Descriptif
Architectures IA : agents, RAG, pipelines et patterns est une formation de 3 jours (21 heures), de niveau expert, rattachée au domaine « Intelligence artificielle pour l'IT ». Choisir et concevoir l'architecture adaptée à un cas d'usage d'IA. Conçue et animée par des praticiens en activité, elle alterne apports ciblés (30 %) et mises en pratique (70 %) sur des laboratoires cloud individuels, avec des cas inspirés des secteurs banque, assurance et services publics. Disponible en inter-entreprises, en intra sur catalogue et en version sur mesure adaptée au contexte de l'entreprise.
Objectifs pédagogiques
À l'issue de la formation, le participant sera capable de :
- Panorama des architectures
- RAG et variantes
- Agents et orchestration
- Pipelines et intégration
- Critères de choix
Programme détaillé
| N° | Contenus et activités | Durée |
|---|---|---|
| Jour 1 | ||
| 1 | Cadrage : contextes d'architecture des participants et règles du fil rouge (dossier fictif d'un opérateur de services) | 0,5 h |
| 2 | Panorama raisonné : consigne seule, RAG, agent, fine-tuning, modèle spécialisé — ce que chaque option coûte et garantit | 2 h |
| 3 | Atelier : qualifier cinq cas d'usage et les positionner dans la grille de décision | 2 h |
| 4 | Travaux pratiques : maquetter une chaîne LangChain minimale et instrumenter latence et coût avec OpenTelemetry | 2,5 h |
| Jour 2 | ||
| 5 | Variantes de RAG : naïf, hybride, avec reclassement, hiérarchique, agentique, sur graphe — critères de bascule | 1,5 h |
| 6 | Travaux pratiques : comparer pgvector et Qdrant sur le même corpus fictif — indexation, filtres, tenue en charge | 2,5 h |
| 7 | Travaux pratiques : mesurer deux variantes de RAG avec Ragas et Mistral Embed, puis documenter l'arbitrage | 2 h |
| 8 | Démonstration commentée : intégrer un service d'IA dans une application Java Spring puis dans une application .NET | 1 h |
| Jour 3 | ||
| 9 | Patterns d'orchestration et d'agents : routage, délégation, file d'événements, idempotence, reprise sur incident | 1,5 h |
| 10 | Travaux pratiques : conteneuriser les services d'inférence et de recherche avec Docker et les déployer sur Kubernetes (sondes, autoscaling) | 2,5 h |
| 11 | Étude de cas : arbitrer une cible multi-modèles — modèle ouvert hébergé en Europe pour les données sensibles, service du marché pour le reste | 2 h |
| 12 | Revue d'architecture croisée, dossier de choix argumenté et plan d'action | 1 h |
Méthodes pédagogiques
- Pédagogie active : 64 % du temps en pratique encadrée — laboratoires cloud provisionnés par participant, travaux pratiques guidés, fil rouge applicatif —, le reste en apports structurés, démonstrations commentées, cadrage et évaluation
- répartition calculée sur le déroulé détaillé de cette formation, et non annoncée de façon uniforme
- classe inversée avec prérequis sur le LMS
- apprentissage adaptatif selon le positionnement initial
- travaux en binômes
- classe virtuelle en séquences de 3 h 30 maximum sur Microsoft Teams
- support clair, complet et paginé remis à chaque participant
Technologies et outils mobilisés
LangChain, pgvector, Qdrant, Mistral Embed, Ragas, Docker, Kubernetes, OpenTelemetry
Modalités d'évaluation et de validation
- Positionnement initial en ligne
- quiz de validation à chaque séquence
- évaluation finale des acquis (QCM et mise en situation)
- satisfaction à chaud
- questionnaire de transfert à 30 jours
- attestation de fin de formation
Plateforme, laboratoires et ressources
- LMS DATAROCKSTARS : parcours, supports numériques, quiz, évaluations, émargement par demi-journée
- laboratoires cloud individuels accessibles depuis un navigateur, sans installation, données fictives, détruits en fin de session
- bibliothèque O'Reilly (plus de 60 000 ressources)
- accès aux supports pendant 6 mois