Ce cours porte sur la collecte, la préparation et la structuration de données textuelles pour entraîner ou adapter des modèles d’IA. Il montre comment transformer un corpus hétérogène en matériau exploitable pour des usages de traitement du langage.
Les notions les plus structurantes concernent la découverte de jeux de données, le nettoyage de texte, le formatage, la tokenisation, l’annotation et les considérations juridiques ou éthiques liées aux corpus textuels. Le cours est utile parce qu’il relie directement qualité des données textuelles et qualité des usages IA.
Pour moi, cela me permet de mieux accompagner un COMEX sur les questions de préparation documentaire, de qualité de corpus et de gouvernance des contenus dans les projets fondés sur des modèles de langage. Cela renforce ma capacité à cadrer les conditions d’un usage fiable plutôt qu’un simple effet de démonstration.