Openskillroom

Intégrer les prompts directement dans des flux de travail automatisés ou du code d'application.
Sécuriser les applications d'IA contre les attaques par injection de prompts et réduire les hallucinations.
Appliquer des techniques avancées (Few-shot, Chain-of-Thought, ReAct, RAG) pour résoudre des problèmes métier.
Maîtriser les services d'IA générative d'AWS, en particulier Amazon Bedrock et ses outils de terrain.
Concevoir, tester et optimiser des prompts complexes pour différents grands modèles de langage (LLM).

Culture IT générale : Bonne compréhension du cloud computing et du fonctionnement basique du web. Niveau en programmation : Des notions de base en Python sont fortement recommandées (pour les séances de programmation avec les API AWS). Compétences en IA : Aucune connaissance préalable en Deep Learning ou en Machine Learning n'est requise.

Total: 22 Chapitres Total hours: 30

Compréhension des LLM et des modèles de fondation disponibles sur AWS.
Les 4 piliers d'un prompt : Instruction, Contexte, Données d'entrée, Indicateurs de sortie.

Maîtrise du Zero-shot et du Few-shot prompting (sélection et formatage des exemples
L'art du Negative Prompting : Guider le modèle sur ce qu'il ne doit pas faire.

Maîtrise des hyperparamètres : Température, Top-P, Top-K, et longueur maximale.
Impact de la configuration sur la créativité, la précision et la répétabilité.
Lab pratique : Évaluer un même prompt sous différentes configurations de modèles (Claude, Llama, Mistral).

Technique de la Chain-of-Thought (Chaîne de pensée) explicite et implicite
Self-Consistency (Auto-cohérence) et décomposition de problèmes mathématiques ou logiques.

Configuration et utilisation des System Prompts (Invites système) sur Bedrock.
Techniques de cadrage de rôle (Personas d'experts) pour calibrer le ton et l'expertise.
Cas pratique : Conception d'un agent de support client multilingue avec des règles de conformité strictes.

Le concept de Reason and Act (ReAct) : Permettre au modèle de réfléchir avant d'appeler une action.
Introduction aux Bedrock Agents : Connecter un prompt à une base de données ou à une API externe.

Comprendre l'architecture RAG : Donner de la mémoire fraîche au modèle sans le réentraîner.
Techniques de prompting spécifiques pour injecter le contexte documentaire et forcer le modèle à citer ses sources.

Utilisation du SDK AWS (boto3) en Python pour envoyer des prompts à grande échelle.
Automatisation du traitement de texte en masse (analyse de sentiments, extraction de données, résumé de contrats).

Détection et protection contre le Prompt Injection (attaques par détournement) et le Prompt Jailbreaking.
Utilisation d'Amazon Bedrock Guardrails pour bloquer les contenus toxiques, les données personnelles (PII) et appliquer des règles de sécurité.

Mise en place d'un framework d'évaluation des prompts (A/B testing de prompts).
Revue de projet : Présentation et optimisation d'une solution de prompting complète répondant à un besoin d'entreprise.