Concevoir des applications d’IA générative et des agents

Ref. IA-03

Prochaine date :

Nous contacter

Objectifs de la formation

Comprendre les principes des LLM et leur intégration en développement logiciel
Découvrir et expérimenter les agents et les frameworks associés
Concevoir des agents fiables : supervision, journalisation et évaluation
Connecter un agent aux données et outils de l'entreprise (appels d'outils, MCP)
Appréhender les enjeux de confidentialité et l'alternative du déploiement local via Ollama
Intégrer un LLM (cloud ou local) dans une application Python

Équipe pédagogique

Experts en IA, data science et transformation numérique du CATIE – Centre de Ressources Technologiques spécialisé dans le numérique

Pour qui ?

Développeurs logiciels, data engineers
Ingénieurs R&D souhaitant intégrer des briques dʼIA générative dans leurs applications
Chefs de projet techniques en innovation numérique

Prérequis

Bonnes bases en développement Python
Aucune connaissance préalable en IA requise
Disposer d'un PC

Contenu de la formation

Introduction & panorama
- Qu'est-ce quʼun LLM et comment fonctionne un générateur de texte ?
Confidentialité et alternatives locales
- Enjeux de sécurité et gouvernance des données
- Risques liés aux API cloud (RGPD, dépendances, coûts)
- Présentation dʼOllama et des modèles open source disponibles
- Démonstration : exécution locale dʼun modèle
Premiers pas avec un LLM
- Appels API (OpenAI / Hugging Face)
- Comparaison Cloud vs Local
Agents & frameworks
- Qu'est-ce qu'un agent ? Architectures et cas d'usage
- Tour d'horizon des frameworks et outils du domaine
- Exploiter un assistant de code agentique (Claude Code) : serveurs MCP, bonnes pratiques
- Connecter un agent aux données et outils de l'entreprise (appels d'outils, MCP)
- Fiabilité et supervision des agents : journalisation et audit, gestion des échecs d'appel d'outils, évaluation
Adapter un modèle sans le réentraîner
- Prompt engineering (in context learning, chain of thought…) et RAG (Retrieval Augmented Generation)
- Évaluation des résultats et bonnes pratiques
- Sensibilisation au fine tuning (PEFT, LoRA) : de quoi il s'agit et dans quels cas l'envisager
Atelier
- Développement d'une application Python intégrant un agent (appel d'outils + RAG), avec journalisation et évaluation de son comportement — backend au choix (API cloud ou modèle Ollama local)
- Restitution et échanges
Conclusion & perspectives
- Bilan, tendances, bonnes pratiques
- Évaluation de la satisfaction des participants et remise des attestations
- Avec la formule intra entreprise : Questions ouvertes et discussion sur les cas dʼusage des participants

Ressource technique & pédagogiques

Alternance théorie / démonstrations / ateliers pratiques
Codes sources fournis
Support de formation numérique remis aux participants

Suivi et évaluation

Tours de table réguliers
Contrôle de connaissances via exercices pratiques
Évaluation de satisfaction
Attestation de fin de formation

Dernière mise à jour : 2026-09-21 - 10:19:37

Version : 1