Un réseau de neurones, ça n'a rien à voir avec un cerveau. À l'intérieur, il n'y a que des additions et des multiplications : des maths de niveau collège. Alors comment ça peut reconnaître ton visage, traduire une langue ou écrire du texte ? Dans cette vidéo, on démonte un réseau de neurones pièce par pièce, à partir de zéro, sans une seule équation. Le neurone, les couches, et surtout comment le réseau apprend tout seul à partir d'exemples. Si tu sais additionner et multiplier, tu as tout ce qu'il faut pour suivre. 🔗 Ressource citée : Neural Network Playground de TensorFlow (playground.tensorflow.org) pour voir un réseau apprendre en direct dans ton navigateur. 🔔 Abonne-toi à Projets IA pour comprendre l'IA pour de vrai, pas juste en parler. #ReseauDeNeurones #DeepLearning #IntelligenceArtificielle #IA #MachineLearning #VulgarisationIA #ReLU #ProjetsIA #ApprentissageProfond #NeuralNetwork #DebutantIA Hosted on Ausha. See ausha.co/privacy-policy for more information.

🔁 Un modèle de langage seul ne fait qu'une chose : produire du texte. Alors comment les « agents IA » arrivent-ils à chercher, lire, calculer et enchaîner des dizaines d'actions tout seuls ? La réponse tient dans une boucle très simple — la boucle agentique — qu'on construit ici morceau par morceau, sans dépendre d'un outil précis. On part du motif ReAct (raisonner + agir), on ajoute ce qu'il faut autour pour que ça tienne (mémoire, conditions d'arrêt, appels d'outils structurés en JSON), puis on regarde là où ça casse en vrai et comment fiabiliser. À la fin, tu reconnaîtras cette boucle derrière la plupart des agents et des frameworks. 👉 Projets IA — l'IA expliquée en profondeur, sans bagage requis. 🔔 Abonne-toi pour les prochains deep-dives. #ProjetsIA #IA #IntelligenceArtificielle #AgentIA #LLM #ReAct #AgentsIA #MachineLearning #DeepLearning #ChatGPT #Claude SOURCE : - ReAct : Yao, Zhao, Yu, Du, Shafran, Narasimhan, Cao — « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 (arXiv:2210.03629). Motif d'alternance raisonnement + action : https://arxiv.org/pdf/2210.03629 Hosted on Ausha. See ausha.co/privacy-policy for more information.

📚 En avril 2025, Andrej Karpathy publie une idée simple qui emballe des milliers de développeurs : le « LLM Wiki ». Au lieu du RAG, où l'IA refouille tes documents à chaque question, on lui fait construire et entretenir un wiki en markdown qui s'enrichit dans le temps. Sa formule : « Obsidian, c'est l'éditeur ; le LLM, c'est le programmeur ; le wiki, c'est le code. » Dans cette vidéo : le problème du RAG, l'idée du LLM Wiki, comment on le met en place et où sont ses limites. 🔗 Source : le gist « LLM Wiki » d'Andrej Karpathy (GitHub) 🔔 Abonne-toi à Projets IA — on décortique l'IA et on la met en pratique. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA # 🔗 SOURCES -*Andrej Karpathy — gist « LLM Wiki » (GitHub, avril 2025). Motif de construction/maintenance d'une base de connaissances par un LLM, en alternative au RAG. Citation reprise : « Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase. » - Architecture en trois couches (sources → wiki dérivé → fichier de schéma/règles) et intégration incrémentale (mise à jour des pages, création de pages de concepts, signalement des contradictions). - Adoption : gist devenu très populaire (milliers d'étoiles en quelques jours), motif repris avec des agents type Claude Code / Codex en 2025-2026. - Andrej Karpathy : membre fondateur d'OpenAI, ancien directeur de l'IA chez Tesla. #LLMWiki #Karpathy #RAG #IA #IntelligenceArtificielle #LLM #Obsidian #BaseDeConnaissances #Agents #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.

🧠 Tu entraînes un petit réseau sur une tâche de calcul. En quelques centaines d'étapes, il répond juste sur tous les exemples vus : il a mémorisé. Sur des exemples nouveaux, il reste nul, au niveau du hasard. Et si tu continues à l'entraîner très longtemps après que tout semble figé, sa précision bondit d'un coup jusqu'à quasi 100 % : il a « grokké ». C'est la généralisation retardée. Dans cette vidéo, en trois temps : le phénomène et pourquoi il déroute, le rôle du weight decay qui pousse le modèle du par-cœur vers la vraie règle, et surtout ce qui se passe à l'intérieur — le modèle apprend un vrai algorithme, il pose les nombres sur un cercle (comme une horloge) et additionne en tournant les aiguilles, en trois phases : mémorisation → formation du circuit → nettoyage. Aucun prérequis technique lourd. Fil rouge unique : l'horloge. ⚠️ Nuance importante : le grokking a été observé surtout sur de petites tâches algorithmiques (arithmétique modulaire). Sa portée aux grands modèles reste débattue. 📚 Pour aller plus loin : — Power, Burda, Edwards, Babuschkin, Misra — « Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets » (OpenAI, 2022) — Nanda, Chan, Lieberum, Smith, Steinhardt — « Progress measures for grokking via mechanistic interpretability » (ICLR 2023, arXiv:2301.05217) 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, une idée à creuser et l'actu de la recherche expliquée simplement : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA : on démonte l'IA en profondeur, un concept par vidéo. #Grokking #Généralisation #InterprétabilitéMécanique #WeightDecay #DeepLearning #IA #IntelligenceArtificielle #MachineLearning #RéseauxDeNeurones #Transformer #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.

La plupart des modèles d'IA estampillés "open source" ne le sont pas vraiment. On confond deux choses très différentes : "open weights" (on peut télécharger et faire tourner le modèle fini) et "open source" au sens strict (on a AUSSI le code d'entraînement et assez d'infos sur les données pour auditer et reconstruire le modèle). Dans cette vidéo, on décortique la distinction, on explique la définition officielle de l'Open Source Initiative (l'OSAID, publiée le 28 octobre 2024, avec ses 4 libertés), on met un nom sur l'"openwashing", et on place les modèles connus sur un axe qui va du fermé au vraiment ouvert. Aucun bagage technique requis : c'est un sujet de mots et de licences. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse et l'actu qui compte : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA pour comprendre l'IA telle qu'elle est vraiment, pas telle qu'on te la vend. #ProjetsIA #OpenSource #IA #IntelligenceArtificielle #LLM #OpenWeights #Llama #DeepSeek #MachineLearning #VulgarisationIA #OSI Hosted on Ausha. See ausha.co/privacy-policy for more information.

💸 Tout, dans un LLM, se facture au token. Mais entre le modèle que tu choisis, la longueur de tes conversations et ce que le modèle t'écrit en réponse, le même travail peut coûter une fraction de centime… ou cinquante fois plus. Dans cette vidéo, en trois temps : ce qui fait vraiment le prix quand tu utilises un LLM, comment estimer tes coûts avant même de te lancer, et comment faire baisser la note. ⚠️ Les prix cités sont ceux d'août 2026 et baissent très vite (÷~5 en un an). Revérifie les grilles officielles avant de calculer pour de vrai. Ici, ce qui compte, c'est la méthode. 📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, un exercice et l'actu qui périme tes calculs : https://projetsia.netlify.app/ 🔔 Abonne-toi à Projets IA — on démonte l'IA côté concept et côté chantier. #CoutAPI #Tokens #LLM #IA #IntelligenceArtificielle #PromptCaching #MachineLearning #APIcost #DeepSeek #TCO #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.

💻 Google Colab, c'est une page web gratuite où tu peux coder, faire tourner une IA et utiliser un GPU de plusieurs milliers d'euros — sans rien installer sur ton ordinateur. C'est le point de départ de la quasi-totalité des tutoriels IA. Ici on met les mains dedans : on suit un même fil rouge du début à la fin — un petit « détecteur d'humeur » qui lit une phrase et dit si elle est positive ou négative. Aucun prérequis. Si tu n'as jamais codé, cette vidéo est pour toi. 🔗 Pour te lancer : colab.research.google.com 🔔 Abonne-toi à Projets IA — on va faire tourner des IA ensemble, en partant de zéro. #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA --- # 🔗 SOURCES - **Documentation officielle Google Colab** — colab.research.google.com (FAQ, types de runtime, limites d'usage GPU, montage Google Drive). - Usage réel de préparation de démos (retour d'expérience). --- # 🏷️ HASHTAGS ``` #GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.

🔓 On peut pirater une IA sans toucher à son code : juste avec des mots. Un ordre caché dans un mail ou une page web peut retourner un assistant contre son propre utilisateur. Cette faille, la prompt injection, est classée risque n°1 des applications IA par l'OWASP — et à ce jour, on ne sait pas la corriger complètement. Dans cette vidéo, on dissèque les trois familles d'attaques contre les LLM et les agents : manipuler le modèle, lui faire fuiter des secrets, et détourner une IA qui peut agir. Plus comment on se défend. Aucun prérequis technique lourd. Cadre 100 % défensif et pédagogique. 📚 Pour aller plus loin : — OWASP Top 10 for LLM Applications : https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/ — Blog de Simon Willison sur la prompt injection : https://simonwillison.net/ 🔔 Abonne-toi à Projets IA — on démonte l'IA en profondeur, un concept par vidéo. #PromptInjection #SécuritéIA #IA #Cybersécurité #LLM #IntelligenceArtificielle #OWASP #Jailbreak #AgentIA #MachineLearning #VulgarisationIA #ProjetsIA --- # 🔗 SOURCES (vérifiées) - **Prompt injection (nom + première démonstration)** — Riley Goodside démontre l'attaque (sept. 2022) ; Simon Willison nomme la « prompt injection » par analogie à l'injection SQL. Réf : simonwillison.net (série « prompt injection »). - **Injection indirecte** — Greshake, Abdelnabi, Mishra, Endres, Holz, Fritz : « Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection », arXiv:2302.12173 (fév. 2023). Exploits démontrés notamment contre Bing Chat (GPT-4). - **Suffixe adversarial / jailbreak automatisé (GCG)** — Zou, Wang, Carlini, Nasr, Kolter, Fredrikson : « Universal and Transferable Adversarial Attacks on Aligned Language Models » (2023). Suffixes universels et transférables entre modèles. - **Régurgitation de données d'entraînement** — littérature sur la mémorisation/extraction de données d'entraînement des LLM (p. ex. Carlini et al., « Extracting Training Data from Large Language Models »). - **Classement des risques + défenses** — **OWASP Top 10 for LLM Applications** (LLM01 Prompt Injection = risque n°1, non « patchable » ; LLM02 Sensitive Information Disclosure ; défense en profondeur : moindre privilège, human-in-the-loop, filtrage entrée/sortie) - https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/ --- # 🏷️ HASHTAGS ``` #PromptInjection #SécuritéIA #IA #Cybersécurité #LLM #IntelligenceArtificielle #OWASP #Jailbreak #AgentIA #MachineLearning #VulgarisationIA #ProjetsIA Hosted on Ausha. See ausha.co/privacy-policy for more information.

🔌 Une IA, toute seule, ne sait rien faire dans tes outils. Elle génère du texte, point. Alors comment Claude ou ChatGPT se mettent à lire tes fichiers, requêter ta base de données ou créer une issue GitHub — sans qu'on ait recodé l'IA pour chaque logiciel ? La réponse : le MCP, le Model Context Protocol. Le "port USB-C" de l'IA, publié par Anthropic fin 2024 et devenu un standard de l'industrie. Dans cette vidéo, on ne refait pas l'analogie facile — on ouvre le capot. Architecture host/client/server, les 3 primitives (tools, resources, prompts), le langage JSON-RPC, le handshake de découverte, les transports stdio et HTTP, la boucle agentique, et les vrais risques de sécurité. Sans jargon : tout est vulgarisé terme par terme. 📚 Pour creuser : la spécification officielle, gratuite et lisible — modelcontextprotocol.io 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur les agents IA, le tool use et la mise en pratique du MCP. #MCP #ModelContextProtocol #IA #IntelligenceArtificielle #LLM #Claude #Anthropic #AgentsIA #ToolUse #FunctionCalling #VulgarisationIA #ProjetsIA --- ## 🔗 SOURCES - Spécification officielle MCP — `modelcontextprotocol.io` (architecture, primitives, transports, JSON-RPC, lifecycle/handshake) - Annonce Anthropic « Introducing the Model Context Protocol » (novembre 2024) - Documentation Anthropic sur les serveurs de référence (filesystem, GitHub, Drive, Slack, Postgres, Puppeteer) --- ## 🏷 HASHTAGS #MCP #ModelContextProtocol #IA #IntelligenceArtificielle #LLM #Claude #Anthropic #AgentsIA #ToolUse #FunctionCalling #JSONRPC #VulgarisationIA #ProjetsIA #DeepDive Hosted on Ausha. See ausha.co/privacy-policy for more information.

Sur ton ordinateur, il y a déjà un processeur ultra-puissant : le CPU. Et pourtant, pour faire de l'IA, il est presque inutile. On branche à côté une carte conçue, au départ, pour les jeux vidéo. Pourquoi ? Et pourquoi NVIDIA, le fabricant de ces cartes, vaut désormais plus de 3 000 milliards de dollars ? Dans cette vidéo, on décortique en profondeur pourquoi toute l'IA moderne tourne sur des GPU et pas des CPU. Sans maths, sans bagage technique. On va voir l'architecture matérielle, les Tensor Cores, la bande passante mémoire, et le vrai moat de NVIDIA — qui n'est pas du tout celui qu'on croit. 🔗 Ressources : "GPU Puzzles" de Sasha Rush (open source) · blog technique NVIDIA (architecture Hopper / H100). 🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur la VRAM, la quantization et l'inférence des LLM. Tu pensais que le GPU gagnait juste parce qu'il calcule plus vite ? Dis-moi en commentaire la partie qui t'a le plus surpris. #GPU #NVIDIA #IA #IntelligenceArtificielle #CUDA #TensorCores #DeepLearning #MachineLearning #Hardware #LLM #VulgarisationIA #ProjetsIA --- ## 🔗 SOURCES - NVIDIA — documentation architecture Hopper (H100) : Tensor Cores 4ᵉ génération, ~80 Go HBM3, bande passante mémoire 3 To/s, performance Tensor 1 000 TFLOPs (selon précision). - NVIDIA — historique CUDA (lancement 2007) et écosystème (cuDNN, cuBLAS). - Krizhevsky, Sutskever, Hinton (2012) — AlexNet entraîné sur 2× GTX 580 : bascule GPU pour le deep learning. - Littérature inférence LLM : caractère memory-bound de la phase de génération (decode) vs compute-bound de la phase de prefill ; rôle de la bande passante mémoire. - Sasha Rush — "GPU Puzzles" (ressource pédagogique open source sur la programmation parallèle GPU). Hosted on Ausha. See ausha.co/privacy-policy for more information.