Intelligence Artificielle : Natural Language Processing (NLP) & Speech Recognition Mixte : présentiel / à distance

Les données non structurées issues du langage sont omniprésentes en entreprise (mails, appels téléphoniques, visio, réunions, avis, commentaires, etc.) mais ne sont que rarement utilisées. Les progrès en deep learning ont permis de rendre plus accessible l'exploitation des données voix et texte. A travers la construction de modèles de langage conversationnel (ChatGPT), considérés comme révolutionnaires, de nombreux secteurs sont amenés à repenser et intensifier l'usage des modèles de langage.

 

Cette formation prépare les data scientists à maîtriser les données texte et voix, au sein d'un contexte technologique innovant et en particulier au cours d'un projet d'Intelligence Artificielle.

 

A travers des exercices, vous apprendrez à structurer et créer des modèles de machine learning sur ces données du langage. A la fin de la session, vous disposerez d'une compréhension solide du potentiel et de l'état de l'art en Natural Language Processing (NLP) et en Speech Processing. Vous comprendrez également les architectures "Transformers" à la base de nombreux progrès récents et notamment des modèles de type ChatGPT. Les mises en pratique vous permettront d'être indépendant pour déployer et créer de la valeur sur ces données, et devenir un expert du traitement automatique du langage écrit et parlé.

• Savoir structurer les données texte et voix
• Savoir analyser un volume conséquent de données texte et/ou voix et appliquer des modèles de machine learning
• Savoir traiter de la voix et/ou du texte en temps réel
• Savoir mettre en place une recherche intelligente dans des documents et/ou enregistrements audio
• Savoir créer des modèles de détection d'intention, d'entités
• Comprendre la méthodologie des modèles de langage de type ChatGPT, Bert

• Analyste
• Statisticien
• Architecte
• Développeur
• Data scientist
• Machine Learning Engineer

• Connaissances générales sur le Machine Learning ainsi qu'en statistiques
• Notions de base en Python.
• Avoir suivi la formation “Fondamentaux de la Data Science” (DSFDX)

Formation avec apports théoriques, échanges sur les contextes des participants et retours d'expérience pratique des formateurs, complétés de travaux pratiques et de mises en situation.

Cette formation est dispensée par un·e ou plusieurs consultant·es d'OCTO Technology ou de son réseau de partenaires, expert·es reconnus des sujets traités.

Le processus de sélection de nos formateurs et formatrices est exigeant et repose sur une évaluation rigoureuse leurs capacités techniques, de leur expérience professionnelle et de leurs compétences pédagogiques.

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique.

Afin de valider les compétences acquises lors de la formation, un formulaire d'auto-positionnement est envoyé en amont et en aval de celle-ci.

En l'absence de réponse d'un ou plusieurs participants, un temps sera consacré en ouverture de session pour prendre connaissance du positionnement de chaque stagiaire sur les objectifs pédagogiques évalués.

Une évaluation à chaud est également effectuée en fin de session pour mesurer la satisfaction des stagiaires et un certificat de réalisation leur est adressé individuellement.

Jour 1

 

INTRODUCTION AU DOMAINE DE L'ANALYSE DU TEXTE ET DE LA VOIX

NLP, NLU, Speech processing et understanding

Appréhender les enjeux de la révolution des modèles de langage conversationnel de type ChatGPT

 

NATURAL LANGUAGE PROCESSING (NLP)

Les bases du NLP : encoding, regex, tokenisation(n-grams) bag of words

NLP : la réduction de dimensions

• Nettoyer le texte : stemming, lemmatisation
• Topic modeling : SVD, NMF, LDA
• Word embedding : Word2vec, FastText, etc.

 

INFORMATION RETRIEVAL (IR) : CRÉER UN MOTEUR DE RECHERCHE

Indexation de contenu, moteur recherche simple

Réaliser un moteur de recherche intelligent : utilisation de modèles de langage (GPT, Bert, etc.)

 

 

Jour 2

 

LES MÉTHODOLOGIES DE DEEP LEARNING POUR LE TRAITEMENT DU LANGAGE

Les bases des réseaux de neurones

Modèles séquentiels : RNN

Comprendre la révolution "Transformers" : maîtriser le "multi-head attention"

 

COMPRENDRE LA RÉVOLUTION DES MODÈLES DE LANGAGE POUR LA CONVERSATION : CHATGPT

Introduction aux grands modèles de langage (Large Language Models - LLM) : famille Bert et famille GPT

Introduction au "Reinforcement Learning from Human Feedback" (RLHF)

Apprendre à utiliser ces modèles pour des tâches de NLP : résumé, analyse de sentiment, génération de contenu, etc.

 

 

Jour 3

 

AUDIO PROCESSING

Introduction à la donnée audio : signal numérique, encodage

Structurer la donnée audio : transformée de Fourier, spectogramme mel MFCC, Librosa, PyAudio

Entraîner un modèle de machine learning sur de la donnée audio

 

SPEECH RECOGNITION

Appliquer un modèle de transcription (Speech to Text)

• Via l'utilisation d'un modèle Open Source : exemple de Whsiper (OpenAi)
• Via l'utilisation d'une API externe

Transcrire en temps réel : enjeux, méthodologie Open Source ou via API externe

Transcrire en prenant en compte un contexte : méthodologie pour "fine-tuner" un modèle Speech to Text

Dissocier les locuteurs : méthodologie de "Speaker Diarization"

Aller plus loin : gestion de l'information temporelle, gestion de la confidence de la transcription

 

BILAN ET CLÔTURE DE SESSION

Revue et synthèse des concepts abordés

Moment de partage sur la formation

Questions et réponses additionnelles

• Formation “Chatbot : créer son agent conversationnel” (CHBOT)
• Article blog OCTO “Comment l'IA peut-elle changer le recrutement ? (partie 1)”
• Article blog OCTO “Comment l'IA peut-elle changer le recrutement ? (partie 2)”
• Article blog OCTO “NLP : une classification multilabels simple, efficace et interprétable”
• Article blog OCTO “Les réseaux de neurones récurrents : des RNN simples aux LSTM”
• Ouvrage “Deep Learning for NLP and Speech Recognition” par Uday Kamath, John Liu, James Whitaker

50.00

40.00

10.00