Ingénierie IA et Architectures Agentiques : De la Conception à la Production

Ce bootcamp intensif de 5 jours est destiné aux développeurs et ingénieurs logiciels souhaitant maîtriser la création de systèmes d'Intelligence Artificielle complexes. En s'appuyant sur les derniers standards de l'industrie, vous apprendrez à construire des pipelines RAG avancés (vectorisés et vectorless), à orchestrer des architectures multi-agents (avec LlamaIndex, Agno, LangGraph, CrewAI, ect…) et à exploiter tout le potentiel de l'IA Générative via des API ou des modèles déployés en local. L'accent est mis sur l'évaluation continue (LLMOps), la fiabilité et la sécurité pour garantir des applications IA performantes en environnement de production. Intra-entreprise (sur site, distanciel ou mixte) Tarif adhérent : 7 500€ HT/entreprise Tarif non-adhérent : 8 900€ HT/entreprise

Comprendre les mécaniques internes des modèles d'IA Générative et savoir interagir avec eux via API ou en déploiement local sécurisé.
Concevoir et optimiser des systèmes de RAG (Retrieval-Augmented Generation) avancés, en maîtrisant les approches vectorisées et vectorless.
Développer et orchestrer des workflows multi-agents autonomes en choisissant les modèles cognitifs et les frameworks adaptés.
Standardiser les interactions entre les agents IA et le système d'information externe via le Tool Use et le Model Context Protocol (MCP).
Mettre en place des stratégies d'évaluation (AI-as-a-Judge) et d'observabilité (GenAIOps) pour fiabiliser et sécuriser les déploiements en production.

Pour qui

Développeurs Back-end et Full-stack
Ingénieurs IA / Machine Learning et Data Engineers
Architectes Logiciels et Tech Leads

Prérequis

Maîtrise d'un langage de programmation orienté backend (Python fortement recommandé, ou Node.js/TypeScript).
Expérience dans la conception et l'intégration d'API REST.
Connaissances de base des bases de données (SQL/NoSQL) et de Git.
Pas de prérequis nécessaires sur l'entraînement de modèles de Machine Learning (la formation se concentre sur l'ingénierie applicative).

Les fondamentaux des moteurs d'IA Générative : architecture Transformer, modèles de diffusion (image/vidéo), fenêtre de contexte, limites inhérentes (hallucinations), et gestion des coûts (tokens, latence).
Agnosticisme, Multimodalité et Souveraineté : différences et cas d'usage entre les modèles propriétaires SaaS (OpenAI, Claude, Gemini) et l'open-source.
Déploiement et exécution de modèles en local : utilisation d'outils comme Ollama ou vLLM (Llama, Mistral) pour répondre aux enjeux de "Privacy by Design", de souveraineté des données.
Intégration programmatique et "Structured Output" : gestion du flux asynchrone, streaming (Server-Sent Events) pour une UX fluide, et techniques pour forcer un modèle à répondre en JSON strict (ou via un schéma Pydantic).
Mises en application : Créer un micro-service backend hybride, capable d'interroger dynamiquement une API tierce (SaaS) et un modèle exécuté en local, en garantissant un formatage déterministe et une gestion d'erreurs robuste.

Le pipeline de la donnée : ingestion via connecteurs, transformation et algorithmes de chunking sémantique adaptés au texte et aux images.
La révolution du Retrieval : comparaison approfondie entre les approches RAG vectorisées (Embeddings, bases de données vectorielles type Pinecone/Qdrant, similarité cosinus) et les approches RAG "vectorless" (recherche lexicale avancée BM25, modèles d'interaction tardive comme ColBERT, ou extraction via des Graphes de Connaissances purs).
Stratégies de requêtage complexes : recherche hybride (combinant sémantique et lexicale), routage de requêtes (Query Routing), décomposition en sous-requêtes (Sub-queries) et RAG Multimodal (analyse simultanée d'images, graphiques et textes).
Mises en application : Construire un pipeline RAG multimodal sur une documentation d'entreprise complexe en implémentant une stratégie de recherche hybride (vectorisée + vectorless/BM25) couplée à un routeur de requêtes intelligent.

Du Chatbot à l'Agent Autonome : modélisation cognitive des agents, paradigme ReAct (Reason + Act), architectures Plan-and-Execute, et boucles d'auto-réflexion.
Architecture de la mémoire : concevoir et différencier la mémoire à court terme (contexte de session), la mémoire épisodique (historique des actions) et la mémoire sémantique (base de connaissances persistante).
Systèmes Multi-Agents (Orchestration) : comprendre les philosophies des frameworks leaders de l'industrie, en opposant l'approche déterministe par Graphes d'états (machines à états cycliques comme LangGraph) à l'approche probabiliste de Collaboration basée sur les rôles (comme CrewAI ou AutoGen).
Mises en application : Créer un workflow multi-agents complet (ex: un agent chercheur, un agent créateur de contenu visuel/textuel, un agent validateur) orchestré de manière stricte par un graphe de contrôle d'état.

Donner des actions aux agents via le Function Calling (Tool Use) : comprendre comment une IA Générative décide d'appeler une fonction externe (API métier, génération d'image, base de données) et comment lui réinjecter le résultat pour la suite de son raisonnement.
Résilience et gestion des erreurs de l'agent : implémenter des mécanismes défensifs cruciaux tels que les boucles de réessai (retries), les timeouts dynamiques et les solutions de repli (fallbacks).
Le Model Context Protocol (MCP) : comprendre ce nouveau standard architectural client-serveur pour connecter des agents IA à des sources de données locales ou distantes (Slack, GitHub, BDD) de manière interopérable et hautement sécurisée.
Mises en application : Développer de A à Z un serveur MCP personnalisé, permettant à un agent IA d'interagir de manière encadrée avec une base de données ou un outil interne critique de l'entreprise.

Évaluation des systèmes probabilistes (Evals) : comprendre l'insuffisance des tests unitaires classiques et adopter l'approche "AI-as-a-Judge". Utilisation de frameworks spécialisés (ex: RAGAS) pour mesurer la pertinence, la fidélité, et l'exactitude contextuelle des réponses d'un RAG ou d'un agent.
Observabilité et Traçabilité (Tracing) : visualiser le cheminement de "pensée" d'un agent, chronométrer chaque étape d'orchestration, et auditer le coût exact des appels (via des outils comme LangSmith, Phoenix ou similaires).
Sécurité et Déploiement : mise en place de garde-fous (Guardrails) pour prévenir les prompt injections, filtrer les contenus inappropriés (texte/image) à la volée, et stabiliser le comportement de l'application en production.
Mises en application : Intégrer un pipeline d'évaluation automatisé sur le système RAG du Jour 2, et analyser finement les traces d'exécution pour en optimiser conjointement les performances, la latence et les coûts.

Hamza HAMMOUCHE – Formateur IA Proovup – hhammouche@proovup.com Stéphane MOSNIER – Référent pédagogique – s.mosnier@digital-league.org Julia DELRIEU - Référente handicap j.delrieu@digital-league.org Quentin POYET Référent administratif et financier – q.poyet@digital-league.org

Emargements numériques
Exercices & mises en pratique pendant la formation.
Autoévaluation sur les objectifs en fin de formation.
Questionnaires d'évaluation préformation + à chaud + à froid
Certificat de réalisation de l’action de formation.

Accueil des apprenants dans une salle dédiée à la formation.
Documents supports de formation projetés.
Exposés théoriques
Etude de cas concrets
Mise à disposition en ligne de documents supports à la suite de la formation.

Entre 2 et 8 apprenants

3 semaines

Les personnes en situation de handicap souhaitant suivre cette formation sont invitées à nous contacter directement, afin d'étudier ensemble les possibilités de suivre la formation.

Résultats de la recherche

Ingénierie IA et Architectures Agentiques : De la Conception à la Production

Objectifs de la formation

Profil des bénéficiaires

Contenu de la formation

Équipe pédagogique

Suivi de l'exécution et évaluation des résultats

Ressources techniques et pédagogiques

Capacité d'accueil

Délai d'accès

Accessibilité