Fine-tuning supervisé des LLM pour PME : Des modèles ouverts aux solutions internes

Les grands modèles de langage (LLM) transforment la façon dont l'information est accédée, traitée et livrée, mais de nombreuses petites et moyennes entreprises (PME) dépendent encore de fournisseurs d'API externes, ce qui limite leur capacité à assurer la souveraineté des modèles et des données et à façonner des solutions alimentées par l'IA autour des besoins concrets de leurs propres utilisateurs. Cet atelier présente aux participants le fine-tuning supervisé (SFT) comme une méthode pratique et accessible pour adapter les LLM à poids ouverts. Il est conçu pour les praticiens des PME qui se situent entre les rôles IT et IA et qui ont besoin de méthodes pratiques pour ramener la personnalisation des LLM en interne en utilisant des outils entièrement open-source. À travers trois cas d'usage appliqués, les participants apprendront le workflow complet du SFT : préparer et structurer des ensembles de données spécifiques au domaine, concevoir des prompts et des modèles, optimiser l'entraînement dans le matériel disponible, surveiller les progrès, évaluer les performances du modèle, passer à des configurations multi-GPU, préparer un modèle fine-tuné pour le déploiement et l'exposer via une interface interactive. À la fin, les participants seront prêts à développer et à exploiter des LLM personnalisés qui s'alignent sur les objectifs de leur organisation et à livrer une valeur significative à leurs utilisateurs finaux.