Course · 12 chapters
Fondations de l'ingénierie IA
Ship AI features to production: prompting, RAG, structured outputs, fine-tuning, and inference tuning. Hands-on, free, 12 chapters (~4.3h) for engineers.
What you'll be able to do
- Write structured, testable prompts
- Build a RAG pipeline end to end
- Generate type-safe structured outputs
- Fine-tune models with LoRA
- Cut AI latency and cost
- Build multimodal AI pipelines
What's inside
- 1Fondamentaux de l'IA Engineering : Introduction
La carte du parcours AI Engineering Foundations — ce que les chapitres enseignent, comment ils s'articulent, et par où commencer.
- 2L'art du prompt engineering
Écris des prompts qui fonctionnent comme des programmes — structurés, testables et efficaces de façon constante.
- 3L'ingénierie du contexte
Maîtrise l'art et la science de composer le contexte optimal pour les agents IA.
- 4Sorties structurées et ingénierie de schémas
Construis des pipelines d'IA type-safe qui renvoient exactement la forme de données dont tu as besoin, à chaque fois.
- 5Les fondations du RAG : du chat à la récupération
Construis le pipeline RAG minimal viable — chunk, embed, store, retrieve, augment, generate — en code clair.
- 6L'ingénierie du RAG
Fais passer le socle de récupération en production — plongée dans les embeddings, stratégies de chunking, traitement des documents, patterns avancés et évaluation. Prérequis : RAG Foundations.
- 7Le fine-tuning pour les ingénieurs IA
Quand, pourquoi et comment fine-tuner des LLM -- de la préparation du dataset au déploiement en production.
- 8Ingénierie de l'IA multimodale
Construis des systèmes en production avec des API de vision, de l'extraction documentaire et de l'IA multimédia.
- 9Ingénierie des jeux de données
Construis les jeux de données qui font vraiment fonctionner les systèmes d'IA — de la génération synthétique aux suites d'évaluation.
- 10Prompt caching et optimisation de l'inférence
Conçois une inférence LLM plus rapide, moins chère et plus efficace — de la mécanique du KV-cache aux stratégies de serving en production.
- 11L'ingénierie du contexte pour les systèmes de connaissances
Conçois des bases de connaissances que les agents IA peuvent parcourir, interroger et exploiter.
- 12Post-Training : DPO, GRPO et RL pour les LLM
Choisis le bon algorithme de post-training -- optimisation des préférences, RL de raisonnement et RL d'agent -- sans te noyer dans les articles de recherche.
Frequently asked questions
- What will I learn in AI Engineering Foundations?
- You learn to build production AI systems: prompt and context engineering, structured outputs, RAG pipelines from chunking to retrieval, fine-tuning with SFT and LoRA, multimodal processing, dataset engineering, inference optimization, and post-training methods like DPO and GRPO. Every chapter is hands-on and grounded in plain code.
- Who is this course for?
- It is built for software engineers and developers who want to ship real AI features, not just experiment with chatbots. It assumes you can read and write code and want to understand the techniques behind RAG, fine-tuning, and structured generation.
- Do I need prior AI or machine learning experience?
- You need general programming experience, but no prior machine learning background. The path is set at practitioner level and explains each technique, such as embeddings, retrieval, and LoRA, as you build with it.
- How long is the course, and how is it structured?
- The path has 12 chapters totaling about 4.3 hours (257 minutes). It opens with an intro chapter that maps every topic so you know where to start and how the chapters connect, then moves through prompting, RAG, fine-tuning, multimodal, and inference optimization.
- Is AI Engineering Foundations free?
- Yes, this path is free. You get all 12 chapters covering prompting, RAG, fine-tuning, multimodal AI, and inference optimization at no cost.
Earn a certificate
Complete all chapters to receive your certificate of completion.