====== intelligence artificielle ======

  * [[https://www.linagora.ai/introduction-aux-llm|Introduction au LLMs]]
  * [[https://www.hightechnews.fr/entrainer-ia-propres-donnees/|Entraîner un modèle d’IA sur ses propres données : par où commencer ?]]

===== Outils en ligne =====

[[https://poe.com|Poe]] donne accès aux IA de nombreuses entreprises en une seule interface. ChatGPT, Claude 3.7 Sonnet, DeepSeek R1, de nombreux modèles de génération d'images, de vidéos et d'audio, ainsi que des bots créés par des utilisateurs

===== Outils en local =====

  * [[https://zonetuto.fr/intelligence-artificielle/jai-lance-un-mini-chatgpt-en-local-sur-mon-cpu-avec-gpt4all/|J’ai lancé un mini ChatGPT en local sur mon CPU avec GPT4All]]
  * [[https://zonetuto.fr/intelligence-artificielle/ajouter-un-modele-au-format-ggml-dans-gpt4all-sur-linux-ubuntu/|Ajouter un modèle au format ggml dans GPT4All sur Linux Ubuntu]]

  * [[/informatique/ai_coding/|AI Coding]]

===== Méthode GGML =====

Le GGML, pour Generative Graph Markov Model, est une méthode d’apprentissage non supervisé. En d’autres termes, il ne nécessite pas d’étiquettes préalablement définies pour fonctionner. Il utilise des graphes probabilistes pour représenter et modéliser des données complexes. Lorsqu’il est confronté à un grand ensemble de données, le ggml se charge d’en découvrir la structure sous-jacente. Il identifie les relations et dépendances entre les différentes variables présentes.

L’une des raisons pour lesquelles le ggml est si intéressant réside dans sa complémentarité avec les réseaux de neurones. Alors que ces derniers sont efficaces pour apprendre des représentations complexes à partir de grandes quantités de données, ils ne capturent pas toujours explicitement les relations entre ces données. Le ggml, en revanche, est spécifiquement conçu pour cela. Il offre donc une nouvelle perspective pour l’analyse exploratoire de données et la modélisation statistique dans le domaine de l’IA.