Bloc 5

Construire avec l'IA

Comment structurer un projet IA, s'orienter dans le paysage des outils (RAG, agents, bases vectorielles, API), écrire du code de base et évaluer les résultats au regard du coût et de la latence.

3 Modules·9 Leçons

Tout le monde parle de construire avec l'IA. La plupart en sont encore à admirer la démo. Ce bloc vous fait passer de spectateur à builder, sans prétendre qu'il faut un diplôme d'informatique pour avoir un avis qui compte dans la pièce.

Vous commencez là où tout projet sérieux devrait commencer, avant la moindre ligne de code. Cadrer le problème. Décider s'il vous faut un prompt, un dispositif RAG, un fine-tuning ou un agent. Fixer le périmètre, les données et les critères de succès pour savoir à quoi ressemble une réussite. C'est cette discipline qui sépare les vraies initiatives des expériences scientifiques coûteuses.

Ensuite, vous entrez dans la mécanique. Vous cartographiez le paysage des outils, des API aux plateformes no-code en passant par les bases vectorielles. Vous apprenez comment le retrieval-augmented generation met vos propres données derrière le modèle, pour qu'il cesse de deviner et se mette à répondre. Vous voyez comment les agents passent à l'action au lieu de produire du texte, et où cette puissance devient dangereuse si personne n'a cadré le périmètre.

Enfin, vous mettez les mains dedans. Votre premier appel d'API en Python, pour comprendre ce que font réellement vos équipes. De la vraie évaluation, parce qu'un système qui a l'air intelligent et un système qui fonctionne sont deux choses différentes. Et les arbitrages qui décident des budgets, coût, latence et choix du modèle, ces décisions qui font ou défont discrètement votre unit economics.

À la fin, vous pouvez vous asseoir face à n'importe quelle équipe technique et tenir la conversation d'égal à égal. Vous saurez ce qui est facile, ce qui est difficile, ce qui est un red flag et ce qui est un prétexte. C'est du levier. Les dirigeants qui comprennent comment l'IA se construit cessent de se faire vendre et commencent à diriger le travail.

Ce que vous allez maîtriser

  • Cadrer un problème IA avant que quiconque ne touche un clavier
  • Choisir entre prompting, RAG, fine-tuning et agents en toute confiance
  • Cadrer un projet avec des besoins en données et des critères de succès clairs
  • Concevoir un système RAG qui met vos propres données derrière le modèle
  • Évaluer les résultats pour prouver qu'un système fonctionne vraiment
  • Arbitrer coût, latence et choix de modèle comme un opérationnel
  • Tenir une conversation d'égal à égal avec n'importe quelle équipe technique

Modules

Questions fréquentes

Que faut-il concrètement pour construire avec l'IA quand on n'est pas ingénieur ?

Il faut une méthode plus que du code. Cadrer le problème, choisir entre prompting, RAG, fine-tuning et agents, définir les besoins en données et les critères de succès, puis évaluer les résultats au regard du coût et de la latence. Écrire un premier appel d'API en Python vous aide à comprendre ce que font vos équipes, mais les décisions qui font réussir ou échouer un projet d'IA se prennent avant que quiconque ouvre un éditeur.

Quelle est la différence entre RAG et fine-tuning, et quand utiliser l'un ou l'autre ?

La retrieval-augmented generation place vos propres documents derrière le modèle au moment de la requête : la réponse s'appuie sur vos données sans rien réentraîner. Le fine-tuning modifie le modèle lui-même pour qu'il adopte un format, un ton ou un comportement spécialisé. Le RAG est le choix par défaut quand le problème tient à des connaissances que le modèle n'a pas ; le fine-tuning agit sur la manière dont le modèle répond, pas sur ce qu'il sait.

Comment savoir si un système d'IA fonctionne vraiment et n'est pas simplement une démo convaincante ?

Vous définissez les critères de succès avant de construire, puis vous évaluez les résultats de façon systématique par rapport à ces critères. Une démo montre le système sur des cas choisis pour le mettre en valeur ; une évaluation le fait tourner sur des cas représentatifs de l'usage réel, y compris les cas difficiles. Sans cela, vous mesurez à quel point le système paraît intelligent, ce qui n'a rien à voir avec le fait qu'il fonctionne.

Dans quels cas un agent IA est-il préférable à un simple prompt ?

Un agent se justifie quand la tâche exige d'enchaîner des actions sur plusieurs étapes ou plusieurs outils, et pas seulement de produire du texte. Un prompt renvoie une réponse ; un agent peut appeler une API, interroger un système et enchaîner des décisions. C'est aussi là que le risque se concentre, d'où la nécessité de définir le périmètre et les permissions avant le déploiement, pas après un incident.

Pourquoi mon projet d'IA a-t-il besoin d'une base de données vectorielle ?

Une base de données vectorielle stocke des embeddings, les représentations numériques de vos documents, pour que le système puisse retrouver les passages les plus pertinents pour une question. C'est la partie recherche d'une architecture RAG : sans elle, le modèle n'a aucun moyen de trouver vos données avant de répondre. Si vous n'appuyez pas les réponses sur vos propres contenus, vous n'en avez probablement pas besoin.

Comment le coût et la latence influencent-ils le choix du modèle ?

En général, ce sont eux qui tranchent. Un modèle plus gros donne de meilleures réponses, mais coûte plus cher par appel et répond plus lentement, ce qui pèse énormément à grand volume ou dans un parcours exposé à l'utilisateur. L'approche pragmatique consiste à fixer le seuil de qualité réellement exigé par votre cas d'usage, puis à choisir le modèle le moins cher et le plus rapide qui l'atteint. Ces arbitrages déterminent discrètement l'économie unitaire de tout le projet.