FORMA·IA — session 01 / 06

Fondamentaux IA pour devs

Comprendre ce qu'est un LLM — et ce qu'il n'est pas —
pour l'utiliser avec lucidité.

Aujourd'hui

3h30, quatre temps

DuréeQuoi
45 minThéorie — comment marche un LLM, prompting, hallucinations
2h00Pratique— 3 TP sur le repo d'exercices
30 minDebrief + quiz — sur le site de formation
15 minDéfi inter-session — lancé avant de partir
Tour de table · 10 min

Vous et l'IA, aujourd'hui ?

Partie 1

Comment marche vraiment un LLM

Le cœur du réacteur

Un moteur de complétion probabiliste

« Le chat dort sur le »  →  canapé (38%)
                            tapis  (21%)
                            lit    (17%)
                            …
Pas de base de faits. Pas de logique câblée. Une prédiction du token suivant, répétée des milliers de fois — entraînée sur une compression statistique gigantesque de texte.
Vocabulaire minimal

Quatre concepts, c'est tout

a.Token

Unité de découpage du texte (~¾ de mot). Tout se mesure et se facture en tokens.

b.Fenêtre de contexte

Mémoire de travail, finie. Ce qui n'y est pas n'existe pas pour le modèle.

c.Température

Dose d'aléatoire. Basse = déterministe (code). Haute = créatif.

d.Poids figés

Le modèle n'apprend rien de vos sessions. Connaissance gelée à l'entraînement.

Conséquence pratique n°1

Le modèle ne connaît pas votre codebase

À retenir : « garbage context in, garbage code out. »
Partie 2

Prompting efficace

La recette

Quatre ingrédients

1.Rôle / contexte

Stack, contraintes, style de l'équipe.

2.Tâche précise

Un verbe, un périmètre, un livrable.

3.Exemples

Le format attendu vaut mille explications.

4.Critères de validation

Comment on saura que c'est bon : tests, comportement.

Avant / après

Le même besoin, deux prompts

✗ « fais-moi une fonction
  de validation d'email »
✓ TypeScript strict. Écris
  validateEmail(input: string)
  qui retourne un
  Result<Email, ValidationError>.
  Refuse > 254 chars et
  domaines sans point.
  + 5 tests vitest,
  dont 2 cas limites.
Anti-pattern

Le prompt-fleuve

Partie 3

Hallucinations & limites

Définition honnête

Ce n'est pas un bug

Une hallucination, c'est le fonctionnement normal du modèle appliqué à une zone où il manque de signal : il complète avec du plausible.

APIs inventéesversions de libs mélangéesoptions de config imaginaireschiffres trop précis
Réflexes de défense

Quatre parades

Partie 4

Panorama des outils

Quatre familles

Le bon outil pour la bonne tâche

TypeExemplesBon pour
chatclaude.ai, ChatGPTExplorer, apprendre, brouillons
complétionCopilot, CursorAutocomplétion, boilerplate
agentClaude Code, Cursor agentMulti-fichiers, refacto, tests, exécution
APIAPI ClaudeL'IA dans vos produits et pipelines
Démo live · 10 min

Claude Code sur un vrai repo

Explorer une codebase inconnue → poser une question → générer une feature → lire le diff.

Pratique · 2h

Trois TP, dossier session-1

TP14 prompts

Le même besoin, quatre formulations. Mesurer l'impact de la structure sur le résultat.

TP2Chasse aux hallucinations

Faire mentir le modèle volontairement, identifier, puis corriger avec le bon contexte.

TP3Contexte minimal viable

Quel est le plus petit contexte qui produit un bon résultat ?

Binômes conseillés. Formateurs en support — levez la main, on circule.
Debrief · 30 min

Quiz + checklist sur le site

Module 01 → quiz de validation, checklist de fin de session.
On lève les blocages ensemble.

Avant de partir

Défi inter-session

Session 01 — terminée

La semaine prochaine :
vibe coding, les bases

Claude Code en profondeur · workflow spec → plan → code → review

01 / 21FORMA·IA — fondamentauxnaviguer ←→ espace