Approfondissez votre expertise en matière de génération à enrichissement contextuel (RAG) en créant, testant et comparant des systèmes RAG réels dans le cadre de cet atelier intensif.

Contenu de la formation

Une introduction accessible aux grands modèles de langage (LLM) et à la Génération à enrichissement contextuel (RAG). Découvrez comment fonctionnent les systèmes RAG modernes et comprenez leurs composants principaux, leurs limites et les choix de conception.

Cette formation s’inscrit dans une série de cours RAG de trois jours. Le Jour 1 est consacré aux fondements conceptuels et peut être suivi indépendamment, tandis que les Jours 2 et 3 constituent un module technique pratique consécutif. Les participant·e·s peuvent s’inscrire uniquement au Jour 1, au module technique Jours 2–3, ou au programme complet de trois jours. Les participants inscrits au programme complet de trois jours bénéficient d’une réduction de 50 €. Pour vous inscrire au programme complet, ajoutez les jours 2 et 3 lors du processus de paiement.

Cette formation sera dispensée en anglais.

Programme

Matin – Fondamentaux des LLM et du RAG
– Fonctionnement des LLM (tokens, prédiction, hallucinations)
– Limites de la fenêtre de contexte et paramètre de température
– Modèles locaux vs modèles via API (coût, confidentialité, performance)
– Fine-tuning vs RAG
– Principes et architectures du RAG

Après-midi – Composants clés d’un système RAG
– Traitement des documents (PDF, extraction de texte)
– Stratégies de découpage (chunking) et métadonnées
– Embeddings (locaux vs API)
– Stockage vectoriel et mécanismes de recherche
– Recherche dense vs recherche sparse (FAISS, BM25)
– Structure des prompts et gestion du contexte

Public cible

– Services informatiques
– Administrations publiques
– Équipes en charge des politiques publiques, de l’innovation et du numérique
– Toute personne travaillant avec des solutions d’IA ou en supervisant l’usage

Formateurs

Alexandra SÉBASTIEN

Formée en biologie et en écologie, Alexandra SÉBASTIEN s’est d’abord spécialisée dans l’étude des insectes sociaux (fourmis et abeilles domestiques), de leur comportement, de leurs bactéries et virus, puis de leurs protéines. Elle a obtenu son bachelier et son master à l’Université Pierre et Marie Curie avant de décrocher un doctorat à la Victoria University of Wellington en 2016. Elle a ensuite effectué un postdoctorat à l’University of British Columbia, où elle a poursuivi l’intégration de recherches empiriques et d’analyses quantitatives.

Au fil du temps, son travail a évolué des recherches de terrain et de laboratoire vers des approches fondées sur les données. Cette transition l’a conduite à entreprendre un master complémentaire en Big Data à l’Université libre de Bruxelles, achevé en 2025. Elle est motivée par la résolution analytique de problèmes et par l’interprétation de jeux de données complexes. Face à l’adoption et à l’utilisation rapides de l’intelligence artificielle dans la vie quotidienne, elle s’intéresse particulièrement aux implications sociétales de ces outils et à l’importance de les déployer de manière responsable et constructive.

Lyan ALJENDI

Lyan Aljendi est ingénieure en IA générative à l’ULB et se concentre actuellement sur le développement de solutions à fort impact dans le domaine de l’éducation. Elle a précédemment travaillé sur l’application de l’IA générative à la recherche médicale dans le cadre de son mémoire de master. Elle s’intéresse particulièrement à l’utilisation de l’IA pour créer un changement positif dans le secteur public. Elle a obtenu un bachelier en génie des logiciels et des systèmes d’information à l’Université de Homs et a complété un master en informatique à l’ULB en 2025, où elle a reçu le prix Babbage pour excellence académique.