Affiche : IA publique & IA locale

Rubrique · 59 pages · 7 sous-sections

IA publique & IA locale

IA publique et IA locale : modèles de langage, agents, bases de connaissance et automatisations supervisées.

Les bases

7 pages

IA, LLM, apprentissage automatique, inférence, embeddings et AGI : ce que font vraiment ces systèmes.

• L'IA actuelle : assistants conversationnels et agents
• Différence entre IA et LLM : un champ entier, un type de modèle
• Apprentissage automatique et réseaux de neurones, attaques du modèle
• Comment fonctionne l'inférence d'un modèle de langage
• Embeddings : vecteurs, recherche sémantique et RAG
• AGI : ce que recouvre l'intelligence artificielle générale
• Relier FinOps et MLOps pour piloter le coût de l'IA en production

Construire avec un LLM

6 pages

Agents, MCP, evals, fine-tuning, gardien IA et observabilité : ce qu’il faut autour du modèle.

• Agentique : définition, lectures d'OpenAI et d'Anthropic, Claude Code
• MCP : le protocole qui connecte les modèles IA aux outils
• Evals LLM : comment mesurer qu'un assistant IA répond juste
• Fine-tuning en IA : définition, usages et limites
• Gardien IA pour LLM, fonctionnement, exemples et choix de produit
• Comment observer un LLM en production

La peur de l’IA

6 pages

Un dossier en six pages : d’où vient la peur, ce qui est fondé, ce qui est exagéré.

• La peur de l'IA : un dossier
• D'où vient la peur de l'IA : les racines culturelles
• Peur de l'IA : les craintes actuelles, une par une
• Peur de l'IA : ce qui est fondé, ce qui est exagéré
• Répondre à la peur de l'IA : règles, gouvernance et réflexes
• L'avenir, vu par une IA

IA publique en entreprise

10 pages

Clés d’API, contrats, rétention, AI Act et politique d’usage : encadrer les assistants publics au travail.

• Sécuriser les clés d'API des fournisseurs d'IA générative
• Shadow AI, détecter les assistants IA publics non déclarés
• Rétention des données envoyées à une API d'IA générative
• Connecteurs OAuth des assistants IA, portée et consentements
• DPA fournisseur IA générative, clauses de sécurité RGPD
• Cloud Act et assistants IA américains, le risque réel
• Rédiger une politique d'usage de l'IA générative publique
• Évaluer la sécurité d'un fournisseur d'IA générative

+ 2 pagesReplier

• Extensions de navigateur IA, permissions et contrôle en entreprise
• SSO, SCIM et journaux d'audit pour un assistant IA d'entreprise

Risques des assistants et de l’IA générative

11 pages

Fuites par les prompts, exfiltration, paquets inventés, voix clonées : les risques propres aux assistants.

• Comment les attaquants utilisent l'IA : de la CVE au zero-day
• Fraude au président par voix clonée et visio truquée
• Détecter le contenu IA malveillant : limites
• Fuite de secrets dans les prompts d'un assistant IA public
• Exfiltration par rendu Markdown dans un chat IA
• Mémoire persistante d'un assistant IA, empoisonnement et contrôle
• Fuite des instructions d'un assistant IA personnalisé publié
• Liens de partage de conversations IA indexés par les moteurs

+ 3 pagesReplier

• Slopsquatting, paquets inventés par les assistants de code IA
• Revue de sécurité du code généré par un assistant IA
• Denial of wallet sur une application adossée à une API d'IA

IA locale

11 pages

Ollama, LM Studio, Foundry Local, quantification, mémoire GPU et bases vectorielles : faire tourner un modèle chez soi.

• Déployer Ollama sur un poste de travail et dimensionner la mémoire
• LM Studio utilité, éditeur et limites sur poste de travail
• Backend Foundry Local expliqué et comparé à LM Studio
• Dimensionner GPU et RAM pour un LLM local
• Comparer GGUF GPTQ et AWQ pour LLM local
• Fenêtre de contexte et mémoire d’un LLM local
• Fine-tuning local ou RAG pour données internes
• Déployer Qdrant local pour recherche sémantique interne

+ 3 pagesReplier

• Comparer les bases vectorielles à grande échelle
• Comment éviter la mémorisation dans un LLM interne
• Calculer le coût d’un LLM local à grande échelle

Sécurité des modèles & agents

8 pages

Injection indirecte, empoisonnement, appels d’outils et actions irréversibles : sécuriser modèles et agents en production.

• Contrôler les accès d’un assistant IA interne
• Empoisonnement des données d'affinage d'un LLM local et backdoor
• Comment red teamer un LLM local avant production
• Sécuriser un corpus RAG contre l’injection indirecte
• Sécuriser les actions irréversibles des agents LLM
• Comment valider le function calling d’un LLM
• Guardrails programmatiques pour assistant IA de production
• Sécuriser une orchestration multi-agents IA

Par où commencer

1. 1Les bases

   Comprendre ce que fait un modèle

2. 2Construire avec un LLM

   Entourer le modèle de ce qui lui manque

3. 3IA publique en entreprise

   Encadrer les assistants publics

4. 4Risques des assistants et de l’IA générative

   Connaître les risques propres

5. 5IA locale

   Héberger son propre modèle

6. 6Sécurité des modèles & agents

   Sécuriser modèles et agents

Parcours qui passent par ici

• Comprendre et sécuriser l’IA (14 étapes dans la rubrique)

← Toutes les affiches