FORMATION HUGGING FACE : UTILISE L'IA SANS TOUT RECONSTRUIRE

On commence par comprendre ce qu'est Hugging Face et pourquoi c'est devenu incontournable dans le monde de l'IA. Tu vas explorer le Hub : modèles, datasets, Spaces. Tu comprendras comment tout s'organise et où trouver ce dont tu as besoin. On voit les différentes catégories de modèles : NLP (text generation, classification, Q&A), vision (image classification, object detection), audio (speech-to-text, text-to-speech), et multimodal. Tu vas créer ton compte, configurer ton profil, et comprendre les tokens d'accès pour utiliser l'API. À la fin de ce module, tu sais naviguer dans Hugging Face et tu as une vision claire de ce que tu peux faire avec.

On passe au code. Tu vas installer la bibliothèque Transformers et lancer tes premières inférences en Python. Tu vas utiliser les pipelines pour des tâches courantes : génération de texte, classification, résumé, traduction, question-answering. En 3 lignes de code, tu as un modèle qui tourne. On va plus loin avec AutoModel et AutoTokenizer pour charger n'importe quel modèle du Hub et personnaliser le preprocessing. Tu vas comprendre comment fonctionne la tokenization, pourquoi c'est critique, et comment optimiser les inputs pour de meilleures performances. À la fin de ce module, tu sais utiliser Transformers pour n'importe quelle tâche NLP ou vision.

Tu veux utiliser des modèles sans gérer de serveur ? L'Inference API est faite pour ça. Tu vas apprendre à appeler des modèles via REST API : authentification, endpoints, paramètres, gestion des erreurs. On voit comment intégrer l'Inference API dans une app web, un backend Node ou Python, ou des outils no-code comme Make et n8n. Tu vas aussi découvrir les Inference Endpoints pour déployer des modèles dédiés avec plus de contrôle sur les performances et la scalabilité. À la fin de ce module, tu sais utiliser des modèles Hugging Face depuis n'importe quelle app, sans infrastructure ML.

Les Spaces te permettent de déployer des apps ML en quelques minutes. On va créer les tiennes. Tu vas apprendre Gradio : créer des interfaces utilisateur pour tes modèles avec quelques lignes de Python. Input texte, image, audio → output prédit. On voit comment déployer un Space sur Hugging Face : configuration, secrets, ressources (CPU, GPU), et mise à jour automatique depuis Git. Tu vas créer un Space complet : un outil qui utilise un LLM pour une tâche précise (résumé, Q&A, génération). À la fin de ce module, tu sais créer et partager des apps ML fonctionnelles sans gérer de serveur.

Les modèles pré-entraînés c'est bien, mais parfois tu veux les adapter à ton domaine. On voit comment. Tu vas comprendre le fine-tuning : quand c'est utile, quand c'est overkill, et comment choisir la bonne approche. On explore les techniques modernes : PEFT (Parameter-Efficient Fine-Tuning), LoRA, et QLoRA pour fine-tuner des gros modèles sans GPU monstrueux. Tu vas préparer un dataset avec la bibliothèque Datasets, lancer un fine-tuning avec le Trainer, et évaluer les résultats. On voit aussi AutoTrain pour fine-tuner sans coder, directement depuis l'interface Hugging Face. À la fin de ce module, tu sais adapter un modèle à tes données sans exploser ton budget cloud.

Les embeddings, c'est la base de plein d'applications IA : recherche sémantique, RAG, recommandations, clustering. Tu vas comprendre ce que sont les embeddings, comment les générer avec Sentence Transformers, et comment choisir le bon modèle pour ton cas d'usage. On voit comment stocker et requêter des embeddings avec des bases vectorielles (Pinecone, Weaviate, Chroma) et comment connecter ça à Hugging Face. Tu vas construire un système RAG (Retrieval-Augmented Generation) simple : recherche dans tes documents + génération de réponse avec un LLM. À la fin de ce module, tu sais créer des applications de recherche intelligente basées sur Hugging Face.