Vous ouvrez le dépôt, découvrez un programme de 523 leçons et ne savez pas par où commencer.
La solution la plus directe consiste à choisir d’abord un projet livrable, puis à suivre les phases utiles pour construire vos bases, l’implémenter et le vérifier ; ne cherchez pas à terminer chaque leçon avant de coder. Le dépôt officiel affiche bien 523 leçons, mais ce volume ne signifie pas que vous devez suivre le même parcours que tous les autres apprenants (programme officiel).
Cet itinéraire s’adresse aux débutants qui veulent transformer leur apprentissage en plan d’action.
Si vous avez déjà de l’expérience en développement, vous pourrez repérer les bases à revoir plutôt que de les reprendre intégralement.
Si vous préparez un portfolio, vous trouverez des étapes pour produire des preuves de travail présentables, et pas seulement une liste de cours terminés.
Dernière vérification : 26 septembre 2026, d’après le dépôt officiel et ses versions publiées. Vérifiez ces ressources avant de commencer : l’organisation et les entrées du programme peuvent évoluer.
Fixez un projet cible avant de choisir votre ordre d’apprentissage
Le nom « AI Engineering from Scratch » peut inciter à suivre toutes les leçons dans l’ordre, même lorsque certaines ne servent pas votre objectif immédiat. Pour éviter ce détour, formulez votre projet comme un résultat vérifiable : par exemple, une application qui classe des demandes reçues, un assistant qui recherche dans des documents, ou un outil créatif qui transforme des consignes en pistes audio, en images ou en éléments de conception.
Écrivez ensuite une fiche de projet. Elle doit préciser ce que l’utilisateur fournit, ce que le système renvoie, comment vous saurez que le résultat est correct et quelles parties du code devront rester maintenables. Un assistant de recherche, par exemple, a besoin d’une entrée clairement définie, de documents consultables, d’une réponse traçable et d’un moyen de repérer les erreurs. Cette fiche vous aidera à distinguer les connaissances nécessaires avant de commencer de celles que vous pourrez acquérir au fil du projet.
| Votre situation | Point de départ conseillé | Ce que vous vérifiez avant de continuer |
|---|---|---|
| Vous débutez en programmation | Commencez par l’environnement et les outils, puis construisez un exercice simple avant d’ajouter des composants d’IA. | Vous savez lancer le code, lire une erreur et modifier une entrée. |
| Vous développez déjà des applications | Examinez la préparation des outils et passez directement aux lacunes en apprentissage automatique ou en modèles de langage. | Vous pouvez expliquer pourquoi une nouvelle notion est nécessaire, au lieu de revoir une compétence déjà acquise. |
| Vous avez une idée d’application avec un agent | Faites d’abord fonctionner une version limitée qui appelle un modèle ; ajoutez les outils et le comportement d’agent ensuite. | Vous pouvez vérifier les sorties et définir ce que l’agent n’est pas autorisé à faire. |
| Vous préparez un portfolio orienté création | Choisissez un projet avec une démonstration visible, comme un flux de traitement audio ou vidéo, ou une aide au prototypage graphique. | Vous pouvez montrer l’entrée, le résultat, une limite connue et les étapes d’exécution. |
Il ne s’agit pas de prétendre que le dépôt définit un parcours personnalisé : c’est à vous de faire correspondre ses contenus à votre projet. Le programme officiel propose des phases distinctes, notamment pour la mise en place, les bases mathématiques, l’apprentissage automatique, l’ingénierie des modèles de langage, les outils et protocoles, ainsi que l’ingénierie des agents. Servez-vous du programme officiel pour confirmer les intitulés et les ressources disponibles avant de bâtir votre itinéraire.
À retenir : une notion peut être importante sans devoir être maîtrisée avant tout essai. Si votre premier prototype peut avancer avec une compréhension élémentaire, commencez par l’implémenter et approfondissez le sujet lorsque le projet révèle une question précise.
Avant le premier exercice, séparez les prérequis des sujets à apprendre en chemin
Le dépôt présente des phases et des contenus, mais il ne faut pas transformer cet ordre éditorial en prérequis rigides lorsque le dépôt ne les indique pas comme tels. Pour construire votre parcours d’apprentissage en IA, faites plutôt un état des lieux de vos compétences et comparez-les aux besoins du projet.
Examinez d’abord le contenu réel des étapes : leur description, les fichiers d’exercice, les consignes et les liens associés. La phase de préparation de l’environnement et des outils vous permet de vérifier les attentes de départ. Vous pouvez ensuite comparer vos lacunes aux contenus consacrés aux bases mathématiques et aux fondamentaux de l’apprentissage automatique. Ces pages indiquent où examiner les ressources ; elles ne prouvent pas qu’une personne doit maîtriser l’intégralité de chaque phase avant de passer à la suivante.
Pour rendre ce diagnostic utile, notez vos compétences dans trois colonnes :
- Déjà opérationnel : vous pouvez utiliser cette compétence sans tutoriel pas à pas, par exemple lancer un programme, travailler avec des fichiers ou comprendre une fonction.
- À revoir en parallèle : le sujet vous est familier, mais vous aurez besoin d’un exemple pendant la réalisation du projet.
- À apprendre avant cette tâche : sans cette compétence, vous ne pouvez ni produire ni vérifier le résultat visé.
Un développeur habitué aux API et aux tests peut probablement consacrer moins de temps à la remise à niveau générale en programmation. Il ne devrait toutefois pas en déduire qu’il peut ignorer les principes de représentation des données, d’évaluation ou de comportement des modèles : ces sujets peuvent être nouveaux même lorsque le code lui-même ne l’est pas. À l’inverse, une personne sans expérience de programmation gagnera à réussir d’abord un exercice simple de manipulation de données, plutôt que de commencer par un agent difficile à déboguer.
| Lacune constatée | Action pendant l’apprentissage | Risque si vous la reportez |
|---|---|---|
| Vous ne savez pas encore exécuter un projet fourni | Suivez la préparation des outils et conservez les commandes qui fonctionnent. | Vous ne saurez pas si un échec vient de votre code ou de l’environnement. |
| Vous savez coder, mais ne savez pas mesurer une sortie de modèle | Ajoutez des exemples d’entrées et de sorties attendues avant de complexifier l’application. | Une démonstration convaincante peut masquer des réponses instables ou hors sujet. |
| Vous connaissez les notions mathématiques, sans savoir les relier au projet | Repérez une question de données ou d’évaluation qui les mobilise et approfondissez ce point. | Vous risquez de mémoriser des formules sans savoir quand elles éclairent une décision technique. |
| Vous ne savez pas encore intégrer plusieurs composants | Commencez avec une fonction utile, puis ajoutez les interactions une par une. | Les erreurs deviennent difficiles à isoler si le modèle, les outils et l’interface sont assemblés d’un coup. |
Cette comparaison répond également à une question fréquente chez les développeurs : quelles parties peut-on passer ? Vous pouvez raccourcir ou revoir rapidement les contenus dont vous maîtrisez déjà les objectifs, mais vérifiez d’abord les exercices et les critères de réussite, pas seulement les titres de phase. Une compétence n’est réellement acquise que si vous pouvez l’appliquer à votre propre projet.
Construisez une base suffisante en reliant les notions à un exercice exécutable
Les mathématiques, l’apprentissage automatique, l’apprentissage profond et les modèles de langage ont une utilité pratique : ils vous aident à comprendre les données, à choisir la façon d’appeler un modèle et à évaluer sa réponse. Ils ne doivent pas devenir un examen d’entrée qui repousserait indéfiniment le premier prototype.
Suivez les exercices disponibles dans les phases concernées et cherchez, pour chacun, une relation avec votre fiche de projet. Si une activité vous aide à comprendre la représentation d’une donnée, notez comment cette notion se manifeste dans votre entrée réelle. Si elle porte sur un modèle, identifiez ce que vous pourrez observer dans la sortie. Vous n’avez pas besoin d’inventer une application complète pour chaque exercice ; une petite expérimentation peut suffire à éclairer une décision.
La phase consacrée aux fondamentaux de l’apprentissage automatique est un point de contrôle pertinent lorsque votre projet dépend du traitement ou de l’évaluation de données. Pour un système fondé sur un modèle de langage, consultez aussi la phase officielle d’ingénierie des LLM, accessible depuis le programme. L’objectif n’est pas d’attribuer à ces ressources un résultat qu’elles ne promettent pas, mais de vérifier les sujets et exercices qu’elles contiennent, puis de les associer à un besoin concret.
| Notion étudiée | Lien avec le projet | Preuve à conserver |
|---|---|---|
| Mathématiques et manipulation des données | Comprendre la structure des entrées et les transformations appliquées avant l’inférence. | Un exemple d’entrée annoté et le traitement correspondant dans le code. |
| Apprentissage automatique et évaluation | Distinguer une sortie plausible d’un résultat répondant réellement au besoin. | Des cas d’essai et une note expliquant le critère d’acceptation. |
| Modèles de langage | Formuler une requête, recevoir une réponse et repérer ses limites. | Un exemple reproductible avec l’entrée, la sortie et une limite observée. |
La preuve peut être un notebook, un petit programme ou un test automatisé, selon le contenu réellement proposé. Ne publiez pas seulement une capture d’écran : elle montre un résultat, mais rarement comment le reproduire. En conservant aussi les entrées et les étapes de lancement, vous saurez distinguer une expérience ponctuelle d’une réalisation qu’une autre personne peut examiner.
Passez de la base à une version utile, puis ajoutez les outils nécessaires
Pour transformer les contenus en projet d’IA pratique, avancez par incréments. Commencez par un flux complet mais étroit : une entrée, un traitement, une sortie visible. Ajoutez ensuite les outils, les comportements d’agent et l’intégration à l’application lorsque l’objectif les exige. Cette progression permet d’isoler les défauts et d’éviter de confondre les problèmes du modèle avec ceux de l’interface ou de l’environnement.
La phase officielle d’ingénierie des modèles de langage vous sert de référence pour vérifier les contenus concernant l’utilisation des modèles. Si le système doit appeler des services ou des fonctions, examinez les contenus sur les outils et protocoles depuis le programme officiel. Si votre projet doit choisir des actions en fonction d’un objectif, consultez la phase d’ingénierie des agents. L’examen des pages de phase vous permet de vérifier les exercices et explications présents dans le dépôt au lieu de supposer que leur contenu correspond à une description secondaire.
Vous pouvez organiser chaque incrément autour de quatre éléments : une tâche que l’utilisateur peut réellement accomplir, un chemin d’exécution visible, un cas d’échec que vous avez volontairement essayé et une modification documentée. Dans un outil créatif, par exemple, montrez l’entrée de départ, les choix effectués par l’application et le résultat exploitable ; ajoutez ensuite une manière simple de relancer la génération ou de corriger une sortie. Dans un assistant documentaire, démontrez qu’il répond à une question liée aux documents et qu’il signale lorsqu’il ne dispose pas d’éléments suffisants.
Point de vigilance : l’ajout d’un agent ne rend pas automatiquement une application meilleure. Si votre cas d’usage se résout par une réponse unique ou une fonction explicite, comparez cette version simple à l’approche avec outils. Conservez l’agent seulement si la capacité supplémentaire est visible et vérifiable.
Choisissez la prochaine étape selon les besoins, pas selon l’envie de tout terminer
Cette liste de décision vous aidera à choisir quoi étudier ensuite :
- Si vous ne parvenez pas à démarrer le dépôt ou à reproduire un exercice, revenez à la préparation de l’environnement et corrigez ce blocage avant d’ajouter de nouvelles fonctions.
- Si vous obtenez une sortie, mais ne savez pas dire si elle est correcte, travaillez les bases de l’évaluation et créez des cas d’essai avant d’ajouter des outils.
- Si l’application appelle déjà un modèle et que le projet exige une action externe, étudiez les contenus sur les outils et protocoles, puis vérifiez les autorisations et les erreurs de chaque appel.
- Si le projet doit décider entre plusieurs actions ou enchaîner des étapes, examinez l’ingénierie des agents ; si ce besoin n’existe pas, gardez une implémentation plus simple.
- Si vous pouvez démontrer le résultat mais qu’une autre personne ne peut pas l’exécuter, arrêtez d’ajouter des fonctions et améliorez plutôt les instructions, les tests et la gestion des erreurs.
Cette logique convient aussi à celles et ceux qui se demandent ce qu’ils pourront réaliser seuls après le cours. Il n’y a pas de projet garanti par l’achèvement d’un programme : votre résultat dépend des exercices que vous avez réellement pratiqués, du périmètre choisi et de la qualité de votre validation. Vous pouvez viser un assistant documentaire limité, un outil de traitement de contenu ou un prototype avec un agent, à condition de savoir expliquer ses entrées, ses sorties, ses limites et son mode d’exécution. Présentez ces projets comme vos réalisations, et non comme des fonctionnalités garanties par le cours.
Vérifiez le projet dans un environnement propre avant de le présenter
Terminer des leçons et livrer un projet montrable sont deux résultats différents. Pour vérifier le second, demandez à une autre personne — ou à vous-même sur une installation distincte — de suivre les instructions sans s’appuyer sur des étapes oubliées dans votre terminal. Le programme officiel reste la référence pour vérifier ses changements ; votre projet, lui, doit expliquer ses propres dépendances et conditions de lancement.
Avant de présenter le résultat, vérifiez les éléments suivants :
- Les instructions décrivent les étapes d’installation et de lancement dans le bon ordre.
- Le programme reçoit des entrées clairement définies et renvoie des sorties que l’on peut contrôler.
- Une entrée invalide, un service indisponible ou une réponse inattendue ne provoquent pas un échec silencieux.
- Un test ou une procédure manuelle permet de reproduire le parcours principal.
- La documentation indique ce que l’application ne fait pas encore et les limites que vous avez observées.
- Les exercices qui ont influencé vos choix sont reliés à leur fonction dans le projet, plutôt que présentés comme une simple liste de cours.
Pour constituer un portfolio, rassemblez le dépôt de code, des instructions de démarrage, une démonstration courte et une note de décision technique. Cette note peut expliquer pourquoi vous avez choisi une intégration directe plutôt qu’un agent, ou pourquoi vous avez ajouté un outil après avoir validé une version plus simple. Une telle présentation donne au lecteur des éléments pour évaluer votre raisonnement, au-delà d’une capture d’écran ou d’un certificat.
Continuez par des retours ciblés plutôt qu’en reprenant tout le programme
Une fois le prototype testé, transformez chaque problème observé en question d’apprentissage. Si vous ne comprenez pas pourquoi une donnée doit être transformée, retournez aux contenus pertinents sur les données et l’apprentissage automatique. Si les réponses sont difficiles à évaluer, reprenez les notions qui vous aident à établir des critères et des exemples de contrôle. Si un appel d’outil est mal défini, examinez les contenus correspondants avant de complexifier l’agent.
Gardez un journal de projet simple : problème rencontré, hypothèse, ressource consultée, modification effectuée et résultat après vérification. Cette trace vous évite de refaire une phase entière quand une notion précise suffit, et elle vous fournit des éléments concrets à expliquer en entretien ou dans une présentation de portfolio. Revenez également au dépôt officiel avant d’entamer une nouvelle étape : les versions publiées permettent de repérer les changements susceptibles de rendre vos notes ou vos liens obsolètes.
Préparez un environnement adapté au projet que vous voulez réellement exécuter
Vous pouvez apprendre sur votre ordinateur actuel si les outils et le système nécessaires à vos exercices y fonctionnent. En revanche, les essais créatifs audio ou vidéo, les outils propres à un système d’exploitation et les démonstrations destinées à une plateforme particulière peuvent rendre le choix de l’environnement plus important. Avant de louer une machine, vérifiez les instructions officielles de chaque exercice, les logiciels demandés et les contraintes de votre flux de travail ; ne choisissez pas une solution distante par principe.
Un environnement local vous évite une dépendance réseau et peut convenir si vous disposez déjà de tout ce qu’il faut. Un poste partagé ou une machine distante peut être moins adapté si vous perdez l’état des fichiers, ne contrôlez pas les installations ou devez reprendre le travail après une interruption. À l’inverse, louer une machine dédiée à un besoin temporaire peut éviter d’acheter un ordinateur uniquement pour une expérimentation ou une démonstration. Les limites restent réelles : vous devez disposer d’un accès fiable, vérifier les conditions de connexion et tenir compte du coût récurrent si le projet dure.
Pour examiner les possibilités d’environnement sans transformer votre parcours de cours en achat prématuré, comparez les solutions de développement disponibles selon les logiciels exigés, la continuité de vos fichiers et les conditions d’accès. Si votre projet exige effectivement un environnement Mac, les détails d’une location de Mac mini aux États-Unis vous aideront à comparer cette option à votre matériel actuel. Si celui-ci répond déjà aux exercices et que vous n’avez pas de contrainte de système, continuez en local : une location n’est pas une étape obligatoire pour apprendre.
Le meilleur itinéraire reste celui qui vous mène d’un exercice vérifiable à un projet reproductible, puis vous indique précisément quoi approfondir. Si votre solution actuelle vous oblige à partager une machine, à maintenir un environnement incomplet ou à renoncer à tester un flux propre à macOS, une location Mac chez Kvmzen peut être une option temporaire à comparer avec l’achat et le travail local. Si vous avez besoin d’une charge de travail permanente ou d’un accès physique particulier, évaluez d’abord ces contraintes : louer ne les fera pas disparaître.