La Série LLM Primer
Un guide de terrain de l'IA générative, construit volume après volume. Sept livres, chacun centré sur une couche différente du travail avec les grands modèles de langage — des fondations à la mise à l'échelle jusqu'à la sécurité.
De quoi parle cette série
La Série LLM Primer est un traitement structuré, centré sur les mécanismes, des grands modèles de langage — écrit pour les ingénieurs, les chefs de produit techniques, les professionnels curieux et toute personne prête à lire attentivement. Chaque volume couvre une partie du domaine en profondeur, en conservant la précision technique tout en gardant des explications suffisamment ancrées pour pouvoir être utilisées.
La série est conçue pour fonctionner de deux manières. Vous pouvez lire le Volume I comme une base complète et vous arrêter là. Ou vous pouvez suivre la progression complète — fondations, mathématiques, recherche, conception de contexte, ingénierie de production, mise à l'échelle, sécurité — et terminer avec une connaissance pratique exhaustive de la façon de construire avec les LLM de manière responsable.
Tous les volumes sont écrits par Sho Shimoda, CTO de Receipt Roller Inc., qui construit et exploite des systèmes d'IA en production et écrit à leur sujet dans un langage suffisamment clair pour que tout le monde puisse suivre.
Pour qui c'est : Les ingénieurs et architectes qui veulent une compréhension durable. Les chefs de produit et dirigeants qui doivent décider quelle IA construire. Les professionnels curieux et étudiants qui veulent comprendre la technologie sous les gros titres. La série est écrite de sorte que vous n'avez pas besoin de formation mathématique pour la lire, mais conserve assez de précision technique pour qu'un ingénieur expérimenté n'y perde pas son temps.
Comment lire cette page
Chaque volume ci-dessous liste sa table des matières complète, organisée par Partie. Nous publierons un billet chapitre par chapitre pour chaque chapitre de la série. Les chapitres qui ont déjà un billet sont liés ; ceux dont le billet est à venir apparaissent en texte simple.
Les annexes sont listées pour la transparence mais sont du contenu réservé au livre — matériel de référence, fiches récapitulatives, exercices avec solutions, et autres éléments qui appartiennent à l'arrière du livre plutôt qu'à un billet séparé. Pour obtenir les annexes, lisez le livre.
Volume I — Comment fonctionne l'IA générative
Un guide clair et pratique des fondations des grands modèles de langage.
La rampe d'accès en langage clair à toute la série. En partant de zéro — tokens, entraînement et l'acte simple de prédire le mot suivant — il construit une image honnête et sans jargon de ce qu'est un grand modèle de langage, comment il est entraîné, et pourquoi il se comporte comme il le fait, en ne supposant aucune base préalable. C'est la fondation sur laquelle chaque volume ultérieur s'appuie.
Lisez le livre sur Amazon : LLM Primer I — How Generative AI Works
|
|
Introduction à la série : Une tournée chapitre par chapitre de LLM Primer I — Introduction à la série et index
Partie I — Concepts et fondations
Partie II — Comment fonctionnent les LLM
Partie III — Perspectives pratiques
Partie IV — Sujets avancés
Annexes (livre uniquement)
| A — | Glossaire LLM |
| B — | Les mathématiques derrière l'attention |
| C — | Aide-mémoire de prompting |
| D — | Outils et bibliothèques |
| E — | Lectures recommandées |
Volume II — Les modèles de langage par les mathématiques
Explorer le fonctionnement interne de l'IA avec une intuition mathématique.
Une tournée mathématiquement rigoureuse mais lisible du fonctionnement interne de l'IA : attention, dynamique d'optimisation, paysages de perte et comportement à l'échelle, expliqués à travers les mathématiques qui les font fonctionner. Chaque équation qui compte est entièrement dérivée — chacune enveloppée dans une histoire, une analogie et un exemple numérique résolu. Pour les lecteurs qui veulent les mathématiques que le premier volume garde dans les encadrés.
Lisez le livre sur Amazon : LLM Primer II — Language Models Through Mathematics
|
|
Introduction à la série : Une tournée chapitre par chapitre de LLM Primer II — Introduction à la série et index
Partie I — Fondations mathématiques
Partie II — L'architecture des modèles
Partie III — Entraînement et évaluation
Partie IV — Applications et perspectives
Annexes (livre uniquement)
| — | L'aide-mémoire mathématique des LLM |
| — | Une perspective statistique sur les LLM |
| — | Questions que les gens posent |
| — | Dérivations résolues |
| — | Exercices, avec solutions |
| — | Index des symboles |
| — | Une passe avant complète, par les nombres |
| — | Une chronologie des idées |
Volume III — Renforcer l'IA d'entreprise avec RAG (Disponible maintenant)
Un guide pratique pour construire des systèmes de Retrieval-Augmented Generation pour l'entreprise.
RAG pratique — bases de données vectorielles, stratégies de chunking, et l'architecture pour ancrer un modèle dans vos propres documents afin d'obtenir des réponses d'entreprise fiables et à jour. Le volume à lire si votre travail est de livrer des fonctionnalités d'IA qui doivent rester actuelles et qui doivent citer leurs sources.
Lire sur Amazon : LLM Primer III — Améliorer l'IA d'entreprise avec RAG
|
|
Introduction à la série : LLM Primer III — Introduction de la série et index
Partie I — Fondations de la Retrieval-Augmented Generation
Partie II — Ingestion, parsing et chunking des données
Partie III — Bases de données vectorielles et optimisation de la recherche
Partie IV — Sécurité, confidentialité et contrôle d'accès
Partie V — Évaluation, monitoring et maintenance
Annexes (livre uniquement)
| A — | Formules mathématiques essentielles pour l'optimisation RAG |
| B — | Exemples de system prompts pour l'anonymisation et l'évaluation |
| C — | Matrices de décision pour bases vectorielles et outils |
| D — | Jeux de données de référence pour l'évaluation RAG |
Volume IV — Concevoir la cognition de l'IA avec MCP (Disponible maintenant)
Concevoir le contexte, les outils et la mémoire pour des agents IA fiables.
Modélisation structurée du contexte et orchestration : comment façonner le raisonnement d'un modèle en concevant le contexte et les situations qu'il voit, plutôt que le modèle lui-même. Le volume à lire si vous construisez des systèmes agentiques — inventaires d'outils, boucles longues, mémoire à travers les sessions, et la discipline de concevoir ce que le modèle est autorisé à voir.
Lire sur Amazon : LLM Primer IV — Concevoir la cognition de l'IA avec MCP
|
|
Introduction à la série : LLM Primer IV — Introduction de la série et index
Partie I — Le changement de paradigme dans l'intégration IA
Partie II — Mécanismes centraux du Model Context Protocol
Partie III — Modèles d'orchestration multi-agents
Partie IV — Concevoir la cognition de l'IA : contexte et mémoire
Partie V — Sécuriser les flux agentiques
Partie VI — Ingénierie de production et mise à l'échelle
Annexes (livre uniquement)
| A — | Référence rapide et aide-mémoire MCP |
| B — | Plans d'implémentation et exemples de code |
| C — | Listes de vérification production et sécurité |
| D — | Spécifications avancées et propositions standard (SEPs) |
| E — | Benchmarks et données de performance |
| F — | Ressources officielles et liens écosystème |
Volume V — Construire des applications LLM du monde réel
Concevoir, évaluer et exploiter des systèmes LLM en production.
Un guide centré sur les systèmes, du prototype à la production — conception d'API, boucles d'évaluation, monitoring et intégration — pour transformer un modèle capable en produit fiable. Le volume qui transforme la compréhension architecturale en services qui tournent avec de vrais utilisateurs.
|
|
Partie I — Fondations de l'ingénierie IA
| Chapitre 1 — | La discipline de l'ingénierie IA |
| Chapitre 2 — | Modèles de fondation et prompt engineering |
Partie II — Construire des capacités agentiques et de recherche
| Chapitre 3 — | Retrieval-Augmented Generation (RAG) |
| Chapitre 4 — | Agents IA et appel d'outils |
Partie III — Assurance qualité et observabilité
| Chapitre 5 — | Évaluer les applications LLM |
| Chapitre 6 — | Observabilité IA et traçage |
Partie IV — Sécurité, mise à l'échelle et optimisation
| Chapitre 7 — | Sécurité LLM et garde-fous |
| Chapitre 8 — | Optimiser performance, serving et coût |
Annexes (livre uniquement)
| A — | Listes de vérification production et sécurité |
| B — | Matrices de sélection d'outils et de cadres |
| C — | Protocoles, streaming et sorties structurées |
| D — | Architecture de rate limiting et gestion des coûts |
| E — | Glossaire des métriques et termes de l'ingénierie IA |
Volume VI — Mettre les systèmes d'IA à l'échelle
Architecturer une inférence LLM à faible latence pour l'échelle de production.
Architecturer une inférence haute performance : serving distribué, optimisation de la latence et modélisation des coûts pour des systèmes qui doivent répondre des millions de fois par jour. Le volume à lire quand votre système d'IA a dépassé un seul serveur et doit maintenant se comporter comme une vraie pièce d'infrastructure.
|
|
Partie I — Les fondations de l'inférence LLM
| Chapitre 1 — | La mécanique de la génération de tokens |
| Chapitre 2 — | Le défi du cache clé-valeur (KV) |
Partie II — Le substrat matériel
| Chapitre 3 — | GPU de centre de données pour l'IA générative |
| Chapitre 4 — | Silicium IA spécialisé et ASICs |
Partie III — Optimisation au niveau modèle (compression)
| Chapitre 5 — | Démystifier la quantification |
| Chapitre 6 — | Pruning et distillation de connaissances |
Partie IV — Optimisations au niveau système et moteur
| Chapitre 7 — | Stratégies avancées de batching |
| Chapitre 8 — | Gestion du cache KV de nouvelle génération |
| Chapitre 9 — | Décodage spéculatif |
Partie V — Cadres de serving et orchestration
| Chapitre 10 — | La couche moteur LLM |
| Chapitre 11 — | La couche plateforme et orchestration |
| Chapitre 12 — | Serving désagrégé et Kubernetes |
| Chapitre 13 — | Autoscaling et atténuation du démarrage à froid |
Partie VI — Économie applicative et TCO
| Chapitre 14 — | Économie des tokens et tarification API |
| Chapitre 15 — | API serverless vs infrastructure dédiée |
| Chapitre 16 — | Stratégies de réduction des coûts en production |
Annexes (livre uniquement)
| A — | Référence des formules mathématiques et modélisation des coûts |
| B — | Guide des spécifications matérielles et accélérateurs |
| C — | Configurations de déploiement et extraits de code |
| D — | Méthodologie de benchmarking et définitions des métriques |
Volume VII — Sécurité de l'IA
Défendre les systèmes LLM contre la prompt injection, les jailbreaks et les menaces adversariales.
Concevoir une IA sûre et robuste : risques adversariaux, prompt injection, cadres de gouvernance et conception défensive pour des systèmes déployés dans le monde réel. Le volume à lire quand votre système d'IA doit être traité comme une infrastructure pertinente pour la sécurité.
|
|
Partie I — Fondations de la sécurité IA
| Chapitre 1 — | Pourquoi la sécurité IA est différente |
| Chapitre 2 — | Modélisation des menaces pour les systèmes LLM |
| Chapitre 3 — | Sécurité des données et confidentialité |
Partie II — Sécurité du prompt et de l'interaction
| Chapitre 4 — | Prompt injection et jailbreaks |
| Chapitre 5 — | Validation des entrées et filtrage des sorties |
| Chapitre 6 — | Risques de la Retrieval-Augmented Generation |
Partie III — Robustesse et fiabilité du modèle
| Chapitre 7 — | Hallucinations et fiabilité |
| Chapitre 8 — | Attaques adversariales sur les modèles |
| Chapitre 9 — | Intégrité du modèle et risques de chaîne d'approvisionnement |
Partie IV — Architecture de sécurité au niveau système
| Chapitre 10 — | Concevoir des architectures LLM sûres |
| Chapitre 11 — | Observabilité, journalisation et réponse aux incidents |
| Chapitre 12 — | Contrôle d'accès et identité |
Partie V — Gouvernance, éthique et conformité
| Chapitre 13 — | Paysage réglementaire |
| Chapitre 14 — | Biais, équité et IA responsable |
| Chapitre 15 — | Construire une organisation IA sûre |
Partie VI — Sujets avancés
| Chapitre 16 — | Affinage et adaptation sûrs |
| Chapitre 17 — | Menaces futures et défenses émergentes |
Annexes (livre uniquement)
| A — | Liste de vérification de sécurité IA pour systèmes de production |
| B — | Modèle d'exemple de modélisation des menaces |
| C — | Modèles de conception de prompts sûrs |
| D — | Modèle de réponse aux incidents pour applications LLM |
| E — | Outils et cadres recommandés |
Comment cette page grandit
Cette page sera mise à jour à mesure que chaque volume de la série est publié, et à mesure que les billets chapitre par chapitre de chaque chapitre paraissent. Les Volumes III à VII ont chacun leur table des matières complète ci-dessus ; les billets pour ces chapitres seront ajoutés à mesure qu'ils seront écrits.
Mettez cette page dans vos favoris si vous voulez suivre la série au fur et à mesure. Ou abonnez-vous au fil du channel pour recevoir chaque nouveau billet le jour de sa parution.
Commencez avec le Volume I. Douze chapitres, entièrement révisés pour 2026, avec diagrammes, encadrés en langage simple, exemples de code et un traitement complet de la façon dont l'IA générative fonctionne vraiment.
Procurez-vous LLM Primer I sur Amazon →
Puis allez plus loin avec le Volume II. Les mathématiques sous la machinerie — chaque équation qui compte est entièrement dérivée, et chacune est enveloppée dans une histoire, une analogie et un exemple résolu.
Procurez-vous LLM Primer II sur Amazon →
