Agentic AI L2 A Deep Dive into LLM

Valeur des informations & solidité de l’argumentation

La vidéo apporte une réelle valeur pédagogique en explicitant pas à pas les mécanismes internes des LLM, depuis les paramètres jusqu’à l’attention. L’argumentation est progressive : elle repart des concepts de mathématiques élémentaires (vecteurs, dot product) pour construire une compréhension de l’embedding et de l’attention. Les exemples utilisés (par exemple la différence entre ‘rivière’ et ‘banque’) illustrent bien la polysémie et le rôle du contexte. La logique est cohérente et la démarche didactique, bien que parfois emphatique, reste juste. L’auteur ne fournit pas de preuve expérimentale mais s’appuie sur des explications théoriques standard.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : les concepts fondamentaux (tokenisation, embedding, attention) sont fidèlement présentés, et l’auteur mentionne explicitement le papier fondateur ‘Attention is All You Need’ ainsi que les modèles GPT. Cependant, aucune source bibliographique détaillée n’est fournie dans la description, et certaines explications restent approximatives (distinction entre token et mot, simplification de l’attention). Le titre est légèrement trompeur car la mention ‘Agentic AI’ laisse attendre un contenu sur les agents, alors que la vidéo traite des bases des LLM. Cette adéquation est donc partielle.

Le titre annonce une plongée dans les LLM, mais le contenu s'attarde sur les bases plutôt que sur les agents autonomes ; adéquation partielle.

7/10

Explication des fondements des LLM globalement juste, appuyée sur des références classiques (transformer, attention) mais avec quelques approximations orales et un vocabulaire parfois relâché.

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

• 00:10Introduction du cours et rappel des objectifs de la leçon
• 05:00Récapitulatif des principes du machine learning et des paramètres d'un modèle
• 14:00Définition du LLM comme grande fonction paramétrée et mention du papier 'Attention is All You Need'
• 25:00Explication des phases d'entraînement : auto-supervision, supervision, renforcement
• 35:00Présentation de la tokenisation et du vocabulaire d'un modèle comme GPT-2
• 45:00Plongée dans l'embedding : représentation vectorielle sémantique et analogies vectorielles
• 55:00Introduction au positionnal encoding et aux limites des modèles récurrents
• 1:05:00Mécanisme d'attention : query, key, valeur et calcul de similarité par produit scalaire
• 1:20:00Conclusion et annonce de la prochaine leçon sur la construction d'agents

• Attention is All You Need — Mentionne le papier fondateur du transformer et de l'attention
• GPT-2 — Référence aux modèles GPT et à leur architecture

• The Illustrated Transformer — Explication visuelle et détaillée du transformer, cohérente avec la présentation de la vidéo