MI-Initiation aux LLM S4

Ce cours propose une initiation aux grands modèles de langage, à leurs usages et à leur intégration dans des outils numériques. Il présente les principes généraux de fonctionnement des LLM, les différentes manières de les utiliser, ainsi que leurs limites.

Le cours aborde également la notion d’agent, c’est-à-dire un système capable de s’appuyer sur un LLM pour réaliser des tâches plus complexes, utiliser des outils, interagir avec des fichiers ou assister un travail de développement. Les étudiants découvriront aussi comment trouver des modèles, les exécuter localement ou via une API, les adapter à un besoin donné et les intégrer dans des méthodes de travail ou de développement logiciel.

Une attention particulière sera portée à l’usage critique de ces outils, notamment aux erreurs possibles, aux hallucinations, aux questions de confidentialité et aux bonnes pratiques de validation.

À l’issue du cours, les étudiants devront être capables de :

• Comprendre les principes généraux de fonctionnement des LLM ;
• Utiliser efficacement un LLM pour des tâches simples ou complexes ;
• Formuler des prompts adaptés à différents objectifs ;
• Comprendre ce qu’est un agent LLM et à quoi il peut servir ;
• Identifier les principales méthodes d’adaptation d’un modèle, comme le prompt, le RAG ou le fine-tuning ;
• Savoir où trouver et comment utiliser des modèles existants ;
• Intégrer un LLM ou un agent dans un workflow de développement ;
• Évaluer de manière critique les réponses produites par ces outils.

Modalités : Mixte : CC + CT
SESSION 1 :
Contrôle Continu
• Type : Écrit, Projet
• Durée : --
• Précisions : Le contrôle continu représente les 50 % de la note finale,
et comprend un devoir écrit ou sur machine comptant pour 25 %, un projet comptant pour 25 %.

Contrôle Terminal
• Type : Écrit
• Durée : 1h30
• Précisions : L’examen final représente 50 % de la note finale.

Régime Dérogatoire
• Type : Écrit
• Durée : 1h30

SESSION 2 :
• Type : Écrit
• Durée : 1h30

► Les différentes épreuves écrites, qu’il s’agisse de l’examen final, du devoir, de l’examen terminal en régime dérogatoire ou de la seconde session, ont une durée indicative de 1h30, susceptible d’être ajustée en fonction des contraintes pédagogiques, matérielles ou logistiques, dans le respect des M3C applicables. Les absences, les aménagements éventuels et les autres situations particulières sont traités conformément aux M3C en vigueur.

Utilisation de l'intelligence artificielle :
Pour cet EC, l’usage de l’intelligence artificielle (IA) générative pour aider à la réalisation des travaux soumis à évaluation est interdite, sauf éventuelles exceptions dûment spécifiées par l’enseignant responsable du cours. Dans le cadre de ces éventuelles exceptions, les principes suivants doivent être respectés.

Les résultats fournis par l’IA doivent constituer un matériau pour votre réflexion, et toujours faire l’objet d’une réappropriation et d’une reprise critique.

Tous les usages doivent être documentés dans une section dédiée à la fin de votre travail, à l’exception des usages de recherche web augmentée, de correction orthographique et syntaxique. Cette section doit permettre à votre lecteur d’évaluer la manière dont vous avez travaillé avec l’IA et mobilisé cette ressource au service d’un travail personnel.

L’intégration directe de contenus engendrés par l’IA doit être faite sous le régime de la citation.

Toute utilisation non déclarée ou non autorisée d’un outil d’IA pourra être considérée comme un manquement aux règles d’intégrité académique.

Il est également demandé aux étudiants de ne pas transmettre à des outils d’IA des données confidentielles ou personnelles concernant l’université, les enseignants, les entreprises partenaires ou d’autres étudiants.

À l’issue du cours, les étudiants devront être capables de :

• Comprendre les principes généraux de fonctionnement des LLM ;
• Utiliser efficacement un LLM pour des tâches simples ou complexes ;
• Formuler des prompts adaptés à différents objectifs ;
• Comprendre ce qu’est un agent LLM et à quoi il peut servir ;
• Identifier les principales méthodes d’adaptation d’un modèle, comme le prompt, le RAG ou le fine-tuning ;
• Savoir où trouver et comment utiliser des modèles existants ;
• Intégrer un LLM ou un agent dans un workflow de développement ;
• Évaluer de manière critique les réponses produites par ces outils.