- 19
- Episodes
- Bi-weekly
- Cadence
- 2026
- First episode
About Projets IA
Bienvenue sur Projets IA 👋 Ici, on explique l'intelligence artificielle simplement : LLM, tokens, GPU, transformers, fine tuning, RAG… de la vraie technique, racontée avec des analogies et zéro jargon. Chaque semaine, une nouvelle vidéo pour comprendre comment l'IA fonctionne et la mettre en pratique (Google Colab, Hugging Face, Python), que tu sois simple curieux ou développeur. 📬 IA Décodée, la newsletter gratuite : la synthèse de chaque vidéo, une actu, des ressources et du code à tester → projetsia.netlify.app ✉️ Contact pro : projets.ia2025@gmail.com Hosted on Ausha. See ausha.co/privacy-policy for more information.
- Publisher
- Projets IA
- Category
- society & culture
- Language
- en
- Explicit
- No
- First episode
- 23 Apr 2026
- Latest episode
- 25 Oct 2026
Latest episodes
19 episodes in the feed.
25 Oct 2026
Le GEO : comment se faire citer par une IA plutôt que par Google
Un moteur génératif ne classe pas des liens : il lit des pages et fabrique une réponse. Le podium a disparu, et ton site peut servir à construire la réponse sans jamais y apparaître. Dans cette vidéo : — Pourquoi le clic cesse d'être la récompense (1 % de clics sur les liens d'un résumé IA, Pew 2025) — Ta page n'existe pas : elle est découpée en passages, qui vont chacun leur chemin — Pourquoi un article très complet peut perdre contre une page médiocre mieux découpée — Comment le modèle décide qui citer, et pourquoi ce n'est pas un classement — Les 3 techniques mesurées comme efficaces (+40 %) et celles qui ne font rien — Pourquoi le bourrage de mots-clés est devenu inopérant, pas juste moins efficace 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #GEO #SEO #IA #RechercheIA #LLM #RAG #IntelligenceArtificielle #VulgarisationIA #ProjetsIA # SOURCES Le terme GEO vient d'un papier de recherche, KDD 2024 | Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande, *GEO: Generative Engine Optimization*, KDD 2024, arXiv 2311.09735 Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
19 Oct 2026
Comment on cache une signature invisible dans un texte généré par IA
🔍 Les détecteurs d'IA se trompent, et surtout ils accusent des textes humains. Ce n'est pas un bug qu'on corrigera : c'est structurel. La seule approche qui tienne, c'est de marquer au moment de la génération. Dans cette vidéo : — Pourquoi la détection après coup juge un style, et pourquoi un style se change — Pourquoi les détecteurs accusent en premier ceux qui écrivent dans une langue apprise — Le marquage à la source : liste verte, liste rouge, et un tirage légèrement biaisé — Pourquoi c'est invisible dans une phrase et flagrant sur 300 mots — L'arbitrage robustesse / qualité, qu'aucun réglage ne résout — Ce qui efface la marque : réécriture, traduction, mélange — L'autre voie : signer le fichier au lieu de marquer le contenu 👉 Projets IA : pour comprendre l'IA sans bullshit, un concept par vidéo. 📬 Newsletter IA Décodée : les schémas et les définitions à plat. 🔔 Abonne-toi ! #Filigrane #Watermarking #DétectionIA #AIAct #LLM #IntelligenceArtificielle #VulgarisationIA #ProjetsIA #IA ` SOURCES Article 50 du règlement européen sur l'IA : marquage lisible par machine obligatoire depuis le 2 août 2026 : artificialintelligenceact.eu/article/50/` ; guidelines de la Commission publiées le 20 juillet 2026 Découpage vert/rouge du vocabulaire, biais du tirage, détection statistique : Kirchenbauer, Geiping, Wen, Katz, Miers, Goldstein, "A Watermark for Large Language Models", ICML 2023 Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
8 Oct 2026
C'est quoi un réseau de neurones (vraiment) ?
Un réseau de neurones, ça n'a rien à voir avec un cerveau. À l'intérieur, il n'y a que des additions et des multiplications : des maths de niveau collège. Alors comment ça peut reconnaître ton visage, traduire une langue ou écrire du texte ? Dans cette vidéo, on démonte un réseau de neurones pièce par pièce, à partir de zéro, sans une seule équation. Le neurone, les couches, et surtout comment le réseau apprend tout seul à partir d'exemples. Si tu sais additionner et multiplier, tu as tout ce qu'il faut pour suivre. 🔗 Ressource citée : Neural Network Playground de TensorFlow (playground.tensorflow.org) pour voir un réseau apprendre en direct dans ton navigateur. 🔔 Abonne-toi à Projets IA pour comprendre l'IA pour de vrai, pas juste en parler. #ReseauDeNeurones #DeepLearning #IntelligenceArtificielle #IA #MachineLearning #VulgarisationIA #ReLU #ProjetsIA #ApprentissageProfond #NeuralNetwork #DebutantIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
1 Oct 2026
Les boucles agentiques : comment une IA passe de « répondre » à « agir »
🔁 Un modèle de langage seul ne fait qu'une chose : produire du texte. Alors comment les « agents IA » arrivent-ils à chercher, lire, calculer et enchaîner des dizaines d'actions tout seuls ? La réponse tient dans une boucle très simple — la boucle agentique — qu'on construit ici morceau par morceau, sans dépendre d'un outil précis. On part du motif ReAct (raisonner + agir), on ajoute ce qu'il faut autour pour que ça tienne (mémoire, conditions d'arrêt, appels d'outils structurés en JSON), puis on regarde là où ça casse en vrai et comment fiabiliser. À la fin, tu reconnaîtras cette boucle derrière la plupart des agents et des frameworks. 👉 Projets IA — l'IA expliquée en profondeur, sans bagage requis. 🔔 Abonne-toi pour les prochains deep-dives. #ProjetsIA #IA #IntelligenceArtificielle #AgentIA #LLM #ReAct #AgentsIA #MachineLearning #DeepLearning #ChatGPT #Claude SOURCE : - ReAct : Yao, Zhao, Yu, Du, Shafran, Narasimhan, Cao — « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 (arXiv:2210.03629). Motif d'alternance raisonnement + action : https://arxiv.org/pdf/2210.03629 Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
20 Sept 2026
Le LLM Wiki de Karpathy : l'alternative au RAG expliquée
📚 En avril 2025, Andrej Karpathy publie une idée simple qui emballe des milliers de développeurs : le « LLM Wiki ». Au lieu du RAG, où l'IA refouille tes documents à chaque question, on lui fait construire et entretenir un wiki en markdown qui s'enrichit dans le temps. Sa formule : « Obsidian, c'est l'éditeur ; le LLM, c'est le programmeur ; le wiki, c'est le code. » Dans cette vidéo : le problème du RAG, l'idée du LLM Wiki, comment on le met en place et où sont ses limites. 🔗 Source : le gist « LLM Wiki » d'Andrej Karpathy (GitHub) 🔔 Abonne-toi à Projets IA — on décortique l'IA et on la met en pratique. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA # 🔗 SOURCES -*Andrej Karpathy — gist « LLM Wiki » (GitHub, avril 2025). Motif de construction/maintenance d'une base de connaissances par un LLM, en alternative au RAG. Citation reprise : « Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase. » - Architecture en trois couches (sources → wiki dérivé → fichier de schéma/règles) et intégration incrémentale (mise à jour des pages, création de pages de concepts, signalement des contradictions). - Adoption : gist devenu très populaire (milliers d'étoiles en quelques jours), motif repris avec des agents type Claude Code / Codex en 2025-2026. - Andrej Karpathy : membre fondateur d'OpenAI, ancien directeur de l'IA chez Tesla. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
6 Sept 2026
Le Grokking : quand une IA comprend (très) longtemps après avoir mémorisé
🧠 Tu entraînes un petit réseau sur une tâche de calcul. En quelques centaines d'étapes, il répond juste sur tous les exemples vus : il a mémorisé. Sur des exemples nouveaux, il reste nul, au niveau du hasard. Et si tu continues à l'entraîner très longtemps après que tout semble figé, sa précision bondit d'un coup jusqu'à quasi 100 % : il a « grokké ». C'est la généralisation retardée. Dans cette vidéo, en trois temps : le phénomène et pourquoi il déroute, le rôle du weight decay qui pousse le modèle du par-cœur vers la vraie règle, et surtout ce qui se passe à l'intérieur — le modèle apprend un vrai algorithme, il pose les nombres sur un cercle (comme une horloge) et additionne en tournant les aiguilles, en trois phases : mémorisation → formation du circuit → nettoyage. Aucun prérequis technique lourd. Fil rouge unique : l'horloge. ⚠️ Nuance importante : le grokking a été observé surtout sur de petites tâches algorithmiques (arithmétique modulaire). Sa portée aux grands modèles reste débattue. 📚 Pour aller plus loin : — Power, Burda, Edwards, Babuschkin, Misra — « Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets » (OpenAI, 2022) — Nanda, Chan, Lieberum, Smith, Steinhardt — « Progress measures for grokking via mechanistic interpretability » (ICLR 2023, arXiv:2301.05217) 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, une idée à creuser et l'actu de la recherche expliquée simplement : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA : on démonte l'IA en profondeur, un concept par vidéo. #Grokking #Généralisation #InterprétabilitéMécanique #WeightDecay #DeepLearning #IA #IntelligenceArtificielle #MachineLearning #RéseauxDeNeurones #Transformer #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
29 Aug 2026
"Open source AI" : le plus gros mensonge de l'IA (open weights vs open source)
La plupart des modèles d'IA estampillés "open source" ne le sont pas vraiment. On confond deux choses très différentes : "open weights" (on peut télécharger et faire tourner le modèle fini) et "open source" au sens strict (on a AUSSI le code d'entraînement et assez d'infos sur les données pour auditer et reconstruire le modèle). Dans cette vidéo, on décortique la distinction, on explique la définition officielle de l'Open Source Initiative (l'OSAID, publiée le 28 octobre 2024, avec ses 4 libertés), on met un nom sur l'"openwashing", et on place les modèles connus sur un axe qui va du fermé au vraiment ouvert. Aucun bagage technique requis : c'est un sujet de mots et de licences. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse et l'actu qui compte : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA pour comprendre l'IA telle qu'elle est vraiment, pas telle qu'on te la vend. #ProjetsIA #OpenSource #IA #IntelligenceArtificielle #LLM #OpenWeights #Llama #DeepSeek #MachineLearning #VulgarisationIA #OSI Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
18 Aug 2026
Le Coût des Tokens : Combien Coûte Vraiment un LLM (et comment l'estimer)
💸 Tout, dans un LLM, se facture au token. Mais entre le modèle que tu choisis, la longueur de tes conversations et ce que le modèle t'écrit en réponse, le même travail peut coûter une fraction de centime… ou cinquante fois plus. Dans cette vidéo, en trois temps : ce qui fait vraiment le prix quand tu utilises un LLM, comment estimer tes coûts avant même de te lancer, et comment faire baisser la note. ⚠️ Les prix cités sont ceux d'août 2026 et baissent très vite (÷~5 en un an). Revérifie les grilles officielles avant de calculer pour de vrai. Ici, ce qui compte, c'est la méthode. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, un exercice et l'actu qui périme tes calculs : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA — on démonte l'IA côté concept et côté chantier. #CoutAPI #Tokens #LLM #IA #IntelligenceArtificielle #PromptCaching #MachineLearning #APIcost #DeepSeek #TCO #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
10 Aug 2026
Google Colab pour débutants : ton labo IA gratuit (sans rien installer)
💻 Google Colab, c'est une page web gratuite où tu peux coder, faire tourner une IA et utiliser un GPU de plusieurs milliers d'euros — sans rien installer sur ton ordinateur. C'est le point de départ de la quasi-totalité des tutoriels IA. Ici on met les mains dedans : on suit un même fil rouge du début à la fin — un petit « détecteur d'humeur » qui lit une phrase et dit si elle est positive ou négative. Aucun prérequis. Si tu n'as jamais codé, cette vidéo est pour toi. 🔗 Pour te lancer : colab.research.google.com 🔔 Abonne-toi à Projets IA — on va faire tourner des IA ensemble, en partant de zéro. #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA --- # 🔗 SOURCES - **Documentation officielle Google Colab** — colab.research.google.com (FAQ, types de runtime, limites d'usage GPU, montage Google Drive). - Usage réel de préparation de démos (retour d'expérience). --- # 🏷️ HASHTAGS ``` #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
26 Jul 2026
Comment on pirate une IA (sans toucher à son code)
🔓 On peut pirater une IA sans toucher à son code : juste avec des mots. Un ordre caché dans un mail ou une page web peut retourner un assistant contre son propre utilisateur. Cette faille, la prompt injection, est classée risque n°1 des applications IA par l'OWASP — et à ce jour, on ne sait pas la corriger complètement. Dans cette vidéo, on dissèque les trois familles d'attaques contre les LLM et les agents : manipuler le modèle, lui faire fuiter des secrets, et détourner une IA qui peut agir. Plus comment on se défend. Aucun prérequis technique lourd. Cadre 100 % défensif et pédagogique. 📚 Pour aller plus loin : — OWASP Top 10 for LLM Applications : https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/ — Blog de Simon Willison sur la prompt injection : https://simonwillison.net/ 🔔 Abonne-toi à Projets IA — on démonte l'IA en profondeur, un concept par vidéo. #PromptInjection #SécuritéIA #IA #Cybersécurité #LLM #IntelligenceArtificielle #OWASP #Jailbreak #AgentIA #MachineLearning #VulgarisationIA #ProjetsIA --- # 🔗 SOURCES (vérifiées) - **Prompt injection (nom + première démonstration)** — Riley Goodside démontre l'attaque (sept. 2022) ; Simon Willison nomme la « prompt injection » par analogie à l'injection SQL. Réf : simonwillison.net (série « prompt injection »). - **Injection indirecte** — Greshake, Abdelnabi, Mishra, Endres, Holz, Fritz : « Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection », arXiv:2302.12173 (fév. 2023). Exploits démontrés notamment contre Bing Chat (GPT-4). - **Suffixe adversarial / jailbreak automatisé (GCG)** — Zou, Wang, Carlini, Nasr, Kolter, Fredrikson : « Universal and Transferable Adversarial Attacks on Aligned Language Models » (2023). Suffixes universels et transférables entre modèles. - **Régurgitation de données d'entraînement** — littérature sur la mémorisation/extraction de données d'entraînement des LLM (p. ex. Carlini et al., « Extracting Training Data from Large Language Models »). - **Classement des risques + défenses** — **OWASP Top 10 for LLM Applications** (LLM01 Prompt Injection = risque n°1, non « patchable » ; LLM02 Sensitive Information Disclosure ; défense en profondeur : moindre privilège, human-in-the-loop, filtrage entrée/sortie) - https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/ --- # 🏷️ HASHTAGS ``` #PromptInjection #SécuritéIA #IA #Cybersécurité #LLM #IntelligenceArtificielle #OWASP #Jailbreak #AgentIA #MachineLearning #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
19 Jul 2026
MCP expliqué à fond : le "port USB-C" qui branche l'IA sur le monde réel
🔌 Une IA, toute seule, ne sait rien faire dans tes outils. Elle génère du texte, point. Alors comment Claude ou ChatGPT se mettent à lire tes fichiers, requêter ta base de données ou créer une issue GitHub — sans qu'on ait recodé l'IA pour chaque logiciel ? La réponse : le MCP, le Model Context Protocol. Le "port USB-C" de l'IA, publié par Anthropic fin 2024 et devenu un standard de l'industrie. Dans cette vidéo, on ne refait pas l'analogie facile — on ouvre le capot. Architecture host/client/server, les 3 primitives (tools, resources, prompts), le langage JSON-RPC, le handshake de découverte, les transports stdio et HTTP, la boucle agentique, et les vrais risques de sécurité. Sans jargon : tout est vulgarisé terme par terme. 📚 Pour creuser : la spécification officielle, gratuite et lisible — modelcontextprotocol.io 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur les agents IA, le tool use et la mise en pratique du MCP. #MCP #ModelContextProtocol #IA #IntelligenceArtificielle #LLM #Claude #Anthropic #AgentsIA #ToolUse #FunctionCalling #VulgarisationIA #ProjetsIA --- ## 🔗 SOURCES - Spécification officielle MCP — `modelcontextprotocol.io` (architecture, primitives, transports, JSON-RPC, lifecycle/handshake) - Annonce Anthropic « Introducing the Model Context Protocol » (novembre 2024) - Documentation Anthropic sur les serveurs de référence (filesystem, GitHub, Drive, Slack, Postgres, Puppeteer) --- ## 🏷 HASHTAGS #MCP #ModelContextProtocol #IA #IntelligenceArtificielle #LLM #Claude #Anthropic #AgentsIA #ToolUse #FunctionCalling #JSONRPC #VulgarisationIA #ProjetsIA #DeepDive Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
11 Jul 2026
Pourquoi l'IA tourne sur des GPU et pas des CPU
Sur ton ordinateur, il y a déjà un processeur ultra-puissant : le CPU. Et pourtant, pour faire de l'IA, il est presque inutile. On branche à côté une carte conçue, au départ, pour les jeux vidéo. Pourquoi ? Et pourquoi NVIDIA, le fabricant de ces cartes, vaut désormais plus de 3 000 milliards de dollars ? Dans cette vidéo, on décortique en profondeur pourquoi toute l'IA moderne tourne sur des GPU et pas des CPU. Sans maths, sans bagage technique. On va voir l'architecture matérielle, les Tensor Cores, la bande passante mémoire, et le vrai moat de NVIDIA — qui n'est pas du tout celui qu'on croit. 🔗 Ressources : "GPU Puzzles" de Sasha Rush (open source) · blog technique NVIDIA (architecture Hopper / H100). 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur la VRAM, la quantization et l'inférence des LLM. Tu pensais que le GPU gagnait juste parce qu'il calcule plus vite ? Dis-moi en commentaire la partie qui t'a le plus surpris. #GPU #NVIDIA #IA #IntelligenceArtificielle #CUDA #TensorCores #DeepLearning #MachineLearning #Hardware #LLM #VulgarisationIA #ProjetsIA --- ## 🔗 SOURCES - NVIDIA — documentation architecture Hopper (H100) : Tensor Cores 4ᵉ génération, ~80 Go HBM3, bande passante mémoire 3 To/s, performance Tensor 1 000 TFLOPs (selon précision). - NVIDIA — historique CUDA (lancement 2007) et écosystème (cuDNN, cuBLAS). - Krizhevsky, Sutskever, Hinton (2012) — AlexNet entraîné sur 2× GTX 580 : bascule GPU pour le deep learning. - Littérature inférence LLM : caractère memory-bound de la phase de génération (decode) vs compute-bound de la phase de prefill ; rôle de la bande passante mémoire. - Sasha Rush — "GPU Puzzles" (ressource pédagogique open source sur la programmation parallèle GPU). Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
2 Jul 2026
Comment FORCER une IA à produire du JSON valide à 100% (pas 95%)
Tu demandes du JSON à un LLM. 19 fois sur 20, c'est parfait. La 20e fois, une accolade manque, et ton appli crashe. Aucun prompt ne réglera jamais ça à 100% — parce qu'un LLM ne "respecte" pas un format, il échantillonne des probabilités token par token. La vraie solution est une technique d'ingénierie LLM sous-estimée : le **constrained decoding** (décodage contraint). Dans cette vidéo, on décortique le mécanisme exact — le logit masking — qui rend une sortie invalide littéralement impossible à générer. Pas de maths, pas besoin d'être ingénieur. Juste la mécanique, expliquée clairement. 📚 Ressources : la lib Outlines (.txt team), la grammaire GBNF de llama.cpp, le structured output d'OpenAI & d'Anthropic. ▶ Si tu n'as pas vu comment un LLM choisit ses mots, regarde notre deep-dive sur l'architecture Transformer en premier. 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur l'ingénierie LLM, les agents et la mise en production. #ConstrainedDecoding #StructuredOutput #LLM #JSON #IA #IntelligenceArtificielle #FunctionCalling #Outlines #llamacpp #MachineLearning #VulgarisationIA #ProjetsIA #IngénierieIA --- ## 📚 SOURCES - **Outlines** (dottxt-ai) — lib Python de structured generation : JSON Schema → automate, logit masking. Référence d'implémentation open source. - **GBNF** (GGML BNF) — format de grammaire de llama.cpp pour contraindre la génération locale. - **OpenAI** — docs Structured Outputs / JSON mode / function calling. - **Anthropic** — docs tool use / JSON output. - Concept général : automates à états finis & grammaires context-free appliqués au décodage LLM (logit masking entre logits et softmax). Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
27 Jun 2026
Backpropagation : Comment l'IA Calcule VRAIMENT Ses Gradients
À chaque pas d'entraînement, un réseau de neurones doit savoir, pour chacun de ses paramètres — parfois des centaines de milliards — dans quel sens le bouger pour se tromper un peu moins. Et il calcule tout ça d'un coup, en un seul passage. L'algorithme derrière, c'est la backpropagation. Dans cette vidéo, on dissèque le CALCUL du gradient lui-même : ce que c'est, pourquoi la règle de la chaîne le rend possible, et comment PyTorch le fait automatiquement pour toi. Sans une seule équation intimidante. (Note : ici on parle du *calcul* du gradient — la backprop. Pas de la descente de gradient, l'optimisation, qui a sa propre vidéo sur la chaîne.) 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur l'entraînement des réseaux, l'optimisation et le hands-on micrograd en français. 📚 Ressources : micrograd d'Andrej Karpathy · Stanford CS231n (notes sur la backprop) · papier original Rumelhart, Hinton & Williams (1986). #Backpropagation #IA #DeepLearning #MachineLearning #PyTorch #ReseauxDeNeurones #Gradient #VulgarisationIA #IntelligenceArtificielle #ProjetsIA --- ## SOURCES - **Rumelhart, Hinton & Williams (1986)** — "Learning representations by back-propagating errors", Nature. Papier fondateur. - **Stanford CS231n** — notes de cours sur la backpropagation et les graphes de calcul (référence pédagogique de l'analogie engrenages / circuits). - **Andrej Karpathy — micrograd / "The spelled-out intro to backpropagation"** — autograd minimal en ~100 lignes Python, construction du graphe et `backward()` à la main. - **Documentation PyTorch Autograd** — `requires_grad`, `loss.backward()`, graphe dynamique, stockage des activations. - **Gradient checkpointing** (mention) — `torch.utils.checkpoint`, compromis mémoire/calcul. --- ## HASHTAGS #Backpropagation #IA #DeepLearning #MachineLearning #PyTorch #ReseauxDeNeurones #Gradient #ChainRule #Autograd #VulgarisationIA #IntelligenceArtificielle #ProjetsIA --- ## CONCEPTS MATH VULGARISÉS (compteur — plafond 5-6) 1. **Loss / fonction de coût** — un seul chiffre qui mesure l'erreur du modèle. 2. **Dérivée / pente** — de combien la sortie bouge si je bouge un peu l'entrée ; positive = monte, négative = descend. 3. **Dérivée partielle** — la pente dans une seule direction, tous les autres poids figés. 4. **Gradient** — la liste de toutes les pentes, une par poids ; boussole vers la montée la plus raide. 5. **Composition de fonctions** — fonctions emboîtées comme des poupées russes. 6. **Règle de la chaîne** — multiplier les petites pentes locales le long de la chaîne (engrenages). Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
14 Jun 2026
Attention Décortiquée : Ce Qui Se Passe Vraiment dans Q × K × V
🔬 Q × K × V — l'opération qui fait fonctionner ChatGPT, Claude, et tous les Transformers. Aujourd'hui, on regarde au microscope. Dans cette vidéo, on décortique : — Pourquoi chaque mot doit "regarder" tous les autres (et pourquoi RNN et CNN ne suffisaient pas) — Q, K, V comme trois projections du même vecteur (Query, Key, Value) — Le produit Q × K transposé → softmax → scores de pertinence — La somme pondérée des V → représentation contextuelle enrichie — Pourquoi multi-head : 12 versions parallèles pour capturer différents aspects sémantiques Q, K, V, c'est trois façons de regarder le même mot. Question, étiquette, contenu. 📚 Sources et ressources — Vaswani et al. 2017 — *Attention Is All You Need* (arXiv:1706.03762) — Jay Alammar — *The Illustrated Transformer* : jalammar.github.io/illustrated-transformer — BertViz : visualiser les têtes d'attention : github.com/jessevig/bertviz — Stanford CS224N — Lecture sur l'attention 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 🔔 Abonne-toi ! #IntelligenceArtificielle #MachineLearning #DeepLearning #Attention #Transformer #QKV #MultiHead #IAExpliquée #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
4 Jun 2026
Hugging Face : Comment une Lib Python a Démocratisé l'IA
🤗 Aujourd'hui, télécharger un modèle d'IA prend dix secondes. En 2018, ça prenait des heures. Voici ce qui a changé. Dans cette vidéo, on décortique l'écosystème Hugging Face : — Pourquoi en 2018 chaque labo distribuait ses modèles en silo (4 frameworks, 4 conventions, poids sur Google Drive) — Comment la lib `transformers` et `from_pretrained()` ont standardisé l'interface (200+ architectures aujourd'hui) — Pourquoi le Hub est basé sur Git LFS — et ce que ça change pour le versioning des poids — Le rôle des model cards (Mitchell 2019) pour rendre les modèles traçables — Le format `.safetensors` : sécurité, zero-copy, lazy loading — L'effet réseau enclenché par `datasets`, Spaces et l'Inference API Hugging Face n'a pas inventé un nouveau modèle. Ils ont inventé la plomberie. 📚 Sources — Wolf et al. 2019 — *HuggingFace's Transformers: State-of-the-Art Natural Language Processing* (arXiv:1910.03771) — Mitchell et al. 2019 — *Model Cards for Model Reporting* (FAccT 2019) — `safetensors` repo + spec : github.com/huggingface/safetensors — Doc Hugging Face Hub : huggingface.co/docs/hub — Git LFS : git-lfs.com 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 🔔 Abonne-toi ! #IntelligenceArtificielle #MachineLearning #DeepLearning #HuggingFace #Transformers #OpenSource #MLOps #SafeTensors #ModelCards #GitLFS #IAExpliquée #ProjetsIA #IA --- ## HASHTAGS #IntelligenceArtificielle #MachineLearning #DeepLearning #HuggingFace #Transformers #OpenSource #MLOps #SafeTensors #ModelCards #GitLFS #IAExpliquée #ProjetsIA #IA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
25 May 2026
Fine-Tuning : LoRA, QLoRA, Full FT — Quand Utiliser Quoi ?
🔧 Adapter un LLM à TES données pour 10€ au lieu de 100 000€. Et pourquoi 9 fois sur 10, RAG suffit. Dans cette vidéo, on décortique : — Pourquoi RAG est presque toujours le bon premier réflexe (et quand non) — Comment fonctionne LoRA — geler le modèle, ajouter 2 petites matrices, entraîner 0,2 % des paramètres — Pourquoi QLoRA permet de fine-tuner Llama 70B sur un GPU consumer à 1500€ — Quand le full fine-tuning reste pertinent (spoiler : rarement) — Une matrice de décision claire : RAG / QLoRA / LoRA / Full FT selon ton cas 📚 Sources — LoRA: Low-Rank Adaptation of Large Language Models — Hu et al., Microsoft Research 2021 — QLoRA: Efficient Finetuning of Quantized LLMs — Dettmers et al., U. Washington 2023 — Hugging Face PEFT library — github.com/huggingface/peft — Guides Axolotl 👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo. 🔔 Abonne-toi ! #IntelligenceArtificielle #MachineLearning #DeepLearning #FineTuning #LoRA #QLoRA #LLM #Llama #HuggingFace #IAExpliquée #ProjetsIA #IA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
14 May 2026
RAG expliqué simplement : la technique derrière les IA qui marchent
Tu donnes à une IA un document qu'elle n'a jamais vu. Et elle répond parfaitement à toutes tes questions dessus. Comment c'est possible ? La réponse s'appelle le RAG, pour Retrieval Augmented Generation. C'est la technique utilisée par toutes les boîtes qui déploient de l'IA en 2026 — de la startup au grand groupe. Dans cette vidéo, on va voir comment ça marche, étape par étape, sans une seule ligne de code. Et surtout pourquoi le RAG basique se plante en production — et comment les ingénieurs le rendent enfin fiable. 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur les agents IA, les bases de données vectorielles et la mise en pratique du RAG. #RAG #IA #IntelligenceArtificielle #LLM #ChatGPT #MachineLearning #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
23 Apr 2026
Comment ChatGPT Génère VRAIMENT un Mot (architecture complète) 🤖
Quand tu tapes une phrase dans ChatGPT, que se passe-t-il exactement dans les 0,3 secondes qui suivent ? Tokenisation, embeddings, attention, MLP, softmax — on décortique TOUT, dans l'ordre, étape par étape. 🧠 Dans cette vidéo, tu vas suivre le voyage d'une phrase à travers GPT-2 de bout en bout. Comprends pourquoi les RNN — les réseaux récurrents — ont atteint leurs limites. Découvre le mécanisme Query/Key/Value qui permet à chaque mot de contextualiser les autres. Apprends pourquoi le masque causal empêche le modèle de "tricher". Et maîtrise la façon dont la température, top-k et top-p contrôlent la créativité du modèle. Sans équations. Sans jargon. Juste la mécanique, expliquée clairement. 🎯 CE QUE TU VAS MAÎTRISER — Ce qu'est un vecteur et pourquoi c'est la brique de base de tout le système — Pourquoi les RNN échouaient sur les textes longs — Les 4 sous-étapes de l'embedding (tokenisation → vecteur final) — Comment Query, Key et Value permettent à chaque mot de "chercher" dans le contexte — Ce qu'est le masque causal et pourquoi il est indispensable — Comment température, top-k et top-p contrôlent la créativité du modèle ChatGPT ne "comprend" pas — il prédit le mot suivant, encore et encore, à travers 12 couches de la même mécanique. Et maintenant tu sais exactement comment elle fonctionne. 💬 Quelle étape t'a semblé la plus contre-intuitive ? Query/Key/Value ? Le masque causal ? Dis-le moi en commentaire ! 🔔 Abonne-toi à Projets IA pour comprendre l'IA sans bullshit, un concept par vidéo. 🔗 Ressource interactive mentionnée dans la vidéo : Transformer Explainer — poloclub.github.io/transformer-explainer (joue avec tes propres phrases, vois l'attention en temps réel) 🎬 Autres vidéos pour aller plus loin : — L'Attention en détail : Q, K, V avec des schémas et des vrais chiffres — Les Embeddings : comment l'IA encode le sens des mots — RLHF : comment des humains ont éduqué ChatGPT après l'entraînement #Transformer #IA #IntelligenceArtificielle #ChatGPT #GPT2 #MachineLearning #DeepLearning #LLM #AttentionMechanism #NLP #IAExpliquée #Vulgarisation #Tech #ProjetsIA #NeuralNetwork Hosted on Ausha. See ausha.co/privacy-policy (https://ausha.co/privacy-policy) for more information.
Contact Projets IA
- Guest appearances
- Does not typically book guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Host of Projets IA?
Claim your podcast to manage its listing and keep your show details accurate.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show
Podcast research with Pod Engine