[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-adapter-un-modele-fine-tuning-et-alternatives":3,"highlight-python-config_lora = LoraCo":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a8f4d-b343-11f1-a993-d8ca06000363","Adapter un modèle : fine-tuning et alternatives","adapter-un-modele-fine-tuning-et-alternatives",null,"Ingénieurs IA, data scientists, développeurs confirmés, architectes.","-   Pratique de Python et connaissance des modèles de langage.","-   arbitrer entre consigne, recherche augmentée et affinage selon le besoin\n-   constituer un jeu de données d'affinage de qualité\n-   mettre en œuvre un affinage économe et en évaluer le résultat\n-   estimer le coût complet et la maintenance d'un modèle affiné","--day1--\n\n## Arbitrer avant d'affiner\n\n-   Ce que l'affinage améliore : format, style, tâche spécialisée, langue métier\n-   Ce qu'il n'améliore pas : connaissance factuelle, fraîcheur des données\n-   Comparaison consigne, exemples, recherche augmentée et affinage\n-   Coûts comparés : données, calcul, maintenance, dépendance\n-   Grille de décision et cas d'usage réellement justifiés\n-   Travaux pratiques : instruction d'un arbitrage sur trois besoins proposés\n\n--break--\n\n## Constituer le jeu de données\n\n-   Format des données d'affinage et volume nécessaire\n-   Qualité, diversité et représentativité des exemples\n-   Constitution à partir de données existantes et génération assistée\n-   Anonymisation et conformité des données utilisées\n-   Séparation apprentissage, validation et test\n-   Travaux pratiques : construction d'un jeu de données d'affinage à partir d'un corpus fourni\n\n--day2--\n\n## Méthodes d'affinage économes\n\n-   Affinage complet et affinage par adaptation de rang faible\n-   Hyperparamètres essentiels et leur effet\n-   Ressources matérielles nécessaires et alternatives managées\n-   Suivi de l'entraînement et détection du sur-apprentissage\n-   Oubli catastrophique et dégradation des capacités générales\n-   Travaux pratiques : réalisation d'un affinage par adaptation de rang faible sur le jeu construit\n\n--break--\n\n## Évaluer le modèle affiné\n\n-   Comparaison avec le modèle de base sur un jeu de test commun\n-   Mesure du gain réel sur la tâche visée\n-   Vérification de l'absence de régression sur les capacités générales\n-   Évaluation de la sûreté du modèle affiné\n-   Décision de mise en service ou d'abandon\n-   Travaux pratiques : évaluation comparée du modèle affiné et du modèle de base\n\n--day3--\n\n## Déployer et exploiter\n\n-   Service d'un modèle affiné : hébergement, adaptateurs, mutualisation\n-   Coût d'inférence comparé au modèle de base\n-   Versionnement des modèles et traçabilité des jeux de données\n-   Réentraînement périodique et gestion de la dérive\n-   Documentation du modèle et de ses limites\n-   Travaux pratiques : déploiement du modèle affiné et mesure de ses performances\n\n--break--\n\n## Alternatives et cas avancés\n\n-   Distillation vers un modèle plus compact\n-   Affinage par préférence et alignement sur des attentes spécifiques\n-   Combinaison affinage et recherche augmentée\n-   Modèles spécialisés existants : alternative à l'affinage\n-   Trajectoire réaliste et maintenance dans la durée\n-   Travaux pratiques : comparaison chiffrée entre modèle affiné, modèle compact et recherche augmentée","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","21.00","L2-ITE-14","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","2530.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Trois jours pour constituer un jeu de données d'affinage de qualité, mettre en œuvre un affinage économe par LoRA ou QLoRA, évaluer honnêtement le résultat obtenu et estimer le coût complet et la maintenance d'un modèle affiné.","L'affinage d'un modèle est souvent invoqué à tort, là où une meilleure consigne ou une recherche augmentée suffirait à moindre coût. Cette formation de trois jours commence par des critères objectifs d'arbitrage entre ces trois options selon la nature du besoin. Les participants constituent ensuite un jeu de données d'affinage de qualité — collecte, nettoyage, équilibrage — puis mettent en œuvre un affinage économe avec des techniques d'adaptation légère telles que LoRA ou QLoRA, en maîtrisant les ressources de calcul mobilisées. L'évaluation du modèle affiné est traitée avec rigueur, au-delà des métriques de complaisance, tout comme l'estimation du coût complet et de la maintenance dans la durée face à un modèle de fondation régulier. Elle s'adresse aux ingénieurs IA, data scientists, développeurs confirmés et architectes pratiquant Python et connaissant les modèles de langage.","#3B5BDB","mdi:auto-fix","python","config_lora = LoraConfig(r=16, lora_alpha=32, target_modules=[\"q_proj\", \"v_proj\"], lora_dropout=0.05)\nmodele = get_peft_model(AutoModelForCausalLM.from_pretrained(BASE_MODEL), config_lora)\nentraineur = Trainer(model=modele, args=arguments_entrainement, train_dataset=jeu_donnees_affinage)\nentraineur.train()","Fine-tuning de modèles de langage : constitution du jeu de données, affinage économe par LoRA, évaluation et coût complet de maintenance.","Arbitrez entre consigne, recherche augmentée et affinage sur des critères objectifs, puis mettez en œuvre un affinage économe et évalué.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">config_lora = LoraConfig(r=\u003Cspan class=\"hljs-number\">16\u003C/span>, lora_alpha=\u003Cspan class=\"hljs-number\">32\u003C/span>, target_modules=[\u003Cspan class=\"hljs-string\">"q_proj"\u003C/span>, \u003Cspan class=\"hljs-string\">"v_proj"\u003C/span>], lora_dropout=\u003Cspan class=\"hljs-number\">0.05\u003C/span>)\nmodele = get_peft_model(AutoModelForCausalLM.from_pretrained(BASE_MODEL), config_lora)\nentraineur = Trainer(model=modele, args=arguments_entrainement, train_dataset=jeu_donnees_affinage)\nentraineur.train()\u003C/code>\u003C/pre>",1789740846637]