IA pour développeurs
Applications LLM : de l’idée au déploiement
Des fondamentaux des LLM à l’application déployée : prompts, RAG, agents, sécurité et suivi en production.
- Durée
- 21 h · 3 jours
- Niveau
- Intermédiaire
- Format
- Présentiel · Distanciel · Mixte
- Effectif max.
- 12 participants
Présentation
Ce programme montre comment construire une application s’appuyant sur un grand modèle de langage. Les participants comprennent le fonctionnement des modèles, construisent des chaînes avec un framework, branchent des données externes grâce à un RAG, ajoutent des outils et des agents, puis déploient avec une API ou une interface simple. Ils abordent coûts, sécurité, supervision et gestion des versions, et terminent par un mini-projet.
À qui s’adresse ce programme
- Développeurs Python
- Data scientists et ingénieurs data
- Architectes qui préparent des projets d’IA générative
Prérequis
- Connaissance intermédiaire de Python
- Notions d’API REST
- Maîtrise d’un éditeur de code ou de notebooks
Objectifs pédagogiques
- Expliquer le fonctionnement des LLM : jetons, contexte, température, échantillonnage
- Rédiger des prompts fiables et repérer les hallucinations
- Construire des chaînes avec un framework d’orchestration
- Intégrer des données externes avec embeddings et base vectorielle
- Développer des agents avec outils
- Déployer avec FastAPI ou Streamlit
- Maîtriser coûts, sécurité et supervision
Programme détaillé
6 modules · 21 h · 3 jours
Jour 1
Fondamentaux des LLM
50 % théorie · 50 % pratique
- IA générative et grands modèles de langage
- Jetons, fenêtre de contexte, température, top-k et top-p
- Appels d’API
- Limites et hallucinations
- Premiers appels depuis Python
Prompt engineering pour applications
30 % théorie · 70 % pratique
- Structure d’un prompt fiable
- Sorties structurées
- Exemples et consignes
- Tester et comparer des prompts
- Gestion des erreurs
🛠 Ateliers pratiques
Bancs d’essai de prompts1,5 h
Comparer plusieurs prompts sur un même jeu de cas.
✅ Livrable : Un tableau de résultats
Jour 2
Chaînes et framework d’orchestration
50 % théorie · 50 % pratique
- Prompts, modèles et analyseurs de sortie
- Chaînes et composition
- Mémoire de conversation
- Outils et agents
- Bonnes pratiques de structure
RAG : données externes et embeddings
30 % théorie · 70 % pratique
- Embeddings et similarité
- Découpage de documents
- Bases vectorielles
- Récupération et génération
- Évaluer un RAG
🛠 Ateliers pratiques
Assistant documentaire2 h
Construire un assistant qui répond à partir de documents.
✅ Livrable : Un RAG avec sources
Jour 3
Agents et outils
50 % théorie · 50 % pratique
- Fonction d’appel et outils
- Planification
- Garde-fous
- Cas d’usage
- Limites
Déploiement et exploitation
30 % théorie · 70 % pratique
- Exposer avec FastAPI ou Streamlit
- Optimiser les coûts
- Sécurité : injection de prompt, données sensibles
- Supervision et versionnement
- Mini-projet final
🛠 Ateliers pratiques
Mini-projet2 h
Déployer une application LLM de bout en bout.
✅ Livrable : Une application déployée
Outils et technologies
API OpenAIChromaDBDockerFastAPIJupyter NotebookLangChainPython
Méthodes pédagogiques
- Alternance d’exposés courts et de travaux pratiques
- Démonstrations en direct par le formateur
- Projet fil rouge construit au fil des modules
- Corrections collectives et échanges sur les bonnes pratiques
Évaluation
- Exercices pratiques corrigés à chaque module
- Mini-projet réalisé en fin de formation
- Quiz de validation des acquis
Matériel requis
- Un ordinateur avec une connexion internet
- Python 3, un éditeur de code ou Jupyter et une clé d’API de modèle
Ressources fournies
- Support de cours et dépôt d’exercices corrigés
Débouchés
- Une application LLM déployée
- Un RAG fonctionnel
- Une démarche de suivi et de versionnement des prompts
Les cours vidéo associés
Mes cours en vidéo qui accompagnent ce programme : pour préparer la formation ou réviser ensuite. Accès gratuit avec un compte.
Advanced Prompt Engineering
Passez d’un prompt approximatif à une méthode professionnelle : structurer ses demandes (R-C-T-C-O, RTF, CRAFT, RISEN), maîtriser les techniques avancées (few-shot, chaîne de raisonnement, personas, chaînage), gérer les tokens et le contexte, choisir le bon modèle au bon coût, contrôler la sortie et utiliser l’IA de façon responsable. Vous repartez avec un framework, des checklists et un prompt réutilisable.
PYTHON
Apprenez les concepts principaux en PYTHON et obtenez un résultat en créant vos premiers algorithmes !