Kit Enseignants

Un programme progressif pour enseigner l'IA/ML avec des modèles locaux.

9 modules. De "Qu'est-ce qu'un token ?" à "J'ai contribué à de la vraie recherche en IA." Gratuit. Local. Visuel. Aucun coût cloud. Aucune clé API pour les étudiants.

Pourquoi LLMxRay pour l'enseignement ?

Avantage	Détails
Gratuit	Pas de clés API, pas de coûts cloud, pas d'abonnements étudiants. Zéro budget nécessaire.
Local	Toutes les données restent sur la machine de l'étudiant. Aucun souci de confidentialité, aucune politique institutionnelle de données.
Visuel	Les étudiants voient les tokens arriver en temps réel, observent la coloration de confiance, explorent les chaînes de raisonnement. Les concepts abstraits deviennent tangibles.
Sûr	Aucun risque que les étudiants génèrent accidentellement des coûts cloud ou exposent des données sensibles.
Multiplateforme	Fonctionne sur Windows, macOS et Linux. Déploiement via npx llmxray, Docker ou git clone.
Prêt pour la recherche	Chaque expérience est reproductible. Les étudiants contribuent de véritables résultats à la communauté open-source.

Intégration dans les cours

LLMxRay s'intègre naturellement dans :

• Introduction à l'IA/ML — Comprendre comment les modèles de langage génèrent du texte
• Traitement du langage naturel — Analyse de tokens, embeddings, similarité sémantique
• Génie logiciel — Intégration d'API, tool calling, prompt engineering
• Science des données — Méthodologie de benchmark, analyse statistique des sorties de modèles
• Éthique de l'IA — Exploration des biais des modèles, détection des hallucinations, équité linguistique

---

Le programme

Le parcours : Observer → Mesurer → Questionner → Découvrir → Construire → Contribuer

Chaque module s'appuie sur le précédent. Les étudiants progressent de l'observation à l'expérimentation, puis à la recherche originale.

Module	Titre	Durée	Difficulté	Le Moment Eureka
1	Qu'est-ce qu'un token ?	45 min	Débutant	L'IA ne pense pas en mots — elle pense en tokens
2	Comment fonctionne la Température ?	60 min	Débutant	La température n'est pas un curseur linéaire — c'est une transition de phase
3	L'IA peut-elle mentir ?	90 min	Intermédiaire	Une confiance élevée ne signifie pas la vérité
4	Que voit le modèle ?	45 min	Intermédiaire	Les embeddings capturent le sujet, pas le sentiment
5	Quand le modèle oublie-t-il ?	60 min	Intermédiaire	Le contexte n'est pas de la mémoire — c'est une fenêtre glissante
6	L'IA peut-elle utiliser des outils ?	60 min	Intermédiaire	Le tool calling est du pattern matching, pas de la compréhension
7	Comment comparer les modèles ?	90 min	Avancé	Aucun modèle n'est universellement le meilleur
8	La vue d'ensemble	120 min	Avancé	Vous pouvez contribuer à de la vraie recherche en IA
9	Ce que coûtent les mots	60 min	Intermédiaire	Les tokeniseurs ont un biais linguistique — même sens, coût différent

Modules disponibles

Les 9 modules sont tous disponibles. Chaque module contient des exercices pratiques avec LLMxRay, un contexte conceptuel ancré dans la recherche publiée, et des options d'évaluation.

---

Ateliers rapides "Moment Eureka"

Exercices autonomes de 15 minutes pour n'importe quel cours — aucun engagement dans le programme requis :

Atelier	La surprise	Durée
L'atelier hallucination	Les modèles inventent de l'histoire avec assurance	15 min
Le biais du tokenizer	La même phrase, 5x plus de tokens dans certaines langues (Module 9 couvre ce sujet en profondeur)	15 min
Le test du perroquet	Les modèles ne peuvent pas répéter un texte mot pour mot — ils génèrent, ils ne rappellent pas	15 min
La fuite du prompt système	Les étudiants extraient un prompt système "secret"	15 min
La galerie d'art de la température	Le même prompt à 8 températures affiché sous forme de galerie	15 min
La révélation du raisonnement	Observez DeepSeek-R1 raisonner étape par étape sur un problème de mathématiques	15 min

Les guides détaillés de ces ateliers arrivent prochainement.

---

Configuration matérielle requise

Minimum (petits modèles uniquement)

• RAM : 8 Go
• Stockage : 10 Go libres
• GPU : Non requis (l'inférence CPU fonctionne)
• Modèles : Modèles de 1B à 3B paramètres (ex. llama3.2:1b)

Recommandé (pour tous les modules)

• RAM : 16 Go
• Stockage : 20 Go libres
• GPU : 6+ Go de VRAM (inférence nettement plus rapide)
• Modèles : Jusqu'à des modèles de 7B-8B paramètres

Installation en salle informatique

Option A — Installation par étudiant : Chaque machine exécute Ollama + LLMxRay de manière indépendante.

# Sur chaque machine :
ollama pull llama3.2
npx llmxray

Option B — Serveur Ollama partagé : Une machine puissante exécute Ollama, les étudiants se connectent via les paramètres de LLMxRay.

# Sur le serveur GPU :
OLLAMA_HOST=0.0.0.0 ollama serve

# Sur chaque machine étudiante :
npx llmxray --ollama-url http://gpu-server:11434

Option C — Déploiement Docker :

docker compose -f docker-compose.example.yml up

---

Options d'évaluation

Chaque module propose plusieurs formats d'évaluation. Choisissez en fonction de votre cours :

Format	Idéal pour	Module type
Réflexion écrite (300 mots)	Individuel, tout niveau de cours	Modules 1, 4, 5
Tableau d'analyse de données + rapport	Cours de science des données, NLP	Modules 2, 3, 7
Diaporama / présentation	Travail en groupe, séminaires	Modules 3, 7
Démo en direct + revue de code	Génie logiciel	Module 6
Rapport de recherche complet	Avancé / projet de fin d'études	Module 8

---

Obtenir de l'aide

• GitHub Discussions — Aide — Posez vos questions sur l'installation ou l'utilisation
• Documentation — Guide utilisateur complet
• Rapports de bugs — Signalez des problèmes avec les modèles structurés

---

Vous utilisez LLMxRay dans votre cours ? Nous aimerions en entendre parler. Partagez votre expérience dans les GitHub Discussions.