Nb. de jours
4
Présentiel ?
Oui
Distanciel ?
Oui
Min. participants
2
Max. participants
8
Lieu
Toulouse, Paris, etc.
Tarif
2800€ HT
L’Intelligence Artificielle connaît une accélération et une mutation sans précédent. Si les grands modèles de langage (LLM) basés sur l’architecture Transformers ont révolutionné le traitement du langage naturel, leur déploiement se heurte encore à des limites majeures en entreprise : des connaissances figées dans le temps, des coûts d'utilisation parfois élevés et un risque persistant d'hallucinations. Le Retrieval-Augmented Generation (RAG) a apporté une première réponse indispensable à ces défis en connectant les modèles à des sources d'informations externes, garantissant ainsi des réponses plus factuelles, précises et contextualisées.
Cependant, les exigences de l'industrie évoluent : les applications linéaires ne suffisent plus. On assiste aujourd'hui au passage d'une IA purement réactive à une IA Agentique. Les organisations ont désormais besoin de collaborateurs autonomes capables de planifier des actions, de raisonner en boucle, d'exploiter des outils métiers et de collaborer entre eux pour résoudre des objectifs complexes sans nécessiter une intervention humaine constante. C'est précisément l'objectif de LangGraph, le framework d'orchestration le plus puissant pour modéliser des boucles de raisonnement sophistiquées et des systèmes multi-agents.
Cette formation intensive de 4 jours est construite pour opérer cette transition décisive. Conçue pour les profils techniques, elle offre une progression fluide depuis les fondements des LLM et la maîtrise des architectures RAG jusqu'à la conception d'agents autonomes et dynamiques.
À l’issue de ce cursus, vous maîtriserez l'ensemble de la chaîne de valeur : vous serez capable d'injecter efficacement vos connaissances métiers et d'orchestrer des graphes d'agents robustes, résilients et prêts à collaborer pour répondre aux besoins concrets de votre entreprise.
Objectifs
- Assimiler les fondements et limites des LLM : Comprendre les bases théoriques et pratiques de l'architecture Transformers ainsi que les enjeux et les limites des grands modèles de langage.
- Développer des architectures RAG de niveau industriel : Maîtriser les concepts clés du Retrieval-Augmented Generation et construire des pipelines performants, de l'indexation des données à la génération de réponses.
- Saisir la valeur stratégique de l'IA Agentique : Appréhender les principes fondamentaux de l'Agentic AI (cycles de planification, réflexion et action) pour dépasser les limites des systèmes réactifs traditionnels.
- Maîtriser les composants techniques de LangChain et LangGraph : Prendre en main les briques logicielles fondamentales (LCEL, expressions de chaînes, graphes, états partagés, nœuds et arêtes) nécessaires à la modélisation de flux dynamiques.
- Concevoir des agents autonomes et résilients : Implémenter l'autonomie applicative en construisant des agents capables d'utiliser des outils et de raisonner de manière itérative via le modèle ReAct.
- Orchestrer des systèmes multi-agents complexes : Modéliser, développer et superviser la collaboration ainsi que le routage des flux entre plusieurs agents spécialisés.
Pour connaitre les dates des prochaines sessions,
pour adapter le programme à vos besoins
ou pour obtenir des informations complémentaires,
contactez nous!
pour adapter le programme à vos besoins
ou pour obtenir des informations complémentaires,
contactez nous!
Méthode pédagogique
- Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
- Une évaluation quotidienne de l’acquisition des connaissances de la veille est effectuée.
- Une synthèse est proposée en fin de formation.
- Une évaluation à chaud sera proposée au stagiaire à la fin du cours.
- Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
- Une feuille d’émargement par demi-journée de présence est fournie en fin de formation ainsi qu’une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.
- Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.
Pré-requis
La connaissance du langage Python est nécessaire. Des bases en machine/deep learning sont requises.Publics
- Data Engineers
- Data Scientists
- Développeurs
Évaluation
Cette formation ne nécessite pas d’avoir recours à une évaluation formalisée des acquisProgramme
Des LLM aux Architectures RAG — Comprendre les Fondations
Les grands modèles de langage (LLM)
- Évolution historique de l'Intelligence Artificielle vers les LLM.
- Principes fondamentaux des réseaux de neurones appliqués au traitement du texte.
- Concepts de représentations vectorielles et d'embeddings.
- Le cœur de la révolution : l'architecture globale des modèles Transformers.
- Panorama et tour d'horizon des modèles les plus populaires du marché.
- Analyse critique des limites des LLM, introduction aux concepts clés et à l'architecture du RAG.
Plongée au cœur des Transformers
- Analyse et décryptage de l'article de recherche fondateur « Attention is all you need ».
- Compréhension mathématique et logique des mécanismes d'attention.
- Maîtrise des composants structurels : skip connections, tokens, positional encoding et embeddings.
LangChain et l'Industrialisation des Pipelines RAG
Prise en main de l'Écosystème LangChain
- Présentation complète du framework LangChain et de l'étendue de ses fonctionnalités.
- L'art de l'assemblage avec LangChain Expression Language (LCEL) : manipulation des Runnables et conception de chaînes (Chains).
Architecture et Ingénierie du RAG
- Pipeline d'injection (Ingestion) : Stratégies de découpage de documents (chunking), sélection des modèles d'embeddings et exploitation des bases de données vectorielles.
- Pipeline de génération (Retrieval & Generation) : Algorithmes avancés de recherche d'information, méthodes de gestion de la mémoire et optimisation du contexte.
Ingénierie de Prompt et Stratégies de Raisonnement
- Mise en œuvre des techniques de prompting : zero-shot, few-shot, Chain-of-Thought, Tree-of-Thought
- Introduction au modèle ReAct.
L'Émergence de l'IA Agentique et l'Orchestration avec LangGraph
Théorie et Enjeux de l'IA Agentique
- Définition de l'Agentic AI à travers son cycle d'autonomie : Perception, Raisonnement, Action et Apprentissage.
- Analyse comparative : Agents traditionnels vs IA générative simple vs IA agentique proactive.
- Le modèle de raisonnement ReAct (Reasoning and Acting) et son rôle pivot dans l'autonomie du système.
- Synergie entre la configuration des prompts et l'intégration d'outils externes (Tools) pour garantir un comportement fiable.
Fondations et Concepts Clés de LangGraph
- Pourquoi s'appuyer sur LangGraph pour orchestrer des agents complexes ?
- Concepts architecturaux fondamentaux : Graphes (Graphs), États partagés (States), Nœuds (Nodes) et Arêtes (Edges).
- Modélisation et structuration d'un État de graphe structuré pour piloter finement les flux d'entrées/sorties.
Robustesse et Fiabilité de l'Agent
- Gestion avancée de l'état global et des mécanismes de mémoire applicative.
- Patterns d'auto-correction et stratégies de résilience face aux échecs.
Orchestration Multi-Agents, Workflows Complexes et Qualité
Conception d'Architectures Multi-Agents
- Cartographie et découverte des différentes architectures multi-agents.
- Analyse des modèles d'interaction : exécution séquentielle (Pipeline) vs espaces d'échange ouverts (Group Chat).
- Acheminement et aiguillage dynamique des flux de communication grâce à l'Agent Routeur (Router Agent).
Modélisation de Systèmes Complexes
- Conception et implémentation de processus métiers structurés sous forme de workflows en chaîne.
- Intégration de boucles d'approbation humaine (Human-in-the-loop) et de mécanismes de consolidation des résultats.
Qualité, Observabilité et AgentOps
- Garantir le passage en production : outillage pour l'observabilité, la journalisation des flux, le traçage des exécutions, l'évaluation et le suivi des métriques de performance.
