AI Engineer

Überblick

Ziele

• Python pour Data & IA : Acquérir les bases Python utiles à la donnée, aux APIs, à l’automatisation et à l’IA
• Prompt Engineering avancé & workflows LLM : Construire des chaînes de traitement fiables combinant prompts, données, extraction et outils
• RAG – Connecter une IA aux données de l’entreprise : Créer un assistant capable de répondre à partir de connaissances internes de façon traçable
• Agents IA avancés & systèmes multi-agents : Concevoir des systèmes composés de plusieurs agents spécialisés et orchestrés
• LLMOps / MLOps pour applications IA : Industrialiser le cycle de vie des modèles et applications IA
• AI BUILDER ADVANCED – De l’idée à l’application IA en production : Construire une application intégrant des modèles IA avec un niveau proche de la production

Programm

1. 01

   Module 1 — Python pour Data & IA

   Python essentiel : variables, conditions, boucles, fonctions. On écrit petit, on exécute, on lit l'erreur · Écrire une fonction qui nettoie une liste de valeurs et la tester sur trois cas · Pandas et NumPy servent à charger, filtrer et calculer. On nomme les colonnes et on affiche la forme du tableau · Charger le jeu fourni, filtrer, et calculer deux indicateurs · Manipuler la donnée, c'est joindre, regrouper, changer de grain. On vérifie que les totaux n'ont pas bougé sans raison · Joindre deux tables du jeu et expliquer les lignes perdues · Une API s'appelle avec une requête que l'on peut relire. L'automatisation enchaîne des appels sur une liste, avec une pause et une erreur propre · Appeler une API de test sur cinq identifiants et journaliser les échecs · Brancher un service d'IA depuis Python : la clé est hors du notebook, la sortie est vérifiée, l'appel est limité · Envoyer trois textes au service et contrôler la sortie · Le mini projet reprend chargement, calcul et un appel, sur une question posée par le participant · Livrer le notebook du mini projet et le commenter en cinq minutes

   10 h
2. 02

   Module 2 — Prompt Engineering avancé & workflows LLM

   Une sortie structurée est un objet aux champs fixés : catégorie, extrait, confiance. Le texte libre ne s'automatise pas · Extraire cinq fiches au même schéma depuis des textes différents · Une chaîne conditionnelle choisit la branche selon la sortie précédente. On écrit la condition avant de lancer · Construire deux branches : dossier complet ou dossier incomplet · L'appel d'outil est une action : chercher, calculer, écrire. Le modèle propose, l'outil exécute, on vérifie le retour · Faire calculer ou chercher par un outil, puis faire reformuler le résultat par le modèle · Un jeu de cas fige les entrées et le résultat attendu. On ne juge pas sur l'exemple montré en cours · Écrire huit cas, dont deux qui doivent échouer, et les rejouer après une modification · On optimise une demande quand un critère chute. On change une chose à la fois et on rejoue le jeu de cas · Corriger la demande qui rate le plus souvent et mesurer le gain sur les huit cas · Le premier appel d'API reprend la même demande que dans l'interface. On montre la clé hors du code et une erreur propre · Lancer un appel sur un cas du jeu, afficher le JSON, gérer une erreur

   10 h
3. 03

   Module 3 — RAG – Connecter une IA aux données de l’entreprise

   Un embedding rapproche des textes, il ne comprend pas l'organigramme. La base vectorielle retrouve des voisins, pas la vérité · Vectoriser un petit corpus et montrer trois voisins, dont un hors sujet · Le découpage et les métadonnées décident de ce qui pourra être cité. Un morceau trop long noie, un morceau sans titre ne se retrouve pas · Découper dix pages avec des titres et une métadonnée de source · La recherche hybride mélange mots exacts et proximité. Le rerank remet le bon passage devant. On mesure, on ne devine pas · Poser cinq questions et comparer recherche par mots et recherche vectorielle · Une citation permet de vérifier. Un droit d'accès retire les morceaux que la personne ne doit pas voir, avant la génération · Répondre avec citation, puis rejouer avec un profil qui n'a pas le droit · La qualité se mesure sur des questions dont la réponse est connue : exacte, incomplète, inventée, introuvable · Noter vingt questions sur cette échelle · L'assistant documentaire du fil rouge répond sur le corpus de l'équipe, avec ses limites écrites · Livrer l'assistant sur le corpus et la page de limites

   10 h
4. 04

   Module 4 — Agents IA avancés & systèmes multi-agents

   Une architecture à plusieurs agents sépare les rôles : qui planifie, qui cherche, qui agit, qui contrôle. Un seul agent qui fait tout n'est pas une architecture · Dessiner les rôles du système cible et les messages qu'ils ont le droit d'échanger · La planification découpe le but. La délégation donne une tâche vérifiable, pas un objectif vague · Écrire le plan d'un cas et la tâche exacte déléguée à chaque rôle · Les agents communiquent par un format fixé. Le texte libre entre agents se perd et se contredit · Faire passer un cas entre deux rôles avec un message au schéma imposé · L'appel d'outil et la mémoire se bornent par rôle. L'agent qui rédige n'a pas l'outil qui paie · Attribuer outils et mémoire à chaque rôle, puis retirer les accès en trop · Le framework orchestre. On choisit selon ce que l'équipe sait déjà faire tourner, pas selon la démo la plus longue · Faire tourner le même cas dans l'orchestrateur retenu et noter ce que l'on ne maîtrise pas · En production on voit les décisions, on coupe, on trace. Sans journal, le système ne sort pas du test · Ajouter journal, identifiant de cas et arrêt d'urgence sur le parcours

   10 h
5. 05

   Module 5 — LLMOps / MLOps pour applications IA

   Versionner, c'est pouvoir retrouver la demande, le modèle et les données qui ont produit une sortie. Sans version, on ne compare rien · Poser un numéro de version sur la demande, le jeu de cas et le modèle · Un seuil de qualité bloque la promotion. Si le jeu de cas chute, la version ne passe pas · Définir le seuil et faire échouer volontairement une version · Latence, erreur et coût se lisent ensemble. Optimiser le coût en silence sur la qualité n'est pas du monitoring · Relever les trois mesures sur un lot d'appels · Le déploiement a un pipeline, une version en service et un retour arrière essayé au moins une fois en exercice · Déployer une version et revenir à la précédente · La trace relie une sortie à sa version, son utilisateur technique et les outils appelés. Sans trace, l'incident ne s'analyse pas · Retrouver un appel précis dans le journal et raconter ce qui s'est passé · La gouvernance de production dit qui promeut, qui coupe, et quelles données n'ont pas le droit d'entrer dans le jeu d'évaluation · Écrire ces trois règles pour l'application de l'équipe

   10 h
6. 06

   Module 6 — AI BUILDER ADVANCED – De l’idée à l’application IA en production

   L'architecture d'une application IA sépare l'interface, l'API, le modèle et les données. Le modèle n'est pas caché dans le composant d'écran · Dessiner les quatre blocs et le flux d'un appel utilisateur · L'API du modèle renvoie un objet attendu. Si le schéma casse, l'application le dit, elle n'affiche pas n'importe quoi · Implémenter un appel à sortie structurée et le cas de schéma invalide · Le function calling et l'agent n'appellent que les fonctions listées. Une fonction absente de la liste ne part pas · Exposer deux fonctions et montrer le refus d'une troisième · Le RAG de l'application cite ou dit qu'il ne sait pas. La donnée vient du corpus de l'application, pas du modèle seul · Répondre à trois questions dont une sans passage dans le corpus · Tests, sécurité et observabilité : un test d'injection simple, un journal d'appel, une alerte si le taux d'erreur monte · Ajouter le test d'injection, le journal et le seuil d'alerte · Déployer, c'est aussi connaître le coût d'un appel et pouvoir revenir à la version d'avant · Estimer le coût de cent appels et écrire la marche arrière

   10 h
7. 07

   Module 7 — Mise en situation et retour au poste

   retour au poste pour Professionnels qui veulent une compétence complète, sans entrer dans un titre R… · soutenir AI Engineer

   10 h