Comment un LLM « pense », sans mathsHow an LLM "thinks", without the mathsCómo «piensa» un LLM, sin matemáticas
Parcours : Fondamentaux de l'IA & IA Générative · DécouverteCourse: AI & Generative AI Fundamentals · FoundationCurso: Fundamentos de la IA y la IA generativa · Iniciación

≈ 6 min
Contexte
Pourquoi ouvrir le capot, sans équations, change votre façon d’utiliser un LLM.
Au programme de ce moduleIn this moduleEn el programa de este módulo
- 01Contexte≈ 6 min
- 02Explication≈ 9 min
- 03Démonstration≈ 7 min
- 04Cas pratique≈ 5 min
- 05Étude de cas≈ 5 min
- 06Exercice≈ 17 min
- 07Quiz≈ 5 min
On peut conduire sans être mécanicien, mais savoir qu’un moteur chauffe évite la panne. De même : comprendre ce qu’un LLM fait réellement quand il « répond », découper en tokens, prédire, oublier au-delà de sa fenêtre, vous évite les deux erreurs classiques, la confiance aveugle et la méfiance stérile. Aucune mathématique ici : uniquement les mécanismes dont découlent coûts, limites et bonnes pratiques.
Objectifs d’apprentissage
À l’issue de ce module, vous saurez Comprendre la prédiction du prochain token (fragment de texte) et la différence entre entraînement et inférence, Expliquer la fenêtre de contexte et ses conséquences pratiques, Appliquer des variations de formulation pour en observer l’effet, et Analyser l’anatomie d’une réponse générée.
Les quatre notions de ce module servent chacune une décision concrète que vous prendrez cette semaine. Le découpage en tokens explique pourquoi un texte long coûte plus cher. La prédiction explique pourquoi la même question posée autrement donne une autre réponse. La fenêtre de contexte explique pourquoi un assistant semble oublier le début d’un long échange. La distinction entre entraînement et inférence explique pourquoi vos corrections ne se transmettent pas d’une conversation à la suivante.
Il n’y a aucune équation ici, et ce n’est pas une simplification de complaisance : les mécanismes qui changent votre usage quotidien se décrivent en français. Ce qui relève des mathématiques, la façon dont le modèle calcule ses probabilités, ne modifie aucune de vos décisions d’utilisateur. Nous nous arrêtons donc là où l’utilité s’arrête, et le temps gagné passe dans la pratique.
Le bénéfice se mesure à deux réflexes que vous n’aurez plus besoin d’apprendre par l’échec : ne pas croire une réponse parce qu’elle est bien écrite, et ne pas conclure qu’un outil « ne sait pas faire » alors que la demande était simplement trop vague, ou trop longue pour ce qu’il peut garder sous les yeux.
Ce que vous saurez faire à la sortie
- Expliquer en une phrase, à un collègue non technique, ce que fait le modèle quand il répond
- Juger si un document tient dans une seule conversation, et sinon le découper méthodiquement
- Reformuler une demande qui a échoué, en sachant quelle partie du contexte a manqué
Avant de commencer
Gardez sous la main un document de travail réel, long si possible : les exercices du module s’appuient dessus. Vous n’avez besoin d’aucune connaissance technique préalable, seulement d’un accès à un assistant conversationnel autorisé dans votre organisation.