Formation · Agentic Coding · Data engineering

Agentic Coding pour les data engineers

Maîtriser les agents de développement autonomes : spécifications, découpage des tâches, boucles de tests, multi-agents et gouvernance.

Durée
2 jours (14 h)
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

« Agentic Coding pour les data engineers » s’adresse notamment aux profils suivants : Data engineers et analytics engineers, Développeurs BI responsables de l’ETL et de l’entrepôt de données et Équipes plateforme lakehouse et streaming. Elle montre pas à pas comment utiliser Agentic Coding de manière productive, sûre et traçable dans le domaine Data engineering – des bases aux workflows avancés.

L’agentic coding consiste à travailler avec des agents d’IA qui réalisent des tâches de développement de manière largement autonome : ils lisent le code, planifient les modifications, exécutent commandes et tests, puis se corrigent à partir des résultats. Claude Code, OpenAI Codex, l’agent de codage de GitHub Copilot ou le mode Agent de Cursor rendent cette approche praticable au quotidien. Cette formation indépendante des éditeurs transmet la méthode sous-jacente pour obtenir des résultats fiables quel que soit l’outil et repenser le rôle du développeur.

Le changement clé consiste à passer du prompt improvisé à la spécification solide. Vous apprenez à découper et décrire les tâches pour que les agents les mènent à bien, à mettre en place des boucles pilotées par les tests où ceux-ci servent de critère d’acceptation objectif, et à faire travailler plusieurs agents en parallèle ou en répartissant les rôles. Nous abordons aussi la revue du code produit par les agents et la gouvernance d’équipe : permissions, limites de sécurité, responsabilités, maîtrise des coûts et adoption progressive.

Les data engineers construisent et exploitent les pipelines sur lesquels reposent reporting, analytique et applications d’IA : ingestion depuis les systèmes sources, transformations avec dbt ou Spark, orchestration avec Airflow ou Dagster, qualité et gouvernance des données dans l’entrepôt ou le lakehouse. Le travail mêle SQL, Python, YAML et une connaissance fine des schémas et des dépendances. Les assistants et agents de codage IA l’accélèrent nettement : ils écrivent des modèles dbt avec tests et documentation, optimisent les requêtes lentes, créent des DAG Airflow, migrent des chaînes ETL historiques et expliquent un lignage complexe. Les données étant souvent sensibles, la gestion responsable des schémas, des jeux d’exemple et des identifiants est au cœur de cette formation.

La formation se déroule en direct – en ligne dans une classe virtuelle ou en présentiel dans nos salles à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart et Kaiserslautern. Nous pouvons également l’organiser en intra pour votre équipe.

À qui s’adresse cette formation ?

  • Data engineers et analytics engineers
  • Développeurs BI responsables de l’ETL et de l’entrepôt de données
  • Équipes plateforme lakehouse et streaming
  • Développeurs chargés de moderniser des processus ETL historiques

Les défis concrets que nous traitons

  • Des chaînes ETL anciennes en procédures stockées ou outils propriétaires, sans tests
  • Des requêtes lentes et coûteuses et des jobs Spark peu efficaces
  • L’absence de contrôles de qualité et des responsabilités floues sur les jeux de données
  • Une documentation lacunaire des modèles de données, du lignage et des règles métier

Objectifs pédagogiques

  • Vous comprenez le fonctionnement des agents de développement et choisissez l’outil et le degré d’autonomie adaptés.
  • Vous rédigez des spécifications et un contexte projet sur lesquels les agents s’appuient de façon fiable.
  • Vous découpez les chantiers en sous-tâches vérifiables et pilotez les agents par des boucles fondées sur les tests.
  • Vous mettez en œuvre des configurations multi-agents et du travail parallèle de manière maîtrisée.
  • Mobiliser efficacement des agents IA pour les modèles dbt, les pipelines et l’optimisation SQL.
  • Moderniser l’ETL historique avec l’IA et sécuriser les résultats par des tests de rapprochement.
  • Protéger les données sensibles en travaillant avec des schémas, des jeux d’exemple synthétiques et des droits d’accès minimaux.

Programme

Jour 1

Module 1 Les bases du développement agentique
  • Fonctionnement des agents : appels d’outils, fenêtre de contexte, boucles de rétroaction
  • Comparer les outils : agents en terminal, agents dans l’IDE, agents cloud
  • Identifier les tâches adaptées et choisir consciemment le degré d’autonomie
  • Le nouveau rôle dans l’équipe : de l’implémentation au pilotage et à la validation
Module 2 La spécification plutôt que le prompt
  • Décrire une tâche avec objectif, contexte, contraintes et critères d’acceptation
  • Ancrer le contexte projet dans des fichiers comme CLAUDE.md, AGENTS.md ou des rules
  • Démarche plan d’abord : faire proposer une approche par l’agent et la valider avant exécution
  • Versionner les spécifications et les maintenir dans le dépôt
Module 3 Découpage des tâches et boucles pilotées par les tests
  • Découper un chantier en sous-tâches indépendantes et vérifiables
  • Faire écrire les tests d’abord et s’en servir comme critère d’arrêt objectif
  • Utiliser linters, vérifications de types et builds comme retours automatiques
  • Détecter une boucle qui stagne et relancer avec une autre stratégie
Module 4 Configurations multi-agents et parallélisation
  • Définir des sous-agents spécialisés pour la recherche, l’implémentation, les tests et la revue
  • Organiser le travail parallèle avec branches, worktrees et environnements isolés
  • Orchestration : consolider les résultats et résoudre les conflits
  • Partager outils et sources de données via MCP

Jour 2

Module 5 Revue, sécurité et gouvernance d’équipe
  • Stratégies de revue pour des modifications volumineuses produites par des agents
  • Définir permissions, sandbox et protections contre l’injection de prompt
  • Intégrer les agents aux pipelines CI et au processus de pull request
  • Planifier règles d’équipe, responsabilités, coûts et déploiement progressif
Module 6 Atelier pratique : Data engineering
  • Modèles dbt avec tests
  • Optimiser les requêtes SQL
  • Pipelines Airflow et Dagster
  • Migrer l’ETL historique
  • Automatiser la qualité des données
  • Analyser les jobs Spark
Module 7 Protection des données, qualité & mise en pratique
  • Les prompts doivent contenir des schémas et des données synthétiques plutôt que des enregistrements personnels réels, et les identifiants ou chaînes de connexion aux bases doivent rester hors du contexte. Appliquez les principes du RGPD comme la limitation des finalités et la minimisation des données, documentez les flux de manière traçable et vérifiez licences et risques de chaîne d’approvisionnement des nouveaux paquets et connecteurs.
  • Règles du jeu pour un usage sûr de l’IA en équipe
  • Vérifier les résultats : faits, sources, tests et principe des quatre yeux
  • Plan d’action personnel pour les 30 prochains jours
  • Questions ouvertes, perspectives et ressources pour aller plus loin

Cas pratiques de votre domaine

Modèles dbt avec tests

L’agent écrit les modèles staging, intermediate et mart dans dbt, ajoute tests de schéma, définitions de sources et descriptions, puis exécute dbt build en boucle jusqu’à la réussite des modèles et des tests.

Optimiser les requêtes SQL

L’IA analyse les plans d’exécution, repère les jointures coûteuses et l’absence de partitionnement ou de clustering, puis réécrit les requêtes pour qu’elles parcourent moins de données et s’exécutent plus vite.

Pipelines Airflow et Dagster

Les besoins deviennent des DAG ou des assets à la structure de dépendances claire, avec relances, capteurs, alertes et prise en charge des backfills, ainsi que des tests de la logique de transformation.

Migrer l’ETL historique

Procédures stockées ou jobs ETL graphiques sont analysés, la logique métier documentée puis transposée progressivement en dbt ou PySpark, avec des requêtes de rapprochement entre ancien et nouveau traitement.

Automatiser la qualité des données

L’assistant définit des contrôles de complétude, d’unicité, de plages de valeurs et de fraîcheur, les implémente avec des tests dbt ou Great Expectations et configure des alertes en cas d’écart.

Analyser les jobs Spark

Informations de la Spark UI et logs sont interprétés, déséquilibres de partitions, shuffles et problèmes mémoire identifiés, et des optimisations proposées : broadcast joins, repartitionnement ou mise en cache.

Projets pratiques possibles

Tableau de bord qualité des données

Une petite application web qui lit les résultats des tests dbt ou des contrôles qualité et affiche clairement tendances, anomalies et tables concernées.

Pipeline d’ingestion d’une API REST

Un pipeline Python qui charge les données d’une API de façon incrémentale, détecte les évolutions de schéma et écrit les résultats partitionnés dans le lakehouse.

Explorateur de lignage

Un outil qui lit le manifeste dbt et représente les dépendances entre sources, modèles et tableaux de bord sous forme de graphe interactif.

Prérequis

Vous avez plusieurs années d’expérience en développement, maîtrisez Git, les tests et la CI, et avez idéalement déjà utilisé des outils de codage assisté par IA. Une bonne maîtrise de SQL et de Python et une expérience pratique d’un entrepôt de données, de dbt, de Spark ou d’un orchestrateur.

Prérequis techniques

Ordinateur portable personnel avec Git, un terminal et votre environnement de développement, ainsi qu’un accès à au moins un agent comme Claude Code, Codex, Copilot ou Cursor.

Protection des données & conformité

Les prompts doivent contenir des schémas et des données synthétiques plutôt que des enregistrements personnels réels, et les identifiants ou chaînes de connexion aux bases doivent rester hors du contexte. Appliquez les principes du RGPD comme la limitation des finalités et la minimisation des données, documentez les flux de manière traçable et vérifiez licences et risques de chaîne d’approvisionnement des nouveaux paquets et connecteurs.

Dates proposées

Toutes les dates sont indicatives – votre date souhaitée est toujours possible.

  • lun. 23 novembre 2026 – mar. 24 novembre 2026 En ligne Demander
  • mar. 1 décembre 2026 – mer. 2 décembre 2026 Kaiserslautern Demander
  • lun. 7 décembre 2026 – mar. 8 décembre 2026 En ligne Demander
  • jeu. 17 décembre 2026 – ven. 18 décembre 2026 Brême Demander
  • lun. 18 janvier 2027 – mar. 19 janvier 2027 Salzbourg Demander
  • lun. 25 janvier 2027 – mar. 26 janvier 2027 En ligne Demander

Questions fréquentes

Quelle différence entre agentic coding et vibe coding ?

Le vibe coding mise sur des itérations rapides et intuitives en langage naturel et convient surtout aux prototypes. L’agentic coding est une démarche d’ingénierie pour des bases de code professionnelles : spécifications précises, tests comme critères d’acceptation, permissions encadrées et revues structurées garantissent des résultats fiables et maintenables, y compris sur des projets complexes et durables.

La formation est-elle liée à un outil particulier ?

Non. Elle transmet des méthodes qui fonctionnent avec Claude Code, OpenAI Codex, l’agent de codage de GitHub Copilot, Cursor et les outils comparables. Les exercices font ressortir différences et points communs, par exemple pour les fichiers de contexte, les permissions et les sous-agents. Vous travaillez avec l’outil déjà utilisé ou envisagé dans votre entreprise.

Comment garder la maîtrise de la qualité et de la sécurité avec des agents autonomes ?

La maîtrise repose sur plusieurs niveaux : permissions restreintes et sandbox, tests et analyse statique comme contrôles automatiques, revue humaine obligatoire avant fusion et règles d’équipe claires sur les responsabilités. Pendant la formation, vous élaborez un cadre de gouvernance adapté à vos processus, à vos exigences de sécurité et à vos obligations réglementaires.

L’IA doit-elle accéder à nos données de production ?

Non, et ce n’est généralement pas pertinent. Pour la grande majorité des tâches, schémas, métadonnées, plans d’exécution et jeux de données synthétiques suffisent. Vous apprendrez à fournir précisément ce contexte à l’agent, à limiter les accès en lecture aux environnements de développement et à obtenir malgré tout des résultats fiables.

Cela fonctionne-t-il avec notre entrepôt de données ?

Les méthodes sont indépendantes de la plateforme et s’appliquent aussi bien à Snowflake, BigQuery, Databricks, Redshift, Synapse qu’à PostgreSQL. L’essentiel est d’indiquer à l’assistant le dialecte SQL et les spécificités de la plateforme, comme le partitionnement ou le clustering. Nous montrons comment les consigner dans des fichiers d’instructions.

Combien coûte la formation « Agentic Coding pour les data engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 2 jour(s) de formation avec un formateur en direct, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Nos dates sont indicatives. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et confirmons sous un jour ouvré.

La formation a-t-elle lieu en ligne ou en présentiel ?

Les deux sont possibles : en direct dans une classe virtuelle ou en présentiel à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart ou Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

Autres formations pour les data engineers

Autres formations Agentic Coding

Les 32 formations Agentic Coding

Agentic Coding · MunichAgentic Coding · SalzbourgAgentic Coding · BerlinAgentic Coding · AugsbourgAgentic Coding · HanovreAgentic Coding · BrêmeAgentic Coding · StuttgartAgentic Coding · KaiserslauternAgentic Coding · En ligne