Build Your Own AI

Qu’est-ce que Build Your Own AI ?

Build Your Own AI est un livre sur le développement d’applications IA ainsi qu’un projet d’apprentissage associé, écrit par Sebastian Wessel. Il explique, à l’aide de TypeScript et d’exemples concrets, comment créer des chatbots, des systèmes RAG, des appels à des outils et des agents intelligents.

Ce n’est pas une plateforme sans code qui permet de créer des applications en entrant simplement une phrase, et elle ne propose pas non plus de abonnements pour héberger des modèles. Le site officiel sert principalement à consulter le catalogue, à visualiser des extraits de chapitres, à voir des projets d’exemple et à acheter des livres électroniques.

Une phrase pour présenter

Build Your Own AI est un ensemble de tutoriels pratiques pour développeurs sur les LLM, qui met l’accent sur la compréhension des modèles sous-jacents et sur la création d’applications d’IA contrôlables avec un minimum de dépendances.

Auteur et positionnement d’apprentissage

L’auteur Sebastian Wessel présente ce livre comme un guide pratique « écrit par des développeurs pour des développeurs », adapté aux débutants, aux programmeurs ayant déjà des bases et aux amateurs d’applications d’IA. Le contenu n’a pas pour objectif principal la recherche scientifique ou l’entraînement de modèles de base.

L’exemple utilise TypeScript, Bun et des requêtes réseau directes, en minimisant autant que possible les abstractions des frameworks. Le lecteur peut transférer l’idée de base à Python, Java, Go ou d’autres langages.

Contenu principal d’apprentissage

Fondements des grands modèles de langage

Les chapitres de base expliquent des concepts tels que les modèles de langage, le stockage des connaissances, la tokenisation et le contexte. L’objectif est d’aider les développeurs d’applications à comprendre les entrées et sorties des modèles, plutôt que de s’attarder sur les dérivationes mathématiques.

Modèle en exécution locale

Le livre présente LM Studio et Ollama pour aider les lecteurs à exécuter des modèles gratuits sur leur propre ordinateur. Cela permet de réduire la dépendance aux interfaces externes et d’observer les compromis entre le matériel, la vitesse et la taille des modèles.

La première application d’IA

Les lecteurs commenceront par des requêtes de base, puis ajouteront progressivement l’historique des conversations, les messages du système et le contrôle du comportement. Les exemples évitent de cacher la logique, ce qui facilite la compréhension de la fonction de chaque champ de requête.

Conseils en ingénierie

Le contenu couvre des modèles tels que les suggestions du système, le raisonnement, l’autoréflexion et les suggestions de l’assistant de code. Les suggestions ne font qu’une partie du système et ne peuvent pas remplacer les données, l’évaluation, les permissions ni la gestion des erreurs.

Amélioration de la génération par recherche RAG

Les chapitres RAG couvrent la création de bases de connaissances, la recherche vectorielle, l’évaluation des réponses et l’amélioration de la récupération. Le lecteur apprendra à faire en sorte que le modèle donne des réponses en se basant sur ses propres documents, plutôt que de dépendre uniquement de la mémoire des paramètres.

Graphes de connaissances et construction de données

Le livre explique en détail l’extraction de connaissances, les graphes de connaissances, les ensembles de données de questions-réponses et la revue des données. Il est destiné aux développeurs qui doivent transformer du contenu non structuré en connaissances consultables.

Sélection et évaluation des modèles

Le tutoriel compare des modèles tels que Llama et Qwen, et aborde la température, le contexte et l’efficacité sur les tâches. Les versions des modèles évoluent rapidement ; le lecteur doit considérer cette méthode comme un modèle d’évaluation, et non comme un classement définitif.

Appel d’outil

La section sur les appels d’outils montre comment faire en sorte que le modèle déclenche des fonctions et interagisse avec l’environnement extérieur, tout en présentant les appels d’outils modernes et leurs implémentations simplifiées. L’accent est mis sur les paramètres structurés, les permissions et la restitution des résultats.

Environnement de programmation IA Buddy

Le projet complémentaire Buddy démontre un IDE piloté par l’IA dans le navigateur, comprenant la génération de code, des outils de système de fichiers et des connaissances sur les projets. Il s’agit d’une démonstration pédagogique et ne doit pas être considéré comme un environnement de développement commercial mature.

Agent intelligent IA

Les chapitres suivants expliquent les agents de liste de contrôle, les agents factuels et les extensions d’agents. Le lecteur pourra comprendre comment la séparation des tâches, les boucles, les outils et les conditions de finition s’associent.

Ajustements fins et sélection RAG

Le livre fournit les bases de l’ajustement fin et compare les cas d’usage de l’ajustement fin à ceux du RAG. La plupart des problèmes de mise à jour des connaissances conviennent mieux au RAG, tandis que seuls les problèmes de stabilité du format et du comportement pourraient nécessiter un ajustement fin.

Aperçu de la structure des chapitres

Pour quels lecteurs

• Développeurs front-end et full-stack : vouloir comprendre les applications d’IA plutôt que de se contenter d’utiliser des frameworks préexistants.
• Développeur backend : Il faut mettre en œuvre les interfaces de chat, RAG et d’appel d’outils.
• Utilisateurs de TypeScript : souhaitent apprendre les applications LLM avec un langage familier.
• Développeurs autres que Python : vouloir maîtriser des patterns universels et transférables.
• Développeur indépendant : Prêt à développer des prototypes d’IA locaux ou cloud.
• Responsable technique : Il est nécessaire d’évaluer les solutions RAG, les agents intelligents et le fine-tuning.

Pour quels besoins ce n’est pas adapté

• Utilisateurs qui souhaitent créer des sites web ou des agents intelligents sans avoir à programmer.
• Lecteurs ayant besoin d’une démonstration mathématique complète et d’une étude sur l’entraînement des modèles de base.
• Les entreprises qui souhaitent uniquement acheter un service de chatbot hébergé.
• Équipes ayant besoin de droits d’entreprise prêts à l’emploi, d’audit et de garanties de service.
• Projets qui espèrent mettre le code en production directement, sans effectuer de modifications de sécurité.

Achat et prix

Le site officiel propose un accès à la boutique de l’auteur ainsi qu’à d’autres librairies pour effectuer des achats. Au 24 août 2026, la page de la boutique de l’auteur exige une vérification de sécurité, et la page publique ne montre pas de prix unique pouvant être vérifié directement.

Les différents magasins, pays, monnaies, formats de livres électroniques et promotions peuvent entraîner des variations de prix. Avant d’acheter, il convient de se référer au montant affiché sur la page du magasin final, aux taxes, au format du fichier, au nombre de téléchargements et aux conditions de remboursement.

L’achat de livres ne comprend pas de crédits pour les modèles cloud, et ne garantit pas non plus la gratuité des services tiers mentionnés dans les exemples. L’utilisation de modèles locaux nécessite des ressources en matériel, en énergie et en stockage, tandis que l’appel à des modèles commerciaux est facturé selon les prix du fournisseur.

Exigences environnementales avant l’apprentissage

• VS Code, Zed ou d’autres éditeurs de code.
• Bun en temps de exécution et gestionnaire de paquets.
• Navigateur web moderne.
• Environnement de exécution Docker.
• Espace disque suffisant pour le modèle local.
• Il est recommandé au moins 16 Go de mémoire, et 32 Go ou plus pour une meilleure expérience.
• Pour les grands modèles locaux, il est recommandé d’utiliser une GPU RTX 3080 ou supérieure.

Il est possible d’apprendre les interfaces et l’architecture même sans carte graphique haute performance, mais la vitesse de déduction locale sera limitée. Les lecteurs peuvent choisir des modèles quantifiés plus petits ou des interfaces externes pour accomplir certaines sections.

Itinéraire de formation recommandé

1. Lisez d’abord les chapitres de base sur les modèles, les tokens et le contexte.
2. Installer Bun, Docker et Ollama, puis exécuter un petit modèle.
3. Terminer la demande de chat de base et enregistrer l’historique de plusieurs tours.
4. Pratiquer les indications systématiques et la sortie structurée.
5. Créer la première base de connaissances RAG à l’aide d’un petit nombre de documents.
6. Créer des questions de test pour comparer la précision de la recherche et des réponses.
7. Ajouter un outil en lecture seule pour valider les paramètres et gérer les erreurs.
8. Exécuter l’exemple Buddy pour comprendre les outils de fichiers et les connaissances du projet.
9. Créer un agent intelligent simple et définir le nombre maximal d’étapes ainsi que les conditions de cessation.
10. Enfin, comparons la portée d’application de RAG, des prompts et du fine-tuning.

Comment utiliser le code d’accompagnement

1. Accédez à l’organisation GitHub officielle et sélectionnez le répertoire d’exemples de livres.
2. Lisez le README, les exigences d’environnement et la licence.
3. Copiez l’exemple de variable d’environnement, ne soumettez pas la clé réelle.
4. Exécutez l’exemple minimal par chapitre pour vérifier la connexion du modèle local et de la base de données.
5. Modifier un paramètre et observer les changements dans la sortie.
6. Créer ses propres échantillons de test pour RAG et les agents intelligents.
7. Ne mettez pas le code de démonstration directement en ligne.
8. Vérifier à nouveau les licences et les licences dépendantes avant d’utiliser pour des projets commerciaux.

Projet GitHub officiel

Faire particulièrement attention à la licence du code

La licence du dépôt d’exemples de livres est la version 4.0 internationale de Creative Commons Attribution-NonCommercial-InterdictionD’adaptation. Cette licence autorise le partage à des fins non commerciales, mais interdit l’utilisation commerciale et restreint la distribution publique de versions modifiées.

Par conséquent, « le dépôt public » n’équivaut pas à la définition courante du logiciel open source, et ne peut pas être utilisé par défaut dans des produits commerciaux. Pour le modifier, le publier ou l’utiliser à des fins commerciales, une autorisation distincte de l’auteur est requise.

Signification de la licence

• Voir et apprendre du code ne pose généralement pas de problème.
• Pour partager des matériaux originaux, il est nécessaire de conserver les crédits et les informations sur la licence.
• Les matériaux autorisés ne doivent pas être principalement utilisés à des fins de profit commercial.
• Le matériel modifié ne peut pas être partagé publiquement sous cette licence.
• Les dépendances envers des tiers restent soumises à leurs licences respectives.
• Les projets commerciaux doivent obtenir une licence distincte auprès de l’auteur.

Avantages du projet

• Axé sur l’application pratique, sans s’en tenir aux exemples de prompts.
• Couvre le modèle local, RAG, les appels d’outils et l’ensemble du flux des agents.
• Utiliser TypeScript, adapté aux développeurs Web.
• Réduire l’abstraction du cadre pour faciliter la compréhension des réseaux et des structures de données de base.
• Le code d’exemple est public, ce qui facilite le débogage par chapitre.
• Insister sur l’évaluation des réponses trouvées et la comparaison des différents modèles.
• Pas de lien avec un modèle unique, une plateforme cloud ou un langage de programmation.

Restrictions d'utilisation et précautions

• La vitesse de mise à jour du contenu peut être inférieure à celle des modèles et interfaces en évolution rapide.
• Les exemples sont axés sur l’enseignement et ne correspondent pas à des solutions de sécurité et d’éscalabilité de niveau professionnel.
• Les modèles locaux ont des exigences élevées en termes de GPU, de mémoire et de disque.
• Certaines outils et versions de modèles peuvent différer de ceux décrits dans le livre.
• La licence du code restreint l’utilisation commerciale et la distribution d’œuvres dérivées.
• Buddy ne dispose d’aucune version officielle et n’est donc pas adapté comme environnement de développement critique.
• Le prix officiel actuel du livre électronique ne peut pas être consulté sur la page publique.
• Les lecteurs doivent encore compléter l’authentification, les droits d’accès, la surveillance et la protection des données.

Quel complément est nécessaire pour passer de l’exemple à la production

• Droits d’accès aux comptes, organisations et rôles.
• Gestion des clés, limitation de débit et budget des coûts.
• Tests d’injection de suggestions, d’appels d’outils hors des limites autorisées et de fuites de données.
• Masquage des journaux, suivi, alertes et audit.
• Ensemble d’évaluation hors ligne et surveillance continue de la qualité.
• Réessai, fallback et dégradation en cas d’indisponibilité du modèle.
• Processus de conservation, de suppression des données et de droits des utilisateurs.
• Listes de dépendances, vérification des licences et analyse de la chaîne d’approvisionnement.

Confidentialité et sécurité

L’exécution locale des modèles peut réduire l’envoi de texte aux fournisseurs cloud, mais l’application peut encore écrire des données dans les journaux, les bases de données vectorielles et le stockage du navigateur. Les développeurs doivent examiner l’ensemble du parcours des données.

Lors de l’apprentissage, ne mettez pas les documents clients, les informations personnelles et les clés de production dans les projets d’exemple. Lorsque vous utilisez des interfaces de modèles externes, vous devez lire les règles de conservation des données et de formation du fournisseur.

API et forme du produit

BuildOwn.AI enseigne comment appeler l’interface du modèle, mais il n’est pas lui-même un fournisseur d’API de modèle. La classification des catégories convient mieux à « Ressources d’apprentissage de l’IA » ou « Tutoriels pour développeurs », plutôt qu’à « Générateur d’applications IA ».

Informations de base

Questions fréquentes

Build Your Own AI est-il un outil d’IA ?

Il s’agit principalement d’une série de livres pour développeurs et de codes associés, et non d’une plateforme en ligne permettant de créer directement des applications. Les lecteurs doivent programmer et exécuter les modèles eux-mêmes.

Faut-il connaître Python ?

Ce n’est pas nécessaire, le livre utilise TypeScript pour l’explication et insiste sur le fait que les modèles fondamentaux peuvent être transférés à d’autres langages. Avoir une expérience de base en programmation facilite l’apprentissage.

Faut-il une carte graphique haut de gamme ?

Tous les chapitres ne sont pas nécessaires, mais l’exécution locale de modèles volumineux est fortement influencée par le matériel. Il est recommandé d’avoir au moins 16 Go de mémoire et d’utiliser des modèles quantifiés appropriés.

Combien coûtent les livres électroniques ?

La boutique de l’auteur est actuellement protégée par une vérification de sécurité ; les pages publiques ne affichent pas de prix unique confirmable. Il convient de se référer à la boutique réelle et à la page de paiement.

Le code peut-il être utilisé à des fins commerciales ?

L’utilisation à des fins commerciales n’est pas présumée ; les dépôts d’exemples sont soumis à une licence non commerciale interdisant toute dérivation. Les projets commerciaux doivent obtenir une autorisation distincte de l’auteur et vérifier les licences des dépendances.

Le projet est-il open source ?

Le code est accessible au public, mais les restrictions de licence ne correspondent pas aux conditions d’utilisation et de modification libres propres aux logiciels open source courants. Il convient de le qualifier précisément comme projet d’apprentissage à code ouvert.

Résumé

Build Your Own AI est destiné aux développeurs qui souhaitent vraiment comprendre la structure des applications LLM, en particulier ceux ayant une expérience en TypeScript et en technologies Web. Son avantage réside dans un parcours complet et des exemples transparents, mais le prix d’achat, les exigences en matière de matériel, les licences de code ainsi que les modifications nécessaires pour assurer la sécurité de la production doivent être confirmés à l’avance.