[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-petits-modeles-et-ia-embarquee":3,"highlight-python-from llama_cpp impor":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/bc8a7f23-b343-11f1-a993-d8ca06000363","Petits modèles et IA embarquée","petits-modeles-et-ia-embarquee",null,"Architectes, développeurs, ingénieurs d'infrastructure, référents IA, responsables de la sobriété numérique.","-   Connaissance des principes de l'IA générative et du développement d'applications.","-   identifier les tâches sur lesquelles un modèle compact suffit\n-   déployer un modèle exécuté localement dans une application\n-   spécialiser un petit modèle sur une tâche métier\n-   mesurer les gains en coût, en latence et en confidentialité","--day1--\n\n## Positionnement des petits modèles\n\n-   Ce qu'on perd et ce qu'on gagne par rapport à un grand modèle\n-   Panorama des modèles compacts disponibles et de leurs capacités\n-   Tâches sur lesquelles un petit modèle suffit : classification, extraction, reformulation\n-   Quantification et compression : principes et effets mesurés\n-   Critères de sélection et méthode d'évaluation préalable\n-   Travaux pratiques : évaluation comparée d'un petit et d'un grand modèle sur une tâche métier\n\n--break--\n\n## Exécution locale et sur le poste\n\n-   Exécution sur poste de travail : outillage, performance, ressources requises\n-   Exécution sur serveur interne et sur matériel contraint\n-   Intégration dans une application : interface, latence, gestion de la charge\n-   Confidentialité et traitement local des données sensibles\n-   Sobriété : consommation comparée et argument environnemental\n-   Travaux pratiques : intégration d'un petit modèle exécuté localement dans une application\n\n--day2--\n\n## Cas d'usage concrets\n\n-   Classification et routage de documents ou de demandes\n-   Extraction d'informations structurées à partir de texte libre\n-   Reformulation, correction et normalisation de contenus\n-   Assistance hors ligne et environnements sans connexion\n-   Traitement de données sensibles sans sortie du système d'information\n-   Travaux pratiques : mise en œuvre d'un cas d'extraction structurée avec un modèle compact\n\n--break--\n\n## Adapter et industrialiser\n\n-   Spécialisation d'un petit modèle sur une tâche précise\n-   Distillation à partir d'un modèle plus grand : principe et mise en œuvre\n-   Construction d'un jeu de données d'adaptation de qualité\n-   Évaluation de la spécialisation et détection des régressions\n-   Déploiement, mise à jour et maintenance du modèle spécialisé\n-   Travaux pratiques : spécialisation d'un modèle compact sur une tâche fournie et mesure du gain","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-ART-06","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","1760.00",{"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},"Identification des tâches adaptées à un modèle compact, déploiement local dans une application, spécialisation sur une tâche métier et mesure des gains en coût, latence et confidentialité.","Cette formation traite les modèles compacts qui rendent possibles des usages locaux, rapides et confidentiels, souvent suffisants là où l'on déploie par réflexe un grand modèle : identification des tâches sur lesquelles un modèle compact atteint une qualité suffisante, déploiement d'un modèle exécuté localement dans une application avec des outils comme llama.cpp ou ONNX Runtime, spécialisation par fine-tuning léger sur une tâche métier précise, et mesure objective des gains en coût, en latence et en confidentialité par rapport à un appel à un service distant. Elle s'adresse aux architectes, développeurs, ingénieurs d'infrastructure, référents IA et responsables de la sobriété numérique.","#6D28D9","mdi:chip","python","from llama_cpp import Llama\n\nmodel = Llama(\n    model_path=\"phi-3-mini-q4.gguf\",\n    n_ctx=4096,\n    n_gpu_layers=0\n)\nresponse = model(\"Resume ce ticket client :\")\nprint(response[\"choices\"][0][\"text\"])","Formation sur les petits modèles et l'IA embarquée : sélection, spécialisation et déploiement local pour des gains de coût et de confidentialité.","Embarquez des petits modèles spécialisés pour des usages locaux, rapides et confidentiels, là où un grand modèle est superflu.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">from\u003C/span> llama_cpp \u003Cspan class=\"hljs-keyword\">import\u003C/span> Llama\n\nmodel = Llama(\n    model_path=\u003Cspan class=\"hljs-string\">"phi-3-mini-q4.gguf"\u003C/span>,\n    n_ctx=\u003Cspan class=\"hljs-number\">4096\u003C/span>,\n    n_gpu_layers=\u003Cspan class=\"hljs-number\">0\u003C/span>\n)\nresponse = model(\u003Cspan class=\"hljs-string\">"Resume ce ticket client :"\u003C/span>)\n\u003Cspan class=\"hljs-built_in\">print\u003C/span>(response[\u003Cspan class=\"hljs-string\">"choices"\u003C/span>][\u003Cspan class=\"hljs-number\">0\u003C/span>][\u003Cspan class=\"hljs-string\">"text"\u003C/span>])\u003C/code>\u003C/pre>",1789740844142]