We are currently experiencing intermittent issues with the Gemini Enterprise labs. Please bear with us while we work on the resolution.
Cette vidéo présente les principes de base du prompt engineering pour une communication efficace avec l'IA. Découvrez un framework simple (Persona, Tâche, Contexte, Format) pour créer des prompts clairs et obtenir des résultats plus rapidement et de meilleure qualité avec Gemini dans Google Workspace. Découvrez comment utiliser le langage naturel, être précis et itérer pour obtenir une assistance optimale de l'IA.
En savoir plus
Learn to orchestrate complex multi-agent workflows. This lesson teaches you to choose the right workflow patterns, manage state across agents, understand when custom logic is needed, and introduces distributed agent systems with A2A Protocol.
En savoir plus
Ce cours offre un aperçu de l'architecture encodeur/décodeur, une architecture de machine learning performante souvent utilisée pour les tâches "seq2seq", telles que la traduction automatique, la synthèse de texte et les questions-réponses. Vous découvrirez quels sont les principaux composants de l'architecture encodeur/décodeur, et comment entraîner et exécuter ces modèles. Dans le tutoriel d'atelier correspondant, vous utiliserez TensorFlow pour coder une implémentation simple de cette architecture afin de générer un poème en partant de zéro.
En savoir plus
Ce cours présente les modèles de diffusion, une famille de modèles de machine learning qui s'est récemment révélée prometteuse dans le domaine de la génération d'images. Les modèles de diffusion trouvent leur origine dans la physique, et plus précisément dans la thermodynamique. Au cours des dernières années, ils ont gagné en popularité dans la recherche et l'industrie. Ils sont à la base de nombreux modèles et outils Google Cloud avancés de génération d'images. Ce cours vous présente les bases théoriques des modèles de diffusion, et vous explique comment les entraîner et les déployer sur Vertex AI.
En savoir plus
L'inférence de l'IA est le processus qui consiste à utiliser un modèle de machine learning entraîné pour faire des prédictions sur des données nouvelles et inédites en appliquant des schémas appris. Ce cours s'adresse aux développeurs, data scientists et ingénieurs en ML qui souhaitent déployer rapidement des services d'inférence de l'IA sur Cloud Run. Il est utile pour les personnes habituées à utiliser des solutions de déploiement d'applications sans serveur dans le cloud, mais qui manquent d'expérience dans l'exécution de l'inférence de l'IA avec les produits sans serveur Google Cloud.
Il comprend des exemples de déploiement d'un modèle d'inférence de l'IA avec des GPU et d'intégration d'applications d'IA générative avec des services de stockage de données.
En savoir plus
Ce cours présente le mécanisme d'attention, une technique efficace permettant aux réseaux de neurones de se concentrer sur des parties spécifiques d'une séquence d'entrée. Vous découvrirez comment fonctionne l'attention et comment l'utiliser pour améliorer les performances de diverses tâches de machine learning, dont la traduction automatique, la synthèse de texte et les réponses aux questions.
En savoir plus
Ce cours de micro-apprentissage, qui s'adresse aux débutants, explique ce que sont les grands modèles de langage (LLM). Il inclut des cas d'utilisation et décrit comment améliorer les performances des LLM grâce au réglage des requêtes. Il présente aussi les outils Google qui vous aideront à développer votre propre application d'IA générative.
En savoir plus
Ce cours de micro-apprentissage, qui s'adresse aux débutants, explique ce qu'est l'IA générative, décrit à quoi elle sert et souligne ce qui la distingue des méthodes de machine learning traditionnel. Il présente aussi les outils Google qui vous aideront à développer votre propre application d'IA générative.
En savoir plus
Ce cours présente l'architecture Transformer et le modèle BERT (Bidirectional Encoder Representations from Transformers). Vous découvrirez quels sont les principaux composants de l'architecture Transformer, tels que le mécanisme d'auto-attention, et comment ils sont utilisés pour créer un modèle BERT. Vous verrez également les différentes tâches pour lesquelles le modèle BERT peut être utilisé, comme la classification de texte, les questions-réponses et l'inférence en langage naturel. Ce cours dure environ 45 minutes.
En savoir plus
AI Boost Bites : Rédiger des prompts comme un pro avec Google Workspace
Earned sept. 22, 2026 EDT
[DEPRECATED] Orchestrate Complex Multi-Agent Workflows
Earned sept. 22, 2026 EDT
Architecture encodeur/décodeur
Earned sept. 22, 2026 EDT
Introduction à la génération d'images
Earned sept. 22, 2026 EDT
Déployer et adapter des modèles d'IA avec Cloud Run
Earned sept. 22, 2026 EDT
Mécanisme d'attention
Earned sept. 22, 2026 EDT
Présentation des grands modèles de langage
Earned sept. 22, 2026 EDT
Présentation de l'IA générative
Earned sept. 22, 2026 EDT
Modèles Transformer et modèle BERT
Earned sept. 22, 2026 EDT