Partie 1 : Introduction à l’IA Générative

1.1 Comprendre la théorie de l’IA générative

• Introduction à l’IA générative
• Bénéfices de l’IA générative dans la pratique avec des exemples simples
• Limites et défis de l’IA générative

1.2 Codage d’un modèle génératif

• Coder un modèle génératif pour réellement comprendre la définition et la théorie
• Créer et entraîner un modèle génératif simple
• Analyser et interpréter les résultats obtenus (comprendre par ex. la signification de température)
• Analyse approfondie des limites et bénéfices de l’IA générative

1.4 Cas pratiques et présentation des outils

• Présentation des outils du marché
• Techniques de base pour optimiser les prompts
• Exemples pratiques et exercices

Partie 2 : NLP et Évolution des Modèles de Langues

2.1 Comprendre les techniques de NLP à travers un cas concret

• Utilisation de regex et de distances textuelles
• Utilisation de dictionnaire
• Méthodes de sac de mots et TF-IDF
• Embeddings

2.2 Histoire et évolution des modèles de Langues

• Types d’apprentissage auto-supervisé
• Introduction aux réseaux de neurones récurrents et convolutionnels
• Transition vers les Transformers

2.3 Comprendre les Transformers

• Architecture des Transformers
• Mécanisme d’attention
• Avantages des Transformers par rapport aux modèles précédents
• Implémenter un Transformer dans Excel (Eh oui !)

Partie 3: Cas d’usage en assurance

• Automatisation des tâches administratives
  • Traitement automatique des réclamations
  • Gestion des polices d’assurance
  • gestion des sinistres
• Service client amélioré
  • Chatbots et agents conversationnels
  • Réponses automatiques aux questions fréquentes
• Analyse des données avancées
  • analyse des avis et enquêtes
  • Détection de la fraude
  • Analyse approfondie des circonstances sinistres

Partie 4 : Analyse et Implémentation des Cas d’Usage

3.1 Analyse des cas d’usage réels

• Processus global pour tous les cas d’usage
• Analyse des bénéfices et des défis de l’IA générative dans ces cas
• L’IA générative n’est qu’une composante ; structurer les données textuelles est la clé

3.2 Structuration des données textuelles

• Techniques de prétraitement des données textuelles
• Importance de la structuration des données
• Introduction à la vectorisation de texte

3.3 Recherche d’information et similarité textuelle (RAG)

• Concept de Retrieval-Augmented Generation (RAG)
• Méthodes pour mesurer la similarité textuelle
• Ateliers pratiques sur la mise en œuvre de RAG