Applications des modèles de fondation
Le domaine au poids le plus élevé de l'examen. Choisir un modèle de fondation, RAG et bases de données vectorielles, ingénierie de prompts, fine-tuning et évaluation de ce que vous avez construit.
Savoir ce qu'est un modèle de fondation ne vous dit pas comment en tirer quelque chose d'utile. C'est ici que le cours passe des concepts à la construction : vous avez un modèle, un problème métier, et une série de choix pour relier les deux. Faites les mauvais choix et vous payez trop cher, vous laissez fuiter des données privées dans un prompt, ou vous livrez un système auquel personne ne fait confiance.
C'est le domaine le plus lourd de l'examen, et il récompense le jugement plus que la mémorisation. Il parcourt tout le chemin d'une application : choisir le bon modèle, l'ancrer dans vos propres données avec RAG, façonner son comportement par les prompts, l'adapter par le fine-tuning quand les prompts ne suffisent plus, puis mesurer si le résultat fonctionne vraiment.
Ce que couvre ce domaine
- choisir un modèle de fondation et régler les paramètres d'inférence comme temperature et top-p
- Retrieval Augmented Generation (RAG) et les bases de données vectorielles sur AWS qui le rendent possible
- le spectre de personnalisation, du prompting au fine-tuning, et les compromis à chaque étape
- les agents d'IA au sein des applications, et leur place à côté de RAG
- l'ingénierie de prompts : anatomie, techniques, bonnes pratiques et attaques comme l'injection
- comment les modèles de fondation sont entraînés, les principales méthodes de fine-tuning et la préparation des données
- évaluer les modèles avec les bonnes métriques, et juger les applications RAG et à base d'agents au regard des objectifs métier
Pourquoi c'est important
Avec 28 pour cent de l'examen, ce domaine pèse plus que tout autre, et ses questions sont fondées sur des scénarios plutôt que sur des définitions. On vous présente une situation, une contrainte et quatre options plausibles, puis on vous demande quelle approche convient. C'est exactement la compétence que ce domaine construit : quand choisir RAG plutôt que le fine-tuning, quand un meilleur prompt l'emporte sur un modèle plus gros, et comment savoir si ce que vous avez livré est assez bon.
Le bénéfice dépasse l'examen. Ce sont les décisions que prennent les vraies équipes quand elles mettent un modèle de fondation en production, et bien les prendre fait la différence entre une démo et un produit sur lequel on peut compter.