Nb. de jours
3
Présentiel ?
Oui
Distanciel ?
Oui
Min. participants
2
Max. participants
8
Lieu
Toulouse, Paris, etc.
Tarif
2290€ HT
L'Intelligence Artificielle est en pleine mutation. L'engouement actuel pour les agents IA et l'IA Agentique est dû à leur capacité à résoudre la principale limitation des technologies précédentes : le manque d'autonomie proactive sur les tâches complexes.
Les agents transforment l'IA d'un simple outil réactif (qui attend des instructions) en un collaborateur autonome (qui peut planifier, raisonner et agir) pour atteindre des objectifs complexes sans intervention humaine constante.
Cette formation intensive de 3 jours est conçue pour toutes personnes ayant des compétences techniques data et prêtes à faire évoluer leurs applications LLM d’un stade linéaire à une application dynamique et intelligente.
Les agents transforment l'IA d'un simple outil réactif (qui attend des instructions) en un collaborateur autonome (qui peut planifier, raisonner et agir) pour atteindre des objectifs complexes sans intervention humaine constante.
Cette formation intensive de 3 jours est conçue pour toutes personnes ayant des compétences techniques data et prêtes à faire évoluer leurs applications LLM d’un stade linéaire à une application dynamique et intelligente.
A l’issue de cette formation, vous serez en mesure de concevoir des systèmes capables d'exécuter des tâches complexes en plusieurs étapes et de s'adapter à leur environnement en utilisant LangGraph, le framework d'orchestration le plus puissant pour créer des boucles de raisonnement sophistiquées et des systèmes multi-agents.
Objectifs
- Comprendre la Philosophie : Maîtriser les principes fondamentaux et la valeur stratégique de l'Intelligence Artificielle Agentique (Agentic AI) - planification, réflexion, action).
- Maîtriser les Fondations Techniques de LangChain
- Implémenter l'Autonomie : Concevoir et construire des agents autonomes basés sur le modèle de raisonnement ReAct avec LangGraph.
- Orchestrer la Collaboration : Modéliser et développer des systèmes complexes impliquant plusieurs agents spécialisés et un Agent Routeur.
- Optimiser et Déployer : Appliquer des techniques d'optimisation des coûts, garantir la qualité et la sécurité des agents, et préparer leur déploiement en environnement de production.
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 learning, LLM et RAG sont requises ou avoir suivi la formation “Maîtriser les LLM et le RAG pour l'IA Générative”
Publics
- Data Engineers
- Data Scientists
- Développeurs
Évaluation
Cette formation ne nécessite pas d’avoir recours à une évaluation formalisée des acquisProgramme
L’IA Agentique : Théorie et enjeux
- Définition de l'Agentic AI : le cycle Perception, Raisonnement, Action, Apprentissage.
- Différences clés : Agents Traditionnels vs. IA Générative vs. IA Agentique.
- Le modèle de raisonnement ReAct (Reasoning and Acting) et son importance.
- Rôle des Outils (Tools) et des Prompts pour un raisonnement fiable.
Conception d’un Agent Autonome avec LangChain
- Les Fondations : LLMs et Prompts, Tools (Outils), Retrievers et Vector Stores :
- L'Assemblage : LangChain Expression Language (LCEL): Concepts de Runnables, Les Chaînes (Chains)
- Transition vers LangGraph
Découverte du Framework LangGraph
- Présentation de LangGraph : pourquoi orchestrer des agents ?
- Concepts fondamentaux : Graph, State (état partagé), Nœuds (Nodes) et Arêtes (Edges).
Le Triptyque de l'Agent Autonome : État, Outils et Moteur ReAct
- Création d’un State structuré pour le graphe (gestion des entrées/sorties)
- Définition des fonctions d’outils Python (@tool)
- Implémentation de la boucle ReAct
Amélioration et Robustesse de l’Agent
- Gestion avancée de l’Etat et de la Mémoire
- Auto-correction et résilience
L’orchestration Multi-Agents
- Découverte des architectures Multi-Agents
- Modèles d'Interaction Multi-Agents: Pipeline vs Group Chat
- Gestion des flux avec le Router Agent
- Concepts Théoriques de la Communication Agentique : Introduction aux protocoles émergents A2A et MCP
Systèmes Complexes, Optimisation
- Modélisation & Implémentation d’un Workflow en chaîne
- Gestion des cycles d’Approbation et de Consolidation
- Optimisation des Coûts et Performance
- Mise en place de garde-fous
Qualité, Déploiement & Perspectives
- Qualité des Agents : Observabilité, Journalisation, Traçage, Évaluation, Métriques
- Du prototype à la production : Bonnes pratiques & utilisation de A2A
- Tendances Futures et interopérabilité
