AI Engineering for ML Engineers

De la conception au monitoring : devenez autonome sur l'ensemble de la stack des agents IA modernes : RAG avancé, agents avec LangChain/LangGraph, protocole MCP pour le tooling et évaluation et observabilité avec Langfuse.

2 jours

4 à 12 participants

Discutons de votre projet

Télécharger le programme

Formations données

Apprenants formés en 2025

Satisfaction moyenne

Taux de réponse

Objectifs

Les apprentissages clés
de la formation

RAG avancé

Comprendre les LLMs et embeddings, concevoir une architecture RAG robuste avec recherche hybride et filtrage métadonnée et d'autres techniques plus avancées.

Agents & Protocole MCP

Maîtriser les fondamentaux des agents (types, cas d'usage), comprendre le protocole MCP et ses enjeux d'interopérabilité, orchestrer avec LangChain/LangGraph, et connecter un serveur MCP à vos agents.

LLMOps

Évaluer, observer et piloter des applications GenAI en production avec Langfuse, et les architecturer de bout en bout.

Programme

Les modules de la formation

Sept modules progressifs, des fondations théoriques (Transformers, embeddings) jusqu'au système GenAI complet avec LangChain/LangGraph, Qdrant, MCP et Langfuse.

Fondamentaux d'AI Engineering & RAG

3h30

Architecture Transformers, embeddings, bases vectorielles et construction d'un pipeline RAG complet avec LangChain et LangGraph.

Objectifs :

Maîtriser l'architecture Transformers, les embeddings et les bases de données vectorielles
Construire un pipeline RAG : ingestion, chunking, recherche hybride et filtrage sur métadonnée
Évaluer et optimiser la qualité du retrieval

MODULES :

Architecture Transformers, embeddings et bases de données vectorielles (Qdrant)
Pipeline RAG avec LangChain et LangGraph : ingestion, chunking, recherche hybride
Filtrage sur métadonnées et évaluation de la qualité du retrieval
Optimisation du pipeline : stratégies de chunking et scoring

Systèmes d'agents & Agentic AI

3h30

Comprendre l'écosystème des agents IA et implémenter un agent complet avec LangChain/LangGraph, du reasoning à l'orchestration.

Objectifs :

Maîtriser les patterns ReAct, CoT et les mécanismes de memory et tools
Créer un agent avec LangChain/LangGraph (graph, nodes, edges, state)
Construire un agent end-to-end avec pipeline RAG comme tool

MODULES :

Patterns ReAct, Chain-of-Thought et mécanismes de memory et tools
Orchestration avec LangChain/LangGraph : graph, nodes, edges, state
Construction d'un agent end-to-end avec pipeline RAG comme tool
Gestion des erreurs, replanning et conditions d'arrêt

MCP & Interopérabilité

3h30

Le standard d'interopérabilité qui connecte vos LLMs à vos outils. De l'architecture au déploiement d'un serveur MCP intégré à vos agents.

Objectifs :

Comprendre l'architecture Host/Client/Server du MCP et les modes de transport
Implémenter un serveur MCP local et distant avec le SDK Python
Intégrer le serveur MCP dans une architecture d'agent LangGraph

MODULES :

Architecture Host/Client/Server du MCP et modes de transport (stdio, HTTP)
Implémentation d'un serveur MCP local et distant avec le SDK Python
Intégration du serveur MCP dans une architecture d'agent LangGraph
Interopérabilité et connexion de LLMs à des outils métier

LLMOps & Observabilité

3h30

Évaluer, observer et piloter des applications GenAI en production avec Langfuse : métriques, tracing et gestion centralisée des prompts.

Objectifs :

Mettre en place un système d'évaluation : métriques, LLM-as-a-judge, golden sets
Configurer l'observabilité avec Langfuse : tracing, monitoring, alerting
Gérer les prompts avec Langfuse : centralisation, versioning

MODULES :

Évaluation : métriques, LLM-as-a-judge, golden sets
Observabilité avec Langfuse : tracing, monitoring, alerting
Gestion centralisée des prompts : centralisation et versioning
Architecture de bout en bout d'applications GenAI en production

Fondamentaux d'AI Engineering & RAG

3h30

Architecture Transformers, embeddings, bases vectorielles et construction d'un pipeline RAG complet avec LangChain et LangGraph.

Objectifs :

Maîtriser l'architecture Transformers, les embeddings et les bases de données vectorielles
Construire un pipeline RAG : ingestion, chunking, recherche hybride et filtrage sur métadonnée
Évaluer et optimiser la qualité du retrieval

MODULES :

Architecture Transformers, embeddings et bases de données vectorielles (Qdrant)
Pipeline RAG avec LangChain et LangGraph : ingestion, chunking, recherche hybride
Filtrage sur métadonnées et évaluation de la qualité du retrieval
Optimisation du pipeline : stratégies de chunking et scoring

Systèmes d'agents & Agentic AI

3h30

Comprendre l'écosystème des agents IA et implémenter un agent complet avec LangChain/LangGraph, du reasoning à l'orchestration.

Objectifs :

Maîtriser les patterns ReAct, CoT et les mécanismes de memory et tools
Créer un agent avec LangChain/LangGraph (graph, nodes, edges, state)
Construire un agent end-to-end avec pipeline RAG comme tool

MODULES :

Évaluation : métriques, LLM-as-a-judge, golden sets
Observabilité avec Langfuse : tracing, monitoring, alerting
Gestion centralisée des prompts : centralisation et versioning
Architecture de bout en bout d'applications GenAI en production

MCP & Interopérabilité

3h30

Le standard d'interopérabilité qui connecte vos LLMs à vos outils. De l'architecture au déploiement d'un serveur MCP intégré à vos agents.

Objectifs :

Comprendre l'architecture Host/Client/Server du MCP et les modes de transport
Implémenter un serveur MCP local et distant avec le SDK Python
Intégrer le serveur MCP dans une architecture d'agent LangGraph

MODULES :

Architecture Host/Client/Server du MCP et modes de transport (stdio, HTTP)
Implémentation d'un serveur MCP local et distant avec le SDK Python
Intégration du serveur MCP dans une architecture d'agent LangGraph
Interopérabilité et connexion de LLMs à des outils métier

LLMOps & Observabilité

3h30

Évaluer, observer et piloter des applications GenAI en production avec Langfuse : métriques, tracing et gestion centralisée des prompts.

Objectifs :

Mettre en place un système d'évaluation : métriques, LLM-as-a-judge, golden sets
Configurer l'observabilité avec Langfuse : tracing, monitoring, alerting
Gérer les prompts avec Langfuse : centralisation, versioning

MODULES :