AI Engineering pour Software Engineers

Comment intégrer les LLMs en production en tant que Software Engineer ? Maîtrisez la chaîne complète : APIs, RAG, agents et Model Context Protocol.

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

Intégrer les LLMs en production

Maîtriser l'architecture Transformer, les APIs LLM (function calling, structured output) et le prompting ingénieur pour des intégrations robustes.

Concevoir des systèmes RAG

Construire des pipelines RAG performants : ingestion, chunking, recherche vectorielle, reranking, et évaluation avec le framework RAGAS.

Construire des agents IA

Implémenter les patterns ReAct et Plan-and-Execute, et connecter vos agents à des outils via le Model Context Protocol (MCP).

Programme

Les modules de la formation

Neuf modules progressifs, des fondations théoriques des LLMs jusqu'à la construction d'agents IA autonomes connectés via MCP.

Fondations LLM

3h30

Les bases indispensables : réseaux de neurones, architecture Transformer, mécanisme d'attention et stratégies de sampling.

Objectifs :

Comprendre les réseaux de neurones, leur entraînement et la transition des RNN vers les Transformers
Maîtriser le mécanisme d'attention (Query, Key, Value), les embeddings et la tokenization
Comprendre la génération auto-régressive et le contrôle du sampling (Temperature, Top-K, Top-P)

MODULES :

Réseaux de neurones, entraînement et transition des RNN vers les Transformers
Architecture Transformer : mécanisme d'attention (Query, Key, Value), embeddings, tokenization
Génération auto-régressive et contrôle du sampling (Temperature, Top-K, Top-P)
Pré-entraînement, fine-tuning et alignement (RLHF, DPO)

Intégration & Prompting

3h30

Passer de la théorie à l'intégration concrète : APIs LLM, function calling, structured output et prompting avancé pour la production.

Objectifs :

Intégrer les LLMs via les APIs : providers, streaming, function calling, structured output
Maîtriser les techniques de prompting avancé (few-shot, Chain-of-Thought, self-consistency)
Gérer les prompts système en production : debugging, versioning, guardrails

MODULES :

APIs LLM : providers, streaming, function calling, structured output
Prompting avancé : few-shot, Chain-of-Thought, self-consistency
Gestion des prompts en production : debugging, versioning, guardrails
Patterns d'intégration robustes pour la production

Évaluation & RAG

3h30

Mesurer la qualité des sorties LLM et concevoir des systèmes RAG robustes, du pipeline basique aux patterns avancés.

Objectifs :

Mettre en place l'évaluation : métriques classiques, LLM-as-judge et framework RAGAS
Construire un pipeline RAG complet : ingestion, chunking, recherche vectorielle et hybride
Maîtriser les patterns avancés : chunking hiérarchique, query transformation, reranking

MODULES :

Évaluation : métriques classiques, LLM-as-judge et framework RAGAS
Pipeline RAG complet : ingestion, chunking, recherche vectorielle et hybride
Chunking hiérarchique, query transformation et reranking
Bases de données vectorielles et stratégies d'indexation

Agents & MCP

3h30

Passer du simple appel LLM aux agents autonomes connectés à vos outils via le Model Context Protocol.

Objectifs :

Implémenter les patterns ReAct et Plan-and-Execute avec conditions d'arrêt et replanning
Comprendre l'architecture Host/Clients/Servers du MCP
Implémenter un serveur MCP, intégrer des outils et sécuriser les échanges (OAuth 2.0)

MODULES :

Patterns ReAct et Plan-and-Execute : conditions d'arrêt et replanning
Architecture Host/Clients/Servers du Model Context Protocol (MCP)
Implémentation d'un serveur MCP et intégration d'outils
Sécurisation des échanges (OAuth 2.0) et bonnes pratiques de déploiement

Fondations LLM

3h30

Les bases indispensables : réseaux de neurones, architecture Transformer, mécanisme d'attention et stratégies de sampling.

Objectifs :

Comprendre les réseaux de neurones, leur entraînement et la transition des RNN vers les Transformers
Maîtriser le mécanisme d'attention (Query, Key, Value), les embeddings et la tokenization
Comprendre la génération auto-régressive et le contrôle du sampling (Temperature, Top-K, Top-P)

MODULES :

Réseaux de neurones, entraînement et transition des RNN vers les Transformers
Architecture Transformer : mécanisme d'attention (Query, Key, Value), embeddings, tokenization
Génération auto-régressive et contrôle du sampling (Temperature, Top-K, Top-P)
Pré-entraînement, fine-tuning et alignement (RLHF, DPO)

Intégration & Prompting

3h30

Passer de la théorie à l'intégration concrète : APIs LLM, function calling, structured output et prompting avancé pour la production.

Objectifs :

Intégrer les LLMs via les APIs : providers, streaming, function calling, structured output
Maîtriser les techniques de prompting avancé (few-shot, Chain-of-Thought, self-consistency)
Gérer les prompts système en production : debugging, versioning, guardrails

MODULES :

Patterns ReAct et Plan-and-Execute : conditions d'arrêt et replanning
Architecture Host/Clients/Servers du Model Context Protocol (MCP)
Implémentation d'un serveur MCP et intégration d'outils
Sécurisation des échanges (OAuth 2.0) et bonnes pratiques de déploiement

Évaluation & RAG

3h30

Mesurer la qualité des sorties LLM et concevoir des systèmes RAG robustes, du pipeline basique aux patterns avancés.

Objectifs :

Mettre en place l'évaluation : métriques classiques, LLM-as-judge et framework RAGAS
Construire un pipeline RAG complet : ingestion, chunking, recherche vectorielle et hybride
Maîtriser les patterns avancés : chunking hiérarchique, query transformation, reranking

MODULES :

Évaluation : métriques classiques, LLM-as-judge et framework RAGAS
Pipeline RAG complet : ingestion, chunking, recherche vectorielle et hybride
Chunking hiérarchique, query transformation et reranking
Bases de données vectorielles et stratégies d'indexation

Agents & MCP

3h30

Passer du simple appel LLM aux agents autonomes connectés à vos outils via le Model Context Protocol.

Objectifs :

Implémenter les patterns ReAct et Plan-and-Execute avec conditions d'arrêt et replanning
Comprendre l'architecture Host/Clients/Servers du MCP
Implémenter un serveur MCP, intégrer des outils et sécuriser les échanges (OAuth 2.0)

MODULES :