi elle est essentielle dans le développement moderne de l'IA.
• Mettre en œuvre des modèles de récompense basés sur les retours humains pour guider les processus d'apprentissage par renforcement.
• Affiner les grands modèles de langage en utilisant des techniques de RLHF pour aligner leurs sorties avec les préférences humaines.
• Appliquer les meilleures pratiques pour échelonner les workflows de la RLHF pour les systèmes d'IA de production.

This instructor-led, live training in France (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.

By the end of this training, participants will be able to:

• Understand the architecture and pretraining methods of vision-language models.
• Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
• Prepare datasets and apply PEFT strategies to reduce resource usage.
• Evaluate and deploy customized VLMs in production environments.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent maîtriser les techniques d'optimisation de grands modèles pour un réglage fin rentable dans des scénarios du monde réel.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les défis liés à la mise au point de grands modèles.
• Appliquer les techniques de formation distribuée aux grands modèles.
• Tirer parti de la quantification et de l'élagage des modèles pour plus d'efficacité.
• Optimiser l'utilisation du matériel pour les tâches de réglage fin.
• Déployer efficacement des modèles affinés dans des environnements de production.

Cette formation en direct avec instructeur dans France (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire qui souhaitent tirer parti de la puissance de l'ingénierie rapide et de l'apprentissage à court terme afin d'optimiser les performances du LLM pour des applications du monde réel.

A l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de l'ingénierie des messages-guides et de l'apprentissage à court terme.
• Concevoir des messages-guides efficaces pour diverses tâches NLP.
• Tirer parti des techniques d'apprentissage à court terme pour adapter les LLM avec un minimum de données.
• Optimiser les performances des LLM pour des applications pratiques.

This instructor-led, live training in France (online or onsite) is aimed at intermediate-level data scientists and AI engineers who wish to fine-tune large language models more affordably and efficiently using methods like LoRA, Adapter Tuning, and Prefix Tuning.

By the end of this training, participants will be able to:

• Understand the theory behind parameter-efficient fine-tuning approaches.
• Implement LoRA, Adapter Tuning, and Prefix Tuning using Hugging Face PEFT.
• Compare performance and cost trade-offs of PEFT methods vs. full fine-tuning.
• Deploy and scale fine-tuned LLMs with reduced compute and storage requirements.