Open Generative AI: Build with Open Models and Tools Professional Certificate.

Ce certificat professionnel porte sur la conception, l’adaptation, l’évaluation et le déploiement de systèmes d’IA générative fondés sur des modèles ouverts. Il part des fondamentaux des modèles ouverts, de leurs architectures et de leurs licences, puis construit progressivement une chaîne de compétences complète : environnement de développement, préparation des données texte et image, fine-tuning, évaluation, optimisation, RAG, API, agents, déploiement et sécurité. L’objectif est de savoir passer d’un modèle ouvert disponible à un système fiable, exploitable et conforme dans un contexte réel.

Les notions les plus structurantes concernent les architectures de LLM et de modèles de diffusion, les licences open source, open weights et open access, les environnements locaux avec Ollama, Docker et Jupyter GPU, la préparation de datasets texte et image, l’annotation, l’augmentation, le fine-tuning avec PEFT, LoRA, QLoRA, DreamBooth et Stable Diffusion, ainsi que les métriques d’évaluation comme perplexity, BLEU, ROUGE, BERTScore, FID, SSIM et CLIP. Le certificat couvre aussi les sujets de production : quantization INT8/INT4, optimisation de l’inférence, ONNX, RAG avec embeddings et bases vectorielles, FastAPI, MCP, agents avec mémoire et outils, containerisation, cloud deployment, monitoring, guardrails, biais, provenance, watermarking, conformité et sécurité.

Pour moi, ce certificat est utile parce qu’il donne une vision très concrète de ce qu’il faut maîtriser pour construire des solutions d’IA générative au-delà du simple usage d’un modèle. Il aide à comprendre les arbitrages entre performance, coût, infrastructure, licences, sécurité, qualité des données, robustesse et passage en production. Dans une mission de transformation ou auprès d’un COMEX, c’est un appui précieux pour évaluer la maturité d’une démarche IA, cadrer des cas d’usage réalistes et dialoguer avec les équipes techniques sur les conditions concrètes de déploiement de systèmes d’IA générative fiables.

**Cours inclus :**

– Foundations of Open Generative AI Engineering
– Understanding Open AI Workspaces
– Preparing Text for AI Models
– Preparing Images for AI Models
– Fine-tuning Text Models with PEFT
– Fine-tuning Image Models with Diffusion
– Model Evaluation and Benchmarking
– Optimizing Models for Production
– Building RAG Systems with Open Models
– API Development and Model Serving
– AI Agent Development Fundamentals
– Deploying Open Models
– Ethics and Safety in Open AI

Building RAG Systems with Open Models

Ce cours porte sur la conception de systèmes de génération augmentée par récupération, avec des modèles ouverts. Il traite du lien entre recherche d’information, qualité de récupération et qualité de réponse dans des usages d’IA fondés sur des bases documentaires.

Les repères les plus structurants concernent l’architecture RAG, le choix des embeddings, les bases vectorielles, les stratégies de retrieval et les enjeux d’évaluation. Le cours est particulièrement utile pour comprendre pourquoi la qualité d’un système dépend moins du modèle seul que de toute la chaîne de traitement.

Pour moi, cela me donne une grille de lecture plus solide pour aider un COMEX à évaluer ce qui est réaliste ou non dans des projets de copilotes documentaires, de moteurs de connaissance ou d’assistance métier. Cela me permet aussi de mieux cadrer les conditions de fiabilité, de coût et de maintenabilité de ce type de solution.