[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-embeddings-et-bases-vectorielles":3,"highlight-sql-CREATE INDEX ON docu":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/bc8a8b78-b343-11f1-a993-d8ca06000363","Embeddings et bases vectorielles","embeddings-et-bases-vectorielles",null,"Développeurs, ingénieurs données, architectes, ingénieurs IA.","-   Pratique du développement et connaissance des bases de données.","-   expliquer le principe des plongements et leurs usages\n-   choisir un modèle de plongement adapté à un corpus\n-   indexer un corpus dans une base vectorielle et interroger l'index\n-   évaluer et améliorer la pertinence d'une recherche sémantique","--day1--\n\n## Plongements\n\n-   Principe de la représentation vectorielle du sens\n-   Modèles de plongement disponibles, dimensions, langues, coûts\n-   Plongements spécialisés par domaine et par type de contenu\n-   Mesures de similarité et interprétation des scores\n-   Effet du découpage du texte sur la qualité des plongements\n-   Travaux pratiques : génération de plongements sur un corpus et exploration des similarités obtenues\n\n--break--\n\n## Bases vectorielles\n\n-   Panorama des solutions : bases dédiées, extensions de bases relationnelles, index en mémoire\n-   Structures d'index et compromis entre rapidité et exactitude\n-   Métadonnées, filtrage et recherche combinée\n-   Dimensionnement, montée en charge et coûts\n-   Critères de choix selon la volumétrie et l'infrastructure existante\n-   Travaux pratiques : indexation d'un corpus dans deux solutions différentes et comparaison\n\n--day2--\n\n## Qualité de la recherche\n\n-   Recherche hybride combinant recherche lexicale et sémantique\n-   Reclassement des résultats et modèles dédiés\n-   Stratégies de découpage : taille, chevauchement, respect de la structure documentaire\n-   Enrichissement des segments par leur contexte documentaire\n-   Traitement des documents hétérogènes : tableaux, images, documents scannés\n-   Travaux pratiques : amélioration itérative de la pertinence sur un corpus réel\n\n--break--\n\n## Évaluer et exploiter\n\n-   Constitution d'un jeu de requêtes de référence avec résultats attendus\n-   Métriques de pertinence et interprétation\n-   Mise à jour de l'index et gestion des suppressions\n-   Droits d'accès appliqués à la recherche vectorielle\n-   Supervision de la qualité de recherche en production\n-   Travaux pratiques : construction du jeu d'évaluation et mesure de la pertinence avant et après optimisation","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.","14.00","L2-ITE-06","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","1660.00",{"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},"Deux jours pour choisir un modèle de plongement adapté à un corpus, indexer les vecteurs dans une base vectorielle, interroger l'index par similarité et évaluer puis améliorer la pertinence de la recherche sémantique obtenue.","Les plongements (embeddings) conditionnent la qualité de toute recherche sémantique et de tout système de recherche augmentée construit ensuite. Cette formation de deux jours explique le principe des plongements, leurs usages et leurs limites, puis guide le choix d'un modèle adapté à la nature et à la langue d'un corpus donné. Les participants indexent un corpus réel dans une base vectorielle, écrivent des requêtes de similarité par cosinus ou produit scalaire, et mettent en place des index adaptés au volume de données (IVFFlat, HNSW). La formation traite également l'évaluation de la pertinence des résultats et les leviers d'amélioration : filtrage par métadonnées, recherche hybride, choix du découpage. Elle s'adresse aux développeurs, ingénieurs données, architectes et ingénieurs IA pratiquant déjà le développement et les bases de données.","#5F3DC4","mdi:database-search","sql","CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);\n\nSELECT contenu, 1 - (embedding \u003C=> :requete_vecteur) AS similarite\nFROM documents\nWHERE metadata->>'langue' = 'fr'\nORDER BY embedding \u003C=> :requete_vecteur\nLIMIT 8;","Formation aux plongements et bases vectorielles : choix du modèle d'embedding, indexation, requêtes de similarité et évaluation de la pertinence.","Maîtrisez les plongements et les bases vectorielles pour construire des recherches sémantiques pertinentes plutôt qu'approximatives.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-sql\">\u003Cspan class=\"hljs-keyword\">CREATE\u003C/span> INDEX \u003Cspan class=\"hljs-keyword\">ON\u003C/span> documents \u003Cspan class=\"hljs-keyword\">USING\u003C/span> hnsw (embedding vector_cosine_ops);\n\n\u003Cspan class=\"hljs-keyword\">SELECT\u003C/span> contenu, \u003Cspan class=\"hljs-number\">1\u003C/span> \u003Cspan class=\"hljs-operator\">-\u003C/span> (embedding \u003Cspan class=\"hljs-operator\"><=>\u003C/span> :requete_vecteur) \u003Cspan class=\"hljs-keyword\">AS\u003C/span> similarite\n\u003Cspan class=\"hljs-keyword\">FROM\u003C/span> documents\n\u003Cspan class=\"hljs-keyword\">WHERE\u003C/span> metadata\u003Cspan class=\"hljs-operator\">-\u003C/span>\u003Cspan class=\"hljs-operator\">>>\u003C/span>\u003Cspan class=\"hljs-string\">'langue'\u003C/span> \u003Cspan class=\"hljs-operator\">=\u003C/span> \u003Cspan class=\"hljs-string\">'fr'\u003C/span>\n\u003Cspan class=\"hljs-keyword\">ORDER\u003C/span> \u003Cspan class=\"hljs-keyword\">BY\u003C/span> embedding \u003Cspan class=\"hljs-operator\"><=>\u003C/span> :requete_vecteur\nLIMIT \u003Cspan class=\"hljs-number\">8\u003C/span>;\u003C/code>\u003C/pre>",1789740845911]