Déploiement et Optimisation de Modèles IA Locaux
Inférence haute performance, quantification et fine-tuning souverain (QLoRA / Unsloth)
Une formation pratique de 30 heures pour dimensionner, quantifier, spécialiser par fine-tuning (QLoRA) et servir en production des modèles IA ouverts sur votre propre infrastructure.
Pourquoi cette formation ?
Dépendre d’APIs de modèles fermés dans le cloud pose des défis majeurs : coûts exponentiels, risques de confidentialité des données sensibles, latence imprévisible et dépendance stratégique. L’écosystème open-source (Llama, Mistral, Qwen, DeepSeek) permet désormais d’exécuter et d’adapter des modèles d’une puissance remarquable directement sur votre matériel.
Cette formation intensive de 30 heures (10 sessions de 3 heures) vous apprend à maîtriser l’ensemble du cycle de vie d’un modèle local : du dimensionnement matériel au serving haute performance en production avec vLLM, en passant par la quantification extrême et le fine-tuning rapide par QLoRA et Unsloth. La formation utilise une infrastructure 100 % ouverte et sans frais d’API, assurant une souveraineté numérique totale conforme aux exigences de confidentialité (Loi 25 au Québec, LPRPDE, RGPD).
Une formule hybride unique — Bien plus que des vidéos passives
Pour garantir votre succès et vous offrir un accompagnement à forte valeur ajoutée, bien loin des cours en ligne passifs à bas coût, je vous propose un encadrement personnalisé :
- Ateliers interactifs en direct : Des sessions en direct planifiées tout au long des 10 cours pour répondre de vive voix à vos questions, approfondir les cas complexes et surmonter ensemble les défis techniques de compilation et d’entraînement.
- Correction individualisée : Je révise et commente personnellement chacun de vos ateliers pratiques et scripts de fine-tuning afin de valider vos acquis pas à pas.
- Dynamique de cohorte : Un accès exclusif à un canal Discord privé pour échanger avec vos pairs, partager vos benchmarks et élargir votre réseau professionnel.
Garantie « Satisfait ou Remboursé » sans risque
Je vous propose une garantie complète de satisfaction : vous pouvez tester la formation en toute confiance. Si après le premier cours en direct vous constatez que le format ou le contenu ne vous convient pas, vous serez intégralement remboursé sur simple demande, sans aucun justificatif requis.
Objectifs d’apprentissage
À la fin de ce cours, vous serez en mesure de :
- Dimensionner l’infrastructure matérielle (VRAM, CPU, GPU) et choisir les architectures adaptées à vos besoins (Llama 3, Mistral, Qwen, DeepSeek).
- Quantifier des modèles (GGUF, AWQ, bitsandbytes) pour diviser l’empreinte mémoire par 4 sans dégradation perceptible de qualité.
- Forcer une génération structurée et strictement déterministe (grammaires GBNF, JSON Schema / Pydantic).
- Entraîner et spécialiser un modèle sur mesure grâce aux méthodes de fine-tuning accéléré (QLoRA / Unsloth).
- Déployer un moteur d’inférence haute performance en production (vLLM) sous Docker avec une API compatible OpenAI.
Stack technique (100 % libre et sans frais d’API)
- Moteurs & Outils d’inférence : Ollama, LM Studio,
llama.cpp, vLLM, Docker. - Quantification & Formats : GGUF, AWQ, GPTQ, bitsandbytes.
- Entraînement & Fine-Tuning : Python,
uv, PyTorch, Hugging Face (PEFT, TRL), Unsloth. - Environnements supportés : Mac (Apple Silicon Metal), Windows (WSL2 / CUDA), Linux (CUDA).
Prérequis & Matériel requis
- Compétences : Niveau intermédiaire en Python (fonctions, environnements virtuels, scripts en ligne de commande). Aisance avec le terminal (Bash ou PowerShell).
- Matériel requis :
- Mac : Apple Silicon (M1/M2/M3/M4) avec 16 Go de RAM unifiée minimum.
- PC Windows / Linux : Processeur récent et GPU NVIDIA dédié avec 8 à 12 Go de VRAM (série RTX 30xx/40xx). (Possibilité d’utiliser l’environnement gratuit Google Colab T4 comme secours).
- 50 Go d’espace disque disponible.
- Ce qui n’est PAS requis : Aucun prérequis en mathématiques avancées ni expérience préalable en entraînement de réseaux de neurones profonds.
Programme détaillé (10 sessions de 3 heures)
-
Session 1 — Architecture des LLMs, Calculs de VRAM & Écosystème
- Architecture Transformer moderne : mécanismes d’attention, RoPE, Grouped-Query Attention (GQA), KV-Cache.
- Panorama des poids libres actuels (Llama, Mistral, Qwen, DeepSeek).
- La formule mathématique pour calculer avec exactitude le besoin en VRAM (poids du modèle + KV-Cache par utilisateur concurrent + contexte).
- Configuration de l’environnement multiplateforme (Metal sur Mac, WSL2/CUDA sur PC) et benchmark de débit mémoire.
- Livrable : Environnement d’exécution validé et tableau de dimensionnement VRAM personnalisé.
-
Session 2 — Inférence Locale & Automatisation avec Ollama et LM Studio
- Architecture client-serveur d’Ollama et inspection fine des couches déchargées en GPU sous LM Studio.
- Anatomie d’un
Modelfile: stop tokens, temperature, top-p, mirostat et context window. - Création d’un modèle personnalisé dans Ollama via
Modelfileet intégration de l’API REST locale dans un script applicatif. - Livrable : Un modèle packagé sur mesure avec persona et contexte injectés, consommable via API locale.
-
Session 3 — Le Moteur llama.cpp & Compilation Native
- Pourquoi
llama.cppconstitue le standard de performance de l’écosystème d’inférence locale. - Compilation C++ avec accélération matérielle native (Metal / cuBLAS). Flags critiques d’optimisation (
-ngl,--flash-attn, multithreading). - Cloner, compiler et optimiser
llama.cppdepuis les sources. Utilisation des bindings Python (llama-cpp-python). - Livrable : Binaire natif optimisé pour votre machine et script Python d’inférence directe.
- Pourquoi
-
Session 4 — Quantification en Pratique : De FP16 à INT4 (GGUF, AWQ)
- Mécanique mathématique de la quantification (FP32, FP16, INT8, INT4) et analyse du ratio perplexité vs empreinte mémoire.
- Différences architecturales entre GGUF (orienté CPU/hybride) et AWQ (orienté GPU/vLLM).
- Téléchargement d’un modèle FP16 depuis Hugging Face, conversion en
.ggufet génération des quantificationsQ8_0,Q4_K_MetQ2_K. Mesure du gain en tokens/seconde. - Livrable : Un modèle 8B quantifié par vos soins et benchmarké selon plusieurs niveaux de compression.
-
Session 5 — Inférence Structurée & Contraintes Grammaticales (GBNF, JSON Schema)
- Éliminer définitivement les hallucinations de syntaxe dans les pipelines d’automatisation.
- Fonctionnement du sampling contraint par masquage dynamique de logits. Grammaires GBNF et validation JSON Schema / Pydantic.
- Écriture d’une grammaire GBNF pour forcer un modèle 8B à générer un JSON strictement conforme à un schéma de base de données sans prompt verbeux.
- Livrable : Pipeline d’extraction de données à sortie 100 % garantie sans échec de parsing.
-
Session 6 — Ingénierie des Données & Tokenisation pour le Fine-Tuning
- RAG vs Fine-Tuning : arbre décisionnel pour choisir la bonne approche.
- Formats d’entraînement standardisés (ChatML, Llama-3-Instruct). Rôle du tokenizer, tokens spéciaux et masquage de perte (loss masking).
- Nettoyage, préparation et validation d’un dataset d’instructions métier. Génération de paires d’entraînement synthétiques supervisées.
- Livrable : Un dataset d’entraînement JSONL validé, tokenisé et prêt pour l’apprentissage.
-
Session 7 — La Mécanique LoRA & QLoRA décortiquée
- Pourquoi le Full Fine-Tuning est inefficace pour les petites équipes face aux adaptateurs.
- Théorie LoRA : matrices de décomposition A et B, rang r, facteur d’échelle alpha, modules cibles (target modules).
- QLoRA : format NF4, double quantification et optimiseurs paginés (paged optimizers).
- Configuration de la stack d’entraînement Hugging Face (
peft,bitsandbytes,trl) et définition d’unLoraConfigoptimisé pour votre VRAM. - Livrable : Script de configuration LoRA testé et validé sans dépassement mémoire (Out Of Memory).
-
Session 8 — Entraînement Accéléré avec Unsloth & Monitoring
- Pourquoi Unsloth accélère l’apprentissage de 2x à 5x grâce aux kernels OpenAI Triton personnalisés.
- Analyse des courbes de perte (loss curves), détection de l’overfitting et stratégies d’arrêt précoce.
- Lancement de l’entraînement QLoRA complet sur GPU et suivi des métriques en temps réel avec TensorBoard ou Weights & Biases.
- Livrable : Un adaptateur LoRA entraîné et validé sur la tâche métier ciblée.
-
Session 9 — Fusion des Poids (Merge), Alignement (DPO) & Packaging GGUF
- Fusion (merge) des matrices d’adaptation avec le modèle de base sans perte de performance.
- Introduction à l’alignement par préférences (DPO - Direct Preference Optimization).
- Fusionner les poids LoRA dans le modèle de base, convertir le résultat en format GGUF et l’importer dans Ollama local.
- Livrable : Votre modèle propriétaire entraîné, exécutable hors-ligne dans votre instance locale Ollama ou LM Studio.
-
Session 10 — Serving Haute Performance (vLLM), Sécurité & Projet Final
- Architecture de vLLM en production : PagedAttention et Continuous Batching pour maximiser le débit.
- Sécurité des artefacts de modèles (
.safetensorsvs risques de code arbitraire dans les fichiers.pickle). Déploiement en réseau isolé (air-gapped). - Déploiement de vLLM avec Docker, exposition d’un endpoint d’API compatible OpenAI (
/v1/chat/completions) et test de montée en charge concurrentielle. - Livrable : Restitution du projet fil rouge : démonstration de votre modèle personnalisé servi sous vLLM et accessible via API.
Certification
- Certificat de réussite : Un certificat officiel de réussite vous sera remis à la fin du cursus après validation des travaux pratiques de synthèse, idéal pour faire valoir vos compétences auprès de votre employeur ou sur LinkedIn.
Aucun débit sur votre carte. Vous recevrez une invitation de paiement une fois la cohorte confirmée.
Vous souhaitez inscrire une équipe complète ? Des cohortes privées sur mesure sont disponibles avec facturation officielle déductible pour les employeurs.
Demander une cohorte d'équipe →