Concepts clés de l'IA générative
Les modèles de fondation de l'intérieur : tokens, embeddings, diffusion, cycle de vie d'un FM, tarification au token, ingénierie du contexte et IA agentique avec MCP.
La plupart des gens utilisent l'IA générative sans jamais voir ce qui se passe sous le capot. Cet écart devient un problème le jour où il faut choisir un modèle, expliquer une facture qui a triplé, ou comprendre pourquoi un assistant répond avec assurance quelque chose de faux. Ce topic ouvre la machine, du transformer qui lit une phrase entière d'un coup jusqu'à l'agent qui décide seul quels outils appeler.
Le parcours suit une seule ligne. Vous commencez par ce qu'est un modèle de fondation et comment il produit sa sortie, puis vous descendez au niveau de ce qu'il consomme vraiment : des tokens, des chunks et des embeddings. De là, les leçons élargissent vers les modèles qui ne travaillent pas sur du texte, vers les cas d'usage que l'examen nomme, et vers le cycle de vie qui produit et entretient un modèle. Les trois dernières leçons portent sur les décisions coûteuses : ce que vous payez au token, ce qui mérite une place dans la fenêtre de contexte, et ce qui change quand le modèle cesse de répondre pour se mettre à agir.
Ce que couvre ce topic
- les modèles de fondation, l'architecture transformer, l'auto-attention et la frontière entre FM et LLM
- les tokens, les stratégies de chunking d'Amazon Bedrock et les embeddings comme coordonnées du sens
- les modèles multimodaux, la diffusion avant et arrière, et le contraste avec les GAN
- les cas d'usage de l'IA générative nommés par le guide de l'examen, rangés par capacité
- les sept étapes du cycle de vie d'un modèle de fondation, du choix du modèle au retour terrain
- la tarification au token, le batch, le Provisioned Throughput et le prompt caching
- l'ingénierie du contexte, la limite dure et le problème du perdu au milieu
- l'IA agentique, la boucle raisonner-agir-observer, les schémas multi-agents et le Model Context Protocol
Pourquoi c'est important
Le domaine 2 pèse 24 % de l'examen, et ce topic en porte la partie conceptuelle. Il fournit aussi le vocabulaire dont dépend le domaine 3, le plus lourd de tous : impossible de raisonner sur le RAG, l'ingénierie de prompt ou le fine-tuning sans savoir ce qu'est un token, pourquoi le contexte a une limite et ce qu'un embedding représente.
Le gain va au-delà de l'examen. Savoir suivre une requête du prompt aux tokens, puis à l'inférence et jusqu'à la facture, c'est ce qui sépare celui qui utilise l'IA générative de celui qui sait décider quoi construire avec, et à quel prix.