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 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 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 7 — Hallucinations et fiabilité
La fiabilité comme propriété de sécurité — pourquoi les modèles fabulent avec assurance, ce que la calibration corrige, et les architectures hybrides qui rendent la fiabilité ingénieriable.
2026-05-16
Chapitre 6 — Risques de la génération augmentée par récupération
Frontières de confiance dans le RAG, injection de documents malveillants, empoisonnement d'index et d'embeddings, et surveillance du chemin de récupération.
2026-05-15
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
Chapitre 3 — Sécurité des données et vie privée
Corpus d'entraînement, mémorisation et extraction, incidents Samsung et Garante, et la discipline de chiffrement, d'isolation et de rétention que les LLM exigent.
2026-05-12
Chapitre 2 — Modélisation des menaces pour les systèmes LLM
Les quatre questions de Shostack, STRIDE et PASTA contre les actifs LLM, MITRE ATLAS pour les adversaires — et le modèle de menace opérationnel dont chaque chapitre suivant se réclame.
2026-05-11
Chapitre 1 — Pourquoi la sécurité de l'IA est différente
Pourquoi la sécurité de l'IA n'est pas la sécurité traditionnelle avec un adjectif ML : le substrat a changé, les vulnérabilités ne sont plus des bugs, et l'attaque vise l'enveloppe comportementale.
2026-05-10
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 11 — La couche plateforme et orchestration
Onzième billet du LLM Primer VI. Ray Serve, KServe, BentoML, Triton — le choix de plateforme comme adéquation avec la culture d'exploitation plutôt que comparatif de fonctionnalités.
2026-05-03
Chapitre 10 — La couche moteur LLM
Dixième billet du LLM Primer VI. La frontière entre moteur et plateforme, et les cinq moteurs — vLLM, TensorRT-LLM, SGLang, TGI, Ollama — qui dominent cette couche en 2026.
2026-05-02
Chapitre 9 — Décodage spéculatif
Neuvième billet du LLM Primer VI. La faille mathématique du goulot séquentiel de l'autoregression, les brouillons EAGLE/Medusa/MTP, et l'arithmétique du moment où la spéculation paie.
2026-05-01
Chapitre 8 — Optimiser performance, service et coût
Dernier billet de la tournée du LLM Primer V. Le chapitre qui traite l'économie LLM de production comme une discipline en couches — l'appel le moins cher est celui qui n'a jamais lieu, et chaque couche en dessous est celle qui rend l'appel suivant bon marché.
2026-04-21
Chapitre 7 — Sécurité et garde-fous LLM
Septième billet de la tournée du LLM Primer V. Le chapitre qui nomme le nouvel axe de sécurité introduit par les applications LLM — contrôler quelles instructions atteignent le modèle, d'où, avec quelle autorité — et construit la matrice de mitigation autour de lui.
2026-04-20
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 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 2 — Modèles de base et ingénierie de prompt
Deuxième billet de la tournée du LLM Primer V. Le chapitre qui traite l'ingénierie de prompt comme de l'ingénierie — gabarits versionnés, délimiteurs défensifs, sorties structurées — au lieu d'un art jugé aux sensations.
2026-04-15
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 13 — Frameworks et intégration cloud
Treizième billet de la tournée du LLM Primer IV. Strands avec Bedrock, le patron de couche d'état AWS, le Microsoft Agent Framework, LangChain, Semantic Kernel — et les trois formes d'intégration de production sur lesquelles les équipes convergent indépendamment.
2026-04-11Chapitre 7 — Patrons collaboratifs et dynamiques avancés
Septième billet de la tournée du LLM Primer IV. Consensus en table ronde, routage par handoff, orchestration magentique — les patrons qui émergent quand la topologie doit être bâtie par requête, avec les modes de défaillance (non-terminaison, mauvais routage, planification emballée) que les patrons plus simples évitent.
2026-04-05Chapitre 6 — Stratégies d'orchestration fondamentales
Sixième billet de la tournée du LLM Primer IV. Les deux formes fondatrices d'orchestration — pipelines séquentiels et scatter-gather concurrent — et la question préalable que toute équipe devrait poser : un système multi-agents est-il bien la bonne réponse ?
2026-04-04Chapitre 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 9 — La triade d'évaluation RAG
Neuvième billet de la tournée du LLM Primer III. Un système RAG peut échouer à trois endroits différents et les échecs paraissent identiques vus de l'extérieur — la triade d'évaluation Pertinence du Contexte, Fidélité, et Pertinence de la Réponse est le petit vocabulaire qui empêche de corriger un bug en mesurant un autre.
2026-03-26Chapitre 8 — Anonymisation des données dans la chaîne RAG
Huitième billet de la tournée du LLM Primer III. Anonymisation pré-génération contre post-génération, les trois familles de techniques — masquage, remplacement synthétique, confidentialité différentielle — et le compromis utilité-confidentialité qui détermine si le système reste utile.
2026-03-25Chapitre 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.
2026-03-23Chapitre 5 — Architecturer la chaîne de recherche
Cinquième billet de la tournée du LLM Primer III. Pourquoi une seule recherche vectorielle n'est pas une chaîne — recherche hybride, fusion de rangs réciproques, reranking par cross-encoder, et réécriture côté requête plus HyDE — assemblés dans l'architecture de production sur laquelle les systèmes RAG mûrs convergent.
2026-03-22Chapitre 4 — Choisir la bonne base vectorielle
Quatrième billet de la tournée du LLM Primer III. La séparation architecturale entre bases vectorielles dédiées et extensions de type Postgres, les leaders managés (Pinecone, Vertex), le terrain open source (Qdrant, Milvus, Weaviate), les options embarquées, et les trois axes opérationnels — résidence, exploitation, coût — qui décident du vrai choix.
2026-03-21Chapitre 2 — L'analyse intelligente de documents
Deuxième billet de la tournée du LLM Primer III. Pourquoi un PDF n'est pas un fichier texte, ce que les parseurs sensibles à la mise en page préservent réellement, le paysage actuel des outils (LlamaParse, Docling, Unstructured, Marker-PDF, Firecrawl, DeepSeek-OCR), et la piste multimodale qui retrouve directement sur les images de pages.
2026-03-19Chapitre 1 — L'évolution de l'architecture RAG
Premier billet de la tournée du LLM Primer III. Les quatre postures architecturales de RAG — Naïve, Avancée, Modulaire, Agentique — se lisent comme l'histoire de l'agentivité progressivement confiée au LLM, et la réponse honnête à la question de savoir quand l'affinage est le meilleur outil plutôt que la recherche.
2026-03-18LLM 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 11 — Recherche de pointe : MoE, modèles de raisonnement et le nouvel axe de mise à l'échelle
Chapitre 11 de la série LLM Primer I. Les frontières de recherche qui sont désormais réalité de production — mixture-of-experts, mémoire augmentée par recherche, tokenisation multimodale native, apprentissage continu et le paradigme de scaling au moment de l'inférence qui a produit les modèles de raisonnement d'aujourd'hui. Le plus grand ajout de contenu de l'édition 2026.
2026-02-28Chapitre 10 — Sécurité, éthique et confiance : au-delà du marketing
Chapitre 10 de la série LLM Primer I. L'image honnête de la sécurité des LLM — pourquoi les hallucinations se produisent mécaniquement, où vit vraiment le biais, comment fonctionnent les garde-fous en couches, et pourquoi la gouvernance est la couche institutionnelle que les contrôles techniques ne peuvent pas remplacer. Pour les praticiens qui doivent livrer en toute sécurité.
2026-02-27Chapitre 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 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.
2026-02-24Chapitre 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.
2026-02-22Chapitre 4 — L'architecture Transformer : dans le moteur de l'IA moderne
Chapitre 4 de la série LLM Primer I. Une tournée du bloc Transformer — comment le self-attention, le positional encoding et les couches empilées se combinent pour produire l'architecture sur laquelle est construit chaque LLM moderne. Avec une explication claire de pourquoi le scaling des Transformers fonctionne, et ce qu'il coûte.
2026-02-21Chapitre 2 — Probabilité, tokens et texte : le jeu de la devinette du mot suivant
Chapitre 2 de la série LLM Primer I. Comment les LLM convertissent le texte en tokens, pourquoi la modélisation du langage est fondamentalement un problème de probabilité, et comment l'ancienne approche par n-grammes a cédé la place à des modèles neuronaux capables de généraliser. Avec des explications en langage simple sur la perplexité et pourquoi les frontières de tokens comptent.
2026-02-19Chapitre 1 — Qu'est-ce qu'un grand modèle de langage ? (Au-delà des gros titres)
Chapitre 1 de la série LLM Primer I. Nous démêlons ce que « grand », « langage » et « modèle » veulent vraiment dire, parcourons le passage des systèmes à base de règles aux réseaux neuronaux, et abordons les trois plus grandes idées fausses sur le fonctionnement des LLM modernes. Une base claire et accessible pour tout ce qui suit.
2026-02-18Une 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