Formez-vous et obtenez une certification à la GTC Paris @ VivaTech 2025

Tout comme les humains disposent de plusieurs sens pour percevoir le monde qui les entoure, de plus en plus de capteurs informatiques sont développés pour capturer une grande variété de données. Dans l'industrie de la santé, la tomographie par ordinateur (CT, pour "computed tomography") fournit une représentation en 3D pour détecter des anomalies potentiellement dangereuses. Dans l'industrie de la robotique, les lidars aident les robots à voir la profondeur et à naviguer dans leurs environnements complexes. Ce cours permet aux apprenants de développer des agents de réseaux neuronaux capables de raisonner à l'aide de nombreux types de données différents en explorant plusieurs techniques de fusion. 

Vous allez en apprendre plus sur :

• Différents types de données et comment les préparer pour les réseaux neuronaux.
• La fusion de modèles et les différences entre la fusion précoce, tardive et intermédiaire.
• La perte de structure et comment l'éviter.
• La différence entre la modalité et l'orchestration d'agents.

Une fois la formation terminée, vous serez en mesure d'orchestrer plusieurs agents multimodaux au sein d'une application.

Prérequis

• Compréhension de base de Python, notamment les classes, les objets et les décorateurs.
• Compréhension de base des réseaux neuronaux, tels que la convolution d'images et les modèles séquentiels.

Les pipelines de génération augmentée par récupération (RAG) révolutionnent les opérations des entreprises. Cependant, la plupart des didacticiels existants s'arrêtent à des implémentations de preuve de concept qui vacillent en cas d'évolutivité. Cet atelier vise à combler cette lacune en se concentrant sur la création de pipelines RAG évolutifs et prêts à la production basés sur les microservices NVIDIA NIM et Kubernetes. Les participants vont acquérir une expérience pratique du déploiement, du contrôle et de la mise à l'échelle de pipelines RAG avec NIM Operator, tout en se familiarisant avec les bonnes pratiques en matière d'optimisation de l'infrastructure, de contrôle des performances et de gestion de trafic élevé.

L'atelier commence par la création d'un pipeline RAG simple à l'aide du catalogue d'API de NVIDIA. Les participants déploieront et testeront des composants individuels dans un environnement local à l'aide de Docker Compose. Une fois les bases maîtrisées, l'accent sera mis sur le déploiement des microservices NIM, tels que les LLM, NeMo Retriever Text Embedding et NeMo Retriever Text Reranking, dans un cluster Kubernetes à l'aide de NIM Operator. La gestion du déploiement, du contrôle et de l'évolutivité des microservices NVIDIA NIM fera partie du programme. L'atelier se concentrera sur la création d'un pipeline RAG pouvant être utilisé en production. Il concernera aussi le modèle d'IA de NVIDIA pour l'ingestion de PDF et sur la façon de l'utiliser dans le pipeline RAG.

Pour garantir l'efficacité opérationnelle, l'atelier présentera Prometheus et Grafana, utilisés pour contrôler les performances des pipelines, l'état de santé des clusters et l'utilisation des ressources. L'évolutivité sera traitée grâce à l'utilisation de Kubernetes Horizontal Pod Autoscaler (HPA) pour mettre à l'échelle de manière dynamique les NIM en fonction de métriques personnalisées, en association avec NIM Operator. Des tableaux de bord personnalisés seront créés pour visualiser les éléments-clés et interpréter les informations sur les performances.

Vous pourrez :

• Développer un pipeline RAG simple à l'aide de points de terminaison d'API, déployé localement avec Docker Compose.
• Déployer une large gamme de microservices NVIDIA NIM dans un cluster Kubernetes à l'aide de NIM Operator.
• Combiner les microservices NIM en un pipeline RAG cohérent de niveau production et intégrer des workflows d'ingestion de données avancés.
• Contrôler les pipelines RAG et les clusters Kubernetes avec Prometheus et Grafana.
• Mettre à l'échelle les microservices NIM pour gérer un trafic élevé à l'aide de NIM Operator.
• Créer, déployer et faire évoluer des pipelines RAG pour une variété de workflows agentiques incluant l'ingestion de PDF.

Prérequis

• Connaissance des applications basées sur les LLM
• Connaissance des pipelines RAG
• Connaissance de Kubernetes
• Connaissance de Helm

Cet atelier propose une présentation exhaustive de la programmation GPU générale avec NVIDIA® CUDA®. Vous allez apprendre à écrire, compiler et exécuter du code accéléré par GPU, à utiliser les bibliothèques de base CUDA pour exploiter la puissance du parallélisme massif fourni par les accélérateurs GPU modernes, à optimiser la migration de la mémoire entre CPU et GPU, et à mettre en œuvre vos propres algorithmes.

À la fin de cet atelier, vous aurez amélioré vos connaissances relatives aux concepts fondamentaux et aux techniques d’accélération GPU pour le code C++ avec CUDA, et vous serez en mesure de :

• Écrire et compiler du code qui s'exécute sur le GPU
• Optimiser la migration de la mémoire entre CPU et GPU
• Utiliser de puissants algorithmes parallèles qui simplifient l'intégration de l'accélération GPU à votre code
• Implémenter vos propres algorithmes parallèles en programmant directement des GPU avec les noyaux CUDA
• Utiliser des flux CUDA simultanés pour superposer trafic mémoire et calcul informatique
• Savoir où, quand et comment intégrer l'accélération CUDA à des applications basées sur le traitement CPU

Prérequis

• Compétences de base en C++, notamment connaissance des expressions lambda, des boucles, des expressions conditionnelles, des fonctions, des algorithmes standard et des conteneurs.
• Aucune connaissance préalable de la programmation CUDA n’est requise.

Dans le paysage actuel de l'IA, même les LLM les plus puissants sont confrontés à des limites lorsqu'ils sont confrontés à des connaissances spécialisées, à des domaines techniques ou à des contextes culturels absents de leurs données d'entraînement. Si la génération augmentée par récupération peut combler certaines lacunes, une véritable maîtrise du domaine nécessite un niveau d'adaptation plus poussé du modèle.

Cet atelier exhaustif permet aux développeurs d'acquérir des compétences pratiques pour transformer les LLM open-source en ressources d'IA spécialisées dans un domaine précis. Grâce à cinq modules interconnectés, vous maîtriserez le cycle de vie complet de la personnalisation des modèles :

• Évaluation systématique et création de jeux de données : développez des benchmarks d'évaluation personnalisés à l'aide de NeMo Evaluator pour identifier les limitations du modèle et suivre la progression au niveau de l'ingénierie. Découvrez les éléments importants pour votre cas d'utilisation spécifique.
• Conservation avancée des données : mettez en œuvre des pipelines de pointe pour le nettoyage de données avec NeMo Curator afin d'assembler des jeux de données de haute qualité spécifiques à un domaine précis répondant à vos besoins commerciaux ou culturels.
• Injection de connaissances ciblée : maîtrisez plusieurs techniques d'adaptation, notamment l'apprentissage en contexte, l'affinage efficace des paramètres (PEFT), le pré-entraînement continu (CPT), l'affinage supervisé (SFT) et l'apprentissage par renforcement à partir de la rétroaction humaine (RLHF).
• Optimisation des modèles : appliquez des techniques de distillation, de quantification et d'élagage avec NeMo Model Optimizer et TensorRT-LLM pour réduire considérablement les coûts d'inférence sans sacrifier les performances.
• Mise en œuvre de la production : découvrez comment déployer, contrôler et mettre à l'échelle vos modèles personnalisés dans des environnements Kubernetes à l'aide des NVIDIA Inference Microservices (NIM).

À l'issue de cet atelier, vous posséderez l'ensemble des compétences techniques pour développer, déployer et exploiter des systèmes d'IA souverains adaptés à vos besoins spécifiques, de la préparation des données à la mise à l'échelle de la production.

Prérequis

• Compétences intermédiaires en programmation Python
• Travaux antérieurs avec des applications basées sur des LLM et compréhension des principes d'ingénierie des invites
• Expérience des pipelines de traitement de données et des techniques de prétraitement de texte
• Compréhension de l'affinage, des divisions d'entraînement/validation et des éléments d'apprentissage automatique de base
• Connaissances de base de l'accélération GPU pour les charges de travail d'apprentissage automatique (une expérience de CUDA est un plus mais n'est pas obligatoire)
• Connaissance de la conteneurisation et des concepts de base de Kubernetes (facultatif mais utile)

À mesure que la fabrication s'accélère vers l'automatisation et les processus basés sur l'IA, les jumeaux numériques deviennent essentiels pour simuler, tester et déployer des systèmes intelligents dans des environnements d'usine réels.

Cet atelier va vous apprendre à :

• Créer des jumeaux numériques à partir de données de fabrication à l'aide d'OpenUSD et d'Omniverse.
• Simuler des données de capteurs précises avec NVIDIA Cosmos et Sensor RTX pour alimenter la perception, la localisation et la prise de décision de l'IA.
• Appliquer Metropolis VSS pour l'étiquetage sémantique, le suivi et la classification.
• Générer des jeux de données étiquetés à grande échelle à partir de jumeaux numériques pour entraîner des modèles d'IA et créer des workflows d'apprentissage robotique en boucle fermée.

À la fin de cet atelier, les participants auront acquis une expérience pratique de la création de jumeaux numériques pour la simulation et découvert comment ces jumeaux prennent en charge le développement de systèmes d'IA physique dans le domaine de la fabrication.

Sujets couverts :

• Création d'un jumeau numérique à partir de données 3D existantes.
• Génération de données de capteurs synthétiques pour alimenter la perception, la localisation et la prise de décisions par l'IA.
• Intégration de Metropolis VSS pour la recherche et l'étiquetage sémantique.
• Génération de jeux de données à grande échelle pour entraîner des modèles d'IA.

Prérequis

• Connaissance des workflows 3D ou des outils de CAO couramment utilisés dans la fabrication
• Compréhension basique des concepts d'IA tels que la perception, la localisation et la planification
• Exposition à la simulation, à la robotique ou à un workflow d'automatisation

Libérez la puissance de la robotique basée sur la simulation grâce à NVIDIA Isaac Sim et Isaac Lab. Cet atelier pratique à la journée est conçu pour les ingénieurs en robotique, les chercheurs de terrain et les équipes de R&D spécialisées dans la conception, l'entraînement et la simulation de robots dans un environnement logiciel.

Cet atelier va vous apprendre à :

• Structurer des ressources robotiques modulaires à l'aide d'OpenUSD et importer des modèles de CAO/URDF
• Intégrer des robots dans des environnements virtuels avec Isaac Sim
• Connecter ROS 2 pour le contrôle des robots en temps réel et les tests de logiciels en boucle
• Accélérer les charges de travail de perception et d'IA à l'aide de bibliothèques basées sur des GPU NVIDIA
• Générer des données synthétiques physiquement précises pour un entraînement fiable des robots

À la fin de cet atelier, les participants auront acquis une expérience pratique de la conception de simulations robotiques et de l'intégration de pipelines de données synthétiques en vue de créer des workflows évolutifs axés sur la simulation.

Prérequis

• Maîtrise de la programmation Python
• Connaissance de ROS 2 (système d'exploitation pour robots)
• Connaissance des workflows 3D ou des outils de CAO couramment utilisés en robotique
• Exposition aux workflows de simulation et de robotique