Analyser les architectures, les principes de fonctionnement, les limites et les implications des systèmes d'Intelligence Artificielle générative avancée. • Expliquer les mécanismes fondamentaux des modèles de langage à grande échelle (LLM) tels que l'architecture Transformer, la tokenisation et la gestion de la mémoire contextuelle. • Distinguer les systèmes d'IA générative hybrides en comparant leurs performances et applications. • Évaluer les défis techniques, éthiques et sociaux inhérents à ces systèmes. Créer des applications professionnelles intégrant des technologies d'IA générative en respectant les principes de conception responsable et utilisable. • Développer des stratégies de prompt engineering et d'orchestration logicielle pour interagir efficacement avec les modèles. • Mettre en oeuvre des applications intégrant des technologies d'IA générative appropriées à un domaine d'application donné. • Tester les choix de déploiement (local, cloud) et les principes d'utilisabilité pour améliorer un système via la rétroaction utilisateur. Ce cours explore en profondeur les architectures, les principes de fonctionnement et les applications pratiques des systèmes d'Intelligence Artificielle (IA) générative de nouvelle génération. L'accent est mise sur une compréhension critique des Modèles de Langage à Grande Échelle (LLM) et des systèmes hybrides (tels que RAG et les agents autonomes) pour le développement d'applications professionnelles.

Applications de l'IA en cybersécurité; détection d'intrusions; classification d'alertes; détection d'anomalies: vectorisation; corrélation d'alertes; analyse comportementale; automatisation SOC; aide à la décision; priorisation des alertes; défenses des systèmes d'IA :attaques contre les systèmes d'IA; empoisonnement de données; attaques adversariales; IA Explicable (XAI): importance des caractéristiques; évaluation des modèles; risques et dépendances liés à l'IA; traçabilité; auditabilité; projets appliqués en cybersécurité et IA.

Enseignement magistral