Foundations of Open Generative AI Engineering

Ce cours porte sur les fondements de l’ingénierie des modèles génératifs ouverts, en insistant sur les licences, les architectures et les arbitrages de performance. Il aide à mieux comprendre le paysage des modèles disponibles et les implications concrètes de leur utilisation.

Les notions les plus structurantes concernent les différences entre modèles ouverts et fermés, les architectures de modèles, les enjeux de licence et les compromis entre vitesse, coût et précision. Le cours est utile parce qu’il donne des repères pour raisonner au-delà du simple engouement pour la technologie.

Pour moi, cela me permet de mieux éclairer un COMEX sur le choix d’un modèle en fonction d’un besoin réel, d’un cadre d’usage et d’un niveau de risque acceptable. Cela renforce ma capacité à relier stratégie IA, contraintes juridiques et soutenabilité économique.

Understanding Open AI Workspaces

Ce cours porte sur les environnements de travail pour l’IA, en particulier les configurations locales avec Ollama, les environnements conteneurisés avec Docker et l’usage de Jupyter. Il permet de mieux comprendre les bases techniques nécessaires à un travail IA reproductible et maîtrisé.

Les notions les plus structurantes concernent la mise en place d’un workspace local, l’usage de Docker pour stabiliser les environnements, la gestion des ressources GPU et la configuration d’outils de développement comme Jupyter. Le cours est utile parce qu’il relie expérimentation IA, discipline d’environnement et efficacité opérationnelle.

Pour moi, cela me permet de mieux comprendre les conditions concrètes dans lesquelles des équipes expérimentent, développent et stabilisent des usages IA. Cela renforce ma capacité à dialoguer de manière plus crédible avec les équipes techniques et à mieux lire les enjeux de passage du prototype à un cadre de travail robuste.

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.