Débutant

Comprendre les LLM de A à Z — 2 jours

Formation L100 — Fondations. Avant d'appeler une API ou de lancer un agent, comprenez ce qu'il y a sous le capot. Cette formation conceptuelle et visuelle démystifie les grands modèles de langage : comment un Transformer fonctionne, comment on l'entraîne, sur quel matériel il tourne et combien ça coûte. Aucune ligne de code requise — vous repartirez avec une compréhension solide pour prendre des décisions éclairées sur l'IA.

✓Inclus dans l'abonnement — 9,99 €/mois sans engagement

S'abonner — 9,99 €/mois

2 jours

14h de formation

4 modules

Max 15 participants

LLMFondamentauxArchitecture

9,99 €/mois

Acces a toutes les formations · Sans engagement

Prochaine session : 19 mai 2026

S'abonner — 9,99 €/mois

✓Acces illimite a toutes les formations

✓Nouveaux contenus chaque mois

✓Resiliable a tout moment

AI Act : la formation IA devient obligatoire avant le 2 aout 2026

Anticipez la mise en conformite de votre entreprise. Voir nos formations

Ce que vous allez construire et apprendre

Des competences immediatement applicables dans votre contexte professionnel

✓Expliquer le fonctionnement d'un réseau de neurones et du deep learning
✓Décrire l'architecture Transformer et le mécanisme d'attention
✓Comprendre le pipeline d'entraînement : pré-entraînement, RLHF, DPO
✓Différencier les familles de modèles et savoir quand utiliser lequel
✓Évaluer les contraintes hardware : GPU, VRAM, quantization
✓Analyser l'économie des LLM : coûts d'entraînement, d'inférence et de token

Programme detaille

4 modules · 14h de formation intensive

01Réseaux de neurones et deep learning

3h30

●Du neurone biologique au neurone artificiel
●Qu'est-ce qu'un réseau de neurones profond
●Apprentissage supervisé, non supervisé, par renforcement
●Démo interactive : visualiser un réseau qui apprend

02L'architecture Transformer

3h30

●Tokenization et embeddings : comment le texte devient des chiffres
●Le mécanisme d'attention expliqué visuellement
●Encoder vs decoder : BERT, GPT et au-delà
●Mise à l'échelle : pourquoi les gros modèles fonctionnent mieux

03Entraînement et alignement

3h30

●Le pré-entraînement : données massives, objectifs et coûts
●RLHF et DPO : rendre un modèle utile et sûr
●Familles de modèles : GPT, Claude, Llama, Mistral — positionnement
●Open-source vs propriétaire : critères de choix

04Hardware, économie et éthique

3h30

●GPU vs CPU, VRAM, quantization INT4/INT8
●Démo : faire tourner un modèle localement avec Ollama
●Économie des LLM : coûts de training, d'inférence, pricing par token
●Éthique : hallucinations, biais, impact environnemental

Programme détaillé par demi-journée

4 demi-journées · 14h de formation

Demi-journée 1 — Réseaux de neurones et deep learning

Objectif : Expliquer le fonctionnement d'un réseau de neurones et différencier les paradigmes d'apprentissage

3h30

●Du neurone biologique au neurone artificiel : analogie visuelle pas à pas
●Perceptron, couches cachées, rétropropagation : comment un réseau apprend
●Deep learning : pourquoi la profondeur change tout (capacité de représentation)
●Apprentissage supervisé vs non supervisé vs par renforcement : exemples concrets
●Démo interactive : visualiser l'entraînement d'un réseau sur TensorFlow Playground

Cas pratiqueAtelier d'exploration : manipuler TensorFlow Playground pour observer l'effet du nombre de couches, du learning rate et de la quantité de données sur la capacité d'apprentissage. Documenter ses observations.

Evaluation : Quiz d'ancrage (10 questions) : identifier les composants d'un réseau de neurones et les paradigmes d'apprentissage

Demi-journée 2 — L'architecture Transformer décryptée

Objectif : Décrire le fonctionnement d'un Transformer et expliquer pourquoi cette architecture domine l'IA moderne

3h30

●Tokenization : comment le texte est découpé en unités (BPE, WordPiece, SentencePiece)
●Embeddings : représenter les mots comme des vecteurs dans un espace de sens
●Le mécanisme d'attention : 'à quoi le modèle fait-il attention ?' — explication visuelle avec matrices
●Encoder vs decoder : pourquoi GPT est decoder-only et BERT est encoder-only
●Lois d'échelle (scaling laws) : pourquoi plus de paramètres = meilleures performances (et où ça s'arrête)

Cas pratiqueAtelier d'exploration : utiliser un outil de visualisation d'attention (BertViz) pour observer comment un Transformer traite une phrase en français. Identifier les patterns d'attention sur 5 exemples.

Evaluation : Quiz d'ancrage (10 questions) : expliquer les étapes du traitement d'un texte par un Transformer

Demi-journée 3 — Entraînement, alignement et familles de modèles

Objectif : Comparer les stratégies d'entraînement et de déploiement des principales familles de LLM

3h30

●Pré-entraînement : volumes de données (Common Crawl, livres, code), coûts (millions de dollars), durée (semaines sur des milliers de GPU)
●Fine-tuning supervisé (SFT) : adapter un modèle de base à des tâches spécifiques
●RLHF (Reinforcement Learning from Human Feedback) : rendre le modèle utile, honnête et inoffensif
●DPO (Direct Preference Optimization) : l'alternative simplifiée au RLHF
●Cartographie des familles : GPT-4/o (OpenAI), Claude 3.5/4 (Anthropic), Llama 3 (Meta), Mistral/Mixtral — forces, faiblesses, licences
●Open-source vs propriétaire : critères de choix selon le cas d'usage (coût, contrôle, performance, confidentialité)

Cas pratiqueAtelier : construire une grille de comparaison des 5 principaux LLM sur 10 critères (performance, coût, licence, taille, multilinguisme, contexte, vitesse, disponibilité, spécialisations, communauté). Recommander le modèle approprié pour 3 scénarios métier.

Evaluation : Quiz d'ancrage (10 questions) : associer chaque famille de modèle à ses caractéristiques et cas d'usage optimaux

Demi-journée 4 — Hardware, économie et limites des LLM

Objectif : Évaluer les contraintes matérielles et économiques pour choisir une stratégie de déploiement LLM adaptée

3h30

●GPU vs CPU pour l'inférence : pourquoi les GPU sont indispensables (parallélisme, mémoire)
●VRAM : pourquoi la mémoire GPU est le facteur limitant (calcul de la VRAM requise par modèle)
●Quantization INT4/INT8/FP16 : réduire la taille d'un modèle en gardant les performances
●Infrastructure : pourquoi le H100 de NVIDIA domine, alternatives (AMD MI300, Apple Silicon)
●Démo live : faire tourner Llama 3 8B quantifié sur un laptop avec Ollama
●Économie des LLM : coûts de training ($100M+ pour GPT-4), coûts d'inférence (prix par million de tokens), stratégies d'optimisation
●Limites et éthique : hallucinations (pourquoi et comment les détecter), biais dans les données d'entraînement, impact environnemental (empreinte carbone du training et de l'inférence)

Cas pratiqueAtelier de synthèse : pour un scénario d'entreprise donné (chatbot de support client, 10 000 requêtes/jour), calculer le coût mensuel avec 3 stratégies (API propriétaire, modèle open-source hébergé cloud, modèle quantifié on-premise). Présenter sa recommandation au groupe.

Evaluation : Quiz final récapitulatif (20 questions) : valider l'ensemble des compétences acquises sur les 4 modules — architecture, entraînement, modèles et déploiement

Public cible et prérequis

Ce programme est fait pour vous si vous êtes

✓Développeurs souhaitant comprendre les fondations avant de coder
✓Managers et chefs de projet pilotant des initiatives IA
✓Entrepreneurs évaluant l'adoption de l'IA dans leur activité
✓Data analysts et profils techniques en reconversion vers l'IA
✓Tout profil curieux voulant démystifier les modèles de langage

Prérequis détaillés

Niveau : Initiation

●Aucune compétence en programmation requise
●Être à l'aise avec l'utilisation d'un ordinateur et d'un navigateur web
●Curiosité et motivation pour comprendre les mécanismes de l'IA

Modalités pédagogiques et moyens

Approche pédagogique

●Formation structurée autour du transfert de compétences conceptuelles
●Apprentissage visuel : chaque concept est illustré par des schémas, animations et démonstrations interactives
●Apprentissage collaboratif : échanges entre profils variés (tech et non-tech)
●Parcours progressif en 4 demi-journées avec montée en compétence graduelle
●Alternance théorie (60%) / démonstrations et ateliers d'exploration (40%)

Moyens et ressources fournis

✓Plateforme e-learning Talki Academy avec accès post-formation (6 mois)
✓Glossaire interactif des 100 termes clés de l'IA (PDF + web)
✓Environnement Ollama préconfiguré pour les démonstrations en direct
✓Support de cours PDF téléchargeable (150+ pages, richement illustré)
✓Fiches de synthèse par concept : Transformer, RLHF, quantization, familles de modèles
✓Enregistrements vidéo des sessions (accès 6 mois)

Évaluation et suivi

Modalités d'évaluation

●Auto-positionnement en amont de la formation (questionnaire en ligne)
●Quiz d'évaluation à la fin de chaque module (4 quiz, seuil de réussite : 70%)
●Cas pratique fil rouge : analyser et comparer 3 modèles sur un cas d'usage donné
●Auto-évaluation des compétences acquises en fin de formation
●Évaluation à froid à 60 jours : questionnaire de transfert des acquis en situation de travail

Accompagnement

Assistance technique et pédagogique joignable entre 9h et 18h (jours ouvrés) par email à support@talki-academy.fr. Réponse sous 24h ouvrées. Accès au forum communautaire des apprenants.

Résultats de la formation

Indicateurs mesurés auprès des apprenants sur les 12 derniers mois

95%

Taux de satisfaction

91%

Taux de réussite

78%

Mise en oeuvre à J+60

☉

Accessibilité

Formation accessible aux personnes en situation de handicap. Contactez-nous à accessibilite@talki-academy.fr pour étudier les adaptations nécessaires (supports, rythme, outils).

Prochaines sessions

Places limitées à 15 participants par session

Ville / Format	Dates	Inscription
Paris	19 Mai 2026 · 14 Sep. 2026 · 7 Déc. 2026	S'inscrire
À distance	19 Mai 2026 · 14 Sep. 2026 · 7 Déc. 2026	S'inscrire

Parcours apprenant avant et après la formation

Avant la formation

Engagement apprenant

En amont de la formation : connectez-vous à votre espace apprenant pour compléter le questionnaire de positionnement. Un guide de préparation vous sera envoyé par email avec des ressources introductives optionnelles. Votre formateur recevra vos objectifs de progression personnalisés.

Après la formation

Transfert de compétences

À l'issue de la formation : accédez à vos ressources, auto-évaluez vos compétences acquises et consultez le glossaire interactif depuis votre espace apprenant. Un point de suivi individuel est proposé à J+30.

Pour qui est cette formation ?

Profils vises

✓Développeurs

✓Managers

✓Entrepreneurs

Débutant14h · 15 personnes max

Prerequis

●Aucun prérequis technique
●Curiosité pour comprendre le fonctionnement de l'IA
●Utiliser quotidiennement un ordinateur et naviguer sur internet

Modalites

Format

Présentiel ou distanciel — groupe de 6 à 15 personnes

Duree

2 jours (14h)

Prochaine session

19 mai 2026

Certification

Attestation de formation + glossaire illustré des concepts LLM

Financement

Reste à charge potentiel : 0€

Nos formations sont éligibles à la prise en charge OPCO dans le cadre du plan de développement des compétences. Selon votre OPCO (ATLAS, OPCO2i, AFDAS, AKTO...), la formation peut être financée à 100%.

✓Nous gérons les démarches administratives OPCO
✓Convention de formation et programme fournis
✓Attestation officielle en fin de formation
✓Déductible en charges pour votre entreprise

Prochaine session : 19 mai 2026

Comprendre les LLM de A à Z

9,99 €/mois

Abonnement mensuel

Acces a toutes les formations

Sans engagement, resiliable a tout moment

✓2 jours intensifs
✓15 participants max
✓Livrables production-ready
✓Support post-formation 30 jours

S'abonner — 9,99 €/mois Vérifier mon éligibilité OPCO

* Dans le cadre du plan de développement des compétences. Consultez votre OPCO.

Aller plus loin

Ressources vidéo recommandées

Une sélection de vidéos des meilleurs experts pour approfondir chaque module de la formation.

Module 1

19 min

But what is a Neural Network?

3Blue1Brown

La meilleure introduction visuelle aux réseaux de neurones. Animations exceptionnelles pour comprendre intuitivement le fonctionnement d'un réseau de neurones.

20 min

Le deep learning

ScienceEtonnante

David Louapre explique le deep learning de façon accessible et rigoureuse — la meilleure introduction en français aux réseaux de neurones.

Module 2

Intro to Large Language Models

Andrej Karpathy

L'ex-directeur IA de Tesla et co-fondateur d'OpenAI explique les LLM de façon accessible. La référence absolue pour comprendre ce qu'est un LLM.

27 min

But what is a GPT? Visual intro to Transformers

3Blue1Brown

Introduction visuelle à l'architecture Transformer et aux GPT. Les animations rendent les concepts mathématiques accessibles à tous.

26 min

Attention in Transformers, step-by-step

3Blue1Brown

Le mécanisme d'attention expliqué visuellement étape par étape. Complément essentiel pour comprendre le cœur des Transformers.

25 min

Ce qui se cache derrière le fonctionnement de ChatGPT

ScienceEtonnante

ScienceEtonnante décortique le fonctionnement interne de ChatGPT — tokens, attention, transformers expliqués en français.

Module 3

3h31

Deep Dive into LLMs like ChatGPT

Andrej Karpathy

Plongée complète dans le pipeline d'entraînement des LLM : pre-training, fine-tuning, RLHF. Pour ceux qui veulent aller en profondeur après le cours.

15 min

L'inquiétante découverte d'un chercheur sur les LLMs

Underscore_

Underscore_ explore les découvertes récentes sur le comportement des LLMs — capacités émergentes et limites.

Module 4

1h56

Let's build GPT: from scratch, in code, spelled out

Andrej Karpathy

Construction d'un GPT from scratch en Python. Démonstration concrète de l'architecture Transformer en code. Idéal pour les développeurs curieux.

ⓘ Ces vidéos sont des contenus externes produits par des créateurs indépendants et ne sont pas la propriété d'Academy Talki. Elles sont recommandées à titre pédagogique pour compléter et vulgariser le contenu de la formation.