Agentic AI L1: How Large Language Models Actually Work (Part 2)

Agentic AI L1: How Large Language Models Actually Work (Part 2)

Agentic AI L1: Comment les grands modèles de langage fonctionnent réellement (2e partie)

par Artificial Intelligence & Data Science شرح بالعربي · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative
🎙 Artificial Intelligence & Data Science شرح بالعربي 👥 12K 📅 2 octobre 2026 ⏱ 18 min 👁 10 📄 tutoriel 🧭 2026-10-02
Disponible en : Français (actuel) English

Mots-clés

LLMattentionquery key valueone-hot encodingvecteurs denses

Résumé

Cette vidéo, deuxième partie d’un cours sur l’IA agentique, explique le fonctionnement interne des grands modèles de langage. Elle commence par récapituler le mécanisme d’attention, décrivant comment chaque mot est transformé en vecteur pour calculer son association avec les autres mots via des produits scalaires. Elle introduit les concepts de query, key, value et de multi-head attention, qui permettent de capturer différents types de relations. Ensuite, elle aborde la représentation des mots par embeddings, contrastant l’encodage one-hot (très épars) avec des vecteurs denses dans un espace de faible dimension. L’orateur explique comment la taille du vocabulaire affecte la matrice des embeddings et comment l’algèbre linéaire est utilisée pour représenter les mots. Il mentionne aussi la distinction entre les architectures encodeur-décodeur (pour la traduction) et décodeur seul (comme GPT). La vidéo s’arrête avant de couvrir les agents proprement dits, se concentrant sur les fondations techniques.

144 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La vidéo apporte une valeur pédagogique certaine en vulgarisant des concepts complexes comme l’attention et les embeddings. L’explication est progressive, avec des exemples intuitifs (banque, dépôt) et des analogies spatiales pour les vecteurs. Cependant, l’argumentation reste descriptive et ne fournit pas de preuves quantitatives ou de démonstrations formelles. La solidité du contenu repose sur des connaissances établies, mais il manque des références précises à des travaux ou des expériences.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : les concepts sont présentés avec exactitude, et l’orateur cite explicitement l’article fondateur de 2017 (Attention Is All You Need). Cependant, aucune source externe n’est fournie dans la description, limitant la vérifiabilité. Le titre annonce ‘Agentic AI’ mais le contenu traite des bases des LLM ; cela est cohérent dans le cadre d’une série de cours, mais aurait pu être plus précis. Il n’y a pas de section commentaires à analyser.

160 mots

Adéquation titre / contenu

Le titre annonce 'Agentic AI' mais le contenu traite des bases des LLM (attention, embeddings) ; cela correspond au début d'un cours préparatoire.

Qualité & fiabilité

7/10

Explication pédagogique correcte des mécanismes d'attention et des embeddings, sans erreur flagrante mais sans démonstration expérimentale.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

Apport & nouveautés

L’apport de cette vidéo est son approche pédagogique pour expliquer des concepts fondamentaux des LLM. Elle prépare le terrain pour la suite du cours sur l’IA agentique.

Pour aller plus loin :

  • Transformer (machine learning model) — Architecture de base des LLM.
  • Attention (machine learning) — Mécanisme d’attention dans les réseaux de neurones.
  • Word embedding — Représentation vectorielle des mots.

60 mots

Profil radar

Le profil radar indique un contenu équilibré avec une bonne quantité d'information et une fiabilité correcte, mais un niveau technique modéré. La faible dimension de la vidéo (10 vues) ne permet pas de juger de son impact.

Fiabilité 7/10