Introduction aux LLM
Cette page fournit un guide facile à comprendre sur les LLM (grands modèles de langage) des bases aux applications pour les passionnés d'IA.
Chapitre 17 — Menaces futures et défenses émergentes
Chapitre final de la série : agents autonomes, surfaces multimodales, identité synthétique et IA-contre-IA — puis un pont vers l'arc I–VII et le volume compagnon Physical AI.
2026-05-26
Chapitre 16 — Fine-tuning et adaptation sécurisés
Érosion d'alignement par données bénignes, empoisonnement délibéré, portes d'évaluation en CI et discipline de rollback — le fine-tuning traité comme sa propre surface de sécurité.
2026-05-25
Chapitre 15 — Bâtir une organisation IA sécurisée
Culture de sécurité, red teams, évaluation de risque fournisseur, évaluation continue et gérance à long terme — l'infrastructure organisationnelle qui porte la discipline dans le temps.
2026-05-24
Chapitre 14 — Biais, équité et IA responsable
Sources des biais, benchmarks d'équité et leurs limites, l'arbitrage sécurité-utilité, et la politique IA organisationnelle qui rend les choix explicites.
2026-05-23
Chapitre 13 — Paysage réglementaire
L'AI Act européen, le RGPD appliqué à l'IA, ISO/IEC 42001 et le patchwork mondial — cartographier les contrôles techniques sur un paysage réglementaire pluriel.
2026-05-22
Chapitre 11 — Observabilité, journalisation et réponse aux incidents
Ce qu'il faut journaliser avec OpenTelemetry GenAI, détection composée signature-statistique-comportementale, et playbooks d'incident inspirés de NIST pour un système probabiliste.
2026-05-20
Chapitre 10 — Concevoir des architectures LLM sécurisées
Isolation, validation multi-niveaux, moteurs de politique OPA et Cedar, conception d'API sécurisée, et zero-trust appliqué à un composant qui lit toute entrée comme instruction.
2026-05-19
Chapitre 9 — Intégrité du modèle et risques de la chaîne d'approvisionnement
Backdoors qui survivent à l'alignement, pickle contre safetensors, Sigstore et surveillance de dérive : mettre la chaîne d'approvisionnement du modèle à parité avec celle du logiciel.
2026-05-18
Chapitre 8 — Attaques adverses contre les modèles
De FGSM à TextFooler puis aux suffixes universels ; attaques boîte-noire contre les API et vol de modèle — la dette de recherche derrière l'injection de prompt.
2026-05-17
Chapitre 5 — Validation des entrées et filtrage des sorties
Étapes d'assainissement, prompting structuré, Llama Guard, red teaming avec Garak et PyRIT, et métriques de sécurité honnêtes qui survivent au trafic réel.
2026-05-14
Chapitre 4 — Injection de prompt et jailbreaks
Injection directe et indirecte, taxonomie des jailbreaks, suffixes universels — et pourquoi la mitigation doit être stratifiée plutôt que syntaxique.
2026-05-13
LLM Primer VII — Introduction de la série et index
Introduction et index de la tournée chapitre par chapitre du LLM Primer VII : Sécurité de l'IA — le volume final de la série LLM Primer.
2026-05-09
Chapitre 5 — Démystifier la quantification
Cinquième billet du LLM Primer VI. Pourquoi un modèle 70B survit au 4 bits alors qu'un modèle 1B non — et comment choisir la recette entre AWQ, GPTQ, SmoothQuant et GGUF.
2026-04-27
Chapitre 6 — Observabilité et traçage de l'IA
Sixième billet de la tournée du LLM Primer V. Le chapitre qui traite une requête utilisateur comme un arbre causal, non comme une entrée de journal, et montre ce qu'il faut tracer pour que l'arbre reste lisible.
2026-04-19
Chapitre 5 — Évaluer les applications LLM
Cinquième billet de la tournée du LLM Primer V. Le chapitre qui admet qu'assertEqual est mort pour les sorties LLM et reconstruit la discipline de test autour de juges ancrés, du Triangle RAG et des tests de trajectoire.
2026-04-18
Chapitre 4 — Agents IA et appel d'outils
Quatrième billet de la tournée du LLM Primer V. Le chapitre qui traite un agent comme un modèle de langage bouclé sur des outils dont les schémas, les couches de mémoire et le câblage multi-agents doivent être conçus avant de confier la boucle à quoi que ce soit de réel.
2026-04-17
Chapitre 3 — Génération augmentée par la récupération
Troisième billet de la tournée du LLM Primer V. Le chapitre qui parcourt le pipeline RAG de bout en bout et sépare la démo qui marche sur vos dix documents favoris du système qui survit au contact de votre corpus réel.
2026-04-16
Chapitre 1 — La discipline de l'ingénierie IA
Premier billet de la tournée du LLM Primer V. L'écart de fiabilité entre la démo et la production, l'enveloppe déterministe autour du cœur probabiliste, et les cinq piliers — fiabilité, qualité, performance, coût, évolution — qui font la discipline.
2026-04-14
LLM Primer V — Introduction de la série et sommaire
Une tournée chapitre par chapitre de LLM Primer V — le volume qui traite l'ingénierie IA comme une discipline à part entière et parcourt les huit surfaces où cette discipline vit : modèles de base, prompts, récupération, agents, évaluations, observabilité, sécurité et service.
2026-04-13Chapitre 14 — Benchmarking, tests et performance
Quinzième et dernier billet de la tournée du LLM Primer IV. Le MCP-Universe Benchmark sur de vrais serveurs, les deux modes de défaillance systémiques qu'il a exposés, l'écart de débit dix-pour-un entre session-par-requête et pools de sessions partagées, et le pont vers le Volume V.
2026-04-12Chapitre 10 — Mémoire de tâche à long horizon
Dixième billet de la tournée du LLM Primer IV. Mémoire à court terme par fenêtres et scratchpads ReAct, mémoire à long terme par vecteurs épisodiques et stores sémantiques, et les techniques de compaction qui maintiennent un agent productif sur des heures et des jours.
2026-04-08Chapitre 4 — Primitives du client : comportements agentiques et contrôle
Quatrième billet de la tournée du LLM Primer IV. Sampling, Roots et Elicitation sont les trois petits trous contrôlés que MCP perce dans le mur entre l'hôte et le serveur — chacun une capacité concédée en retour, chacun un risque accepté au nom de l'utilisateur.
2026-04-02Chapitre 11 — Mises à jour continues et optimisation du pipeline
Onzième et dernier billet de la tournée du LLM Primer III. CDC et indexation incrémentale gardent le corpus frais, cache sémantique et tiering de modèles maintiennent la latence basse, et une boucle de feedback en quatre étapes ferme l'écart entre ce que la production dit à l'équipe et ce que l'équipe change effectivement — plus un pont vers le Volume IV sur le Model Context Protocol.
2026-03-28Chapitre 10 — Les frameworks d'évaluation de référence
Dixième billet de la tournée du LLM Primer III. Un guide de terrain des frameworks qui transforment la triade d'évaluation en quelque chose qu'une équipe peut faire tourner — RAGAS, TruLens, DeepEval d'un côté, Braintrust, LangSmith, Phoenix, Galileo, Opik de l'autre, et l'écart d'évaluation qu'aucun d'eux n'a encore comblé.
2026-03-27Chapitre 7 — Implémenter le contrôle d'accès
Septième billet de la tournée du LLM Primer III. ACL au niveau document comme fondation, RBAC avec les étiquettes de sensibilité Microsoft Purview, ReBAC avec Zanzibar et SpiceDB, et la discipline pré-filtre contre post-filtre qui tourne sous tous.
2026-03-24Chapitre 6 — Modèles de menaces et vulnérabilités RAG
Sixième billet de la tournée du LLM Primer III. La surface d'attaque élargie de la recherche — empoisonnement de corpus, morceaux adversariaux, injection de prompt indirecte, inversion d'embedding, et le problème du deputy confus en RAG agentique. Attaques concrètes, chacune démontrée, chacune reproductible.
2026-03-23LLM Primer III — Améliorer l'IA d'entreprise avec RAG : présentation de la série et sommaire
Lancement de la tournée chapitre par chapitre du Livre III de la série LLM Primer — Améliorer l'IA d'entreprise avec RAG. Pourquoi la génération augmentée par la recherche semble simple vue de l'extérieur et constitue, en réalité, un empilement de disciplines, à qui ce livre s'adresse, et le calendrier des onze billets qui suivent, du 18 au 28 mars.
2026-03-17Chapitre 11 — Évaluation, Calibration et Inférence
Chapitre 11 de la série LLM Primer II. Le chapitre où l'on demande comment quiconque peut mesurer une machine capable de dire n'importe quoi — et où l'on découvre qu'un modèle confiant est souvent un modèle mal calibré. Perplexité, calibration, barres d'erreur des benchmarks, et la géométrie de la recherche pour contrôler les hallucinations.
2026-03-13Chapitre 10 — Mathématiques du Post-Entraînement et de l'Alignement
Chapitre 10 de la série LLM Primer II. Le chapitre où un prédicteur du prochain mot brillant mais sauvage est civilisé en assistant utile — affinage supervisé, modélisation de la récompense, RLHF tenu en laisse par KL, et la dérivation élégante de DPO qui fait disparaître tout le pipeline de RL.
2026-03-12Chapitre 12 — Construire votre propre système LLM : des jeux de données à la production
Chapitre 12 de la série LLM Primer I. Le chapitre final. Ce qu'il faut vraiment pour construire un système alimenté par LLM de bout en bout — licences de jeux de données, pipelines d'entraînement, cadres d'évaluation, la pile d'applications intégrée et les motifs d'études de cas qui distinguent les déploiements réussis des pilotes échoués.
2026-03-01Chapitre 9 — Performance, mise à l'échelle et coûts : les vrais compromis d'ingénierie
Chapitre 9 de la série LLM Primer I. Les réalités opérationnelles de faire tourner les LLM à l'échelle — taille du modèle vs capacité, le compromis latence-throughput, économie des coûts, quantification et déploiement edge. Pourquoi les modèles de frontière sont souvent le mauvais choix même quand vous pouvez vous les permettre.
2026-02-26Chapitre 8 — Utiliser les LLM dans les applications : chatbots, code, extraction et agents
Chapitre 8 de la série LLM Primer I. Les motifs d'application qui sortent vraiment en production — chatbots, résumé, assistants de code, extraction structurée et la montée des systèmes agentiques où le modèle pilote une boucle d'utilisation d'outils. Plus les benchmarks que chaque ingénieur devrait reconnaître par leur nom.
2026-02-25Chapitre 7 — Au-delà de la prédiction du prochain token : embeddings, recherche et multimodalité
Chapitre 7 de la série LLM Primer I. Les capacités qui transforment un prédicteur du prochain token en bien plus — embeddings, recherche sémantique, retrieval-augmented generation et la transition vers les entrées multimodales. Comment RAG garde réellement un LLM ancré dans de vrais documents au lieu d'inventer.
2026-02-24Une tournée chapitre par chapitre de LLM Primer I — Introduction à la série et index
Introduction et index de la tournée en douze parties chapitre par chapitre de LLM Primer I : Comment fonctionne l'IA générative. Un billet par jour, du 18 février au 1er mars 2026. Lisez-les dans l'ordre ou choisissez le chapitre qui vous intéresse le plus. Tous les douze sont listés et liés ici.
2026-02-17
La Série LLM Primer — Un guide de terrain de l'IA générative, construit volume après volume
La série LLM Primer — un guide de terrain en sept volumes désormais complet sur l'IA générative par Sho Shimoda. Des fondamentaux à la sécurité. Comprend Physical AI comme volume compagnon. Les 7 volumes disponibles sur Amazon.
2026-02-15