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 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 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 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.
2026-05-18Chapitre 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 6 — Affinage et adaptation : du modèle brut à l'assistant utile
Chapitre 6 de la série LLM Primer I. La pile complète d'adaptation — du pilotage bon marché basé sur les prompts à l'affinage efficace en paramètres jusqu'à l'alignement complet avec RLHF et ses successeurs modernes comme DPO. Pourquoi le post-entraînement est désormais là où se différencient vraiment les API de modèles fermés.
2026-02-23Chapitre 5 — Entraîner de grands modèles : ce qu'il faut vraiment pour un modèle de frontière
Chapitre 5 de la série LLM Primer I. Comment les LLM de frontière sont vraiment entraînés — le pipeline de données, la fonction de perte, les mois de temps GPU, et pourquoi l'« entraînement » est aujourd'hui un problème d'ingénierie à échelle industrielle plus qu'un problème de recherche. Démystifie ce que paient ces runs d'entraînement à cent millions de dollars.
2026-02-22Une 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