Formation – Développement d’agents IA – AI engineering & applications LLM

Développement d’agents IA pour les AI engineers

Développer des agents IA de qualité professionnelle : architectures, tool use, SDK d’agents, LangGraph, mémoire, évaluations et déploiement.

Durée
6 heures, une session
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

« Développement d’agents IA pour les AI engineers » s’adresse notamment aux profils suivants : Développeurs intégrant des fonctions LLM dans leurs produits, AI engineers et machine learning engineers et Data scientists spécialisés en IA générative. Elle montre pas à pas comment utiliser Développement d’agents IA de manière productive, sûre et traçable dans le domaine AI engineering & applications LLM – des bases aux workflows avancés.

Les agents IA vont bien au-delà des chatbots classiques : ils décomposent les tâches, appellent des outils et des API, analysent les résultats et itèrent jusqu’à atteindre leur objectif. Cette formation compacte vous apprend à concevoir de tels systèmes pour qu’ils fonctionnent de manière fiable, traçable et sûre en entreprise. Vous comparez les modèles d’architecture, du workflow simple à la boucle agentique jusqu’aux systèmes multi-agents, et les mettez en pratique avec le Claude Agent SDK, l’OpenAI Agents SDK et LangGraph.

L’objectif n’est pas la démo rapide, mais le passage en production. Vous concevez avec soin les interfaces d’outils et le contexte, connectez des outils via le Model Context Protocol, structurez mémoire à court et à long terme et mettez en place des évaluations qui révèlent tôt les régressions. S’y ajoutent les garde-fous contre l’injection de prompt et les actions indésirables, la validation humaine, le traçage, la maîtrise des coûts et le déploiement. Vous saurez ensuite quand un agent se justifie, quand un workflow déterministe suffit et quel framework convient à votre projet.

L’AI engineering est la discipline qui transforme les modèles de langage en produits fiables : assistants conversationnels, analyse de documents, génération augmentée par la recherche, agents dotés d’outils et fonctions d’IA intégrées aux applications existantes. Le code qui entoure le modèle est souvent plus exigeant que l’appel au modèle lui-même, car versionnage des prompts, sorties structurées, évaluation, maîtrise des coûts, latence, observabilité et protection contre l’injection de prompt font la différence en production. Les assistants de codage IA et les agents accélèrent précisément ce travail, de la construction de pipelines d’évaluation aux définitions d’outils et serveurs MCP, jusqu’à l’analyse des erreurs dans les traces. Vous apprendrez à développer méthodiquement des applications LLM avec l’IA, à rendre leur qualité mesurable et à les exploiter de façon sûre, économique et conforme.

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 ?

  • Développeurs intégrant des fonctions LLM dans leurs produits
  • AI engineers et machine learning engineers
  • Data scientists spécialisés en IA générative
  • Équipes backend et plateforme fournissant l’infrastructure IA
  • Product owners techniques responsables de fonctionnalités IA

Les défis concrets que nous traitons

  • Des prototypes brillants en démonstration mais d’une qualité irrégulière en production
  • L’absence d’évaluation systématique qui rend risquée toute modification de prompt ou de modèle
  • Des coûts, une latence et des limites de débit qui dérapent avec la montée en charge
  • De nouveaux risques liés à l’injection de prompt, aux fuites de données et aux agents trop privilégiés

Objectifs pédagogiques

  • Vous choisissez le bon patron pour chaque tâche, du workflow fixe à l’agent autonome.
  • Vous concevez outils et contexte pour que vos agents travaillent de façon fiable et économique.
  • Vous implémentez des agents avec le Claude Agent SDK, l’OpenAI Agents SDK ou LangGraph.
  • Vous mettez en place évaluations et traçage pour mesurer la qualité et détecter les régressions.
  • Vous développez méthodiquement avec des outils de codage IA des applications RAG, des agents et des fonctions LLM prêts pour la production.
  • Vous rendez la qualité de vos applications LLM mesurable et pilotable grâce à des évaluations automatisées.
  • Vous exploitez vos applications LLM de façon sûre et économique, avec observabilité, protection contre l’injection de prompt et droits maîtrisés.

Programme

Module 1 Architectures d’agents et patrons de conception
  • Workflows ou agents : chaînage de prompts, routage, parallélisation, orchestrateur-exécutants
  • La boucle agentique : planifier, agir, observer, ajuster
  • Systèmes multi-agents, sous-agents et passages de relais entre agents
  • Critères de choix du modèle, du framework et du niveau d’autonomie
Module 2 Tool use et ingénierie du contexte
  • Function calling et sorties structurées avec JSON Schema
  • Bien concevoir ses outils : granularité, nommage, messages d’erreur, idempotence
  • Connecter et réutiliser des outils via des serveurs MCP
  • Gérer la fenêtre de contexte : résumé, compaction, retrieval et prompt caching
Module 3 Les frameworks en pratique
  • Claude Agent SDK : boucle agentique, outils, sous-agents, permissions et hooks
  • OpenAI Agents SDK : agents, handoffs, garde-fous et traçage
  • LangGraph : graphes à état, checkpointing et validation humaine
  • Comparaison sur une même tâche et critères de choix d’un framework
Module 4 Mémoire, évaluations et observabilité
  • Mémoire à court et long terme, stratégies de stockage et d’oubli
  • Jeux d’évaluation, LLM-as-a-judge et mesure du succès par tâche
  • Traçage des appels d’outils, de la consommation de tokens et des latences
  • Tests de non-régression lors de changements de prompts, de modèles ou d’outils
Module 5 Garde-fous, sécurité et déploiement
  • Se protéger contre l’injection de prompt, la fuite de données et les outils trop privilégiés
  • Contrôles des entrées et sorties, étapes de validation et sandboxing
  • Déploiement en service, exécution asynchrone, reprises et plafonds de coûts
  • Gouvernance, journalisation et exigences du RGPD et de l’AI Act européen
Module 6 Atelier pratique : AI engineering & applications LLM
  • Construire des pipelines RAG
  • Automatiser l’évaluation
  • Développer agents et outils
  • Fiabiliser les sorties structurées
  • Observabilité et coûts
  • Contrer l’injection de prompt
Module 7 Protection des données, qualité & mise en pratique
  • Les applications LLM traitent souvent des données personnelles et confidentielles : vous apprenez à situer les exigences de l’AI Act européen en matière de transparence et de niveaux de risque, à concevoir des flux conformes au RGPD avec contrats de sous-traitance et politiques d’effacement, à gérer les clés d’API en sécurité et à respecter les licences des modèles et jeux de données.
  • 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

Construire des pipelines RAG

Implémenter ingestion, découpage, embeddings, recherche vectorielle, recherche hybride et reranking, et générer des réponses sourcées en respectant les droits d’accès des documents d’origine lors de la récupération.

Automatiser l’évaluation

Créer des jeux de test avec réponses attendues, définir des métriques de pertinence, de fidélité et de format, calibrer une évaluation LLM-as-a-judge et l’exécuter en CI à chaque changement de prompt ou de modèle.

Développer agents et outils

Concevoir définitions d’outils et serveurs MCP, implémenter des boucles d’agent avec planification, appels d’outils et conditions d’arrêt, et prévoir droits et validation humaine pour les actions lourdes de conséquences.

Fiabiliser les sorties structurées

Définir des schémas JSON pour les réponses du modèle, valider les sorties, mettre en place des stratégies de relance en cas d’erreur et rendre robustes les tâches d’extraction comme les données de factures ou de contrats.

Observabilité et coûts

Collecter traces, consommation de tokens, latences et taux d’erreur, analyser les conversations problématiques et réduire les coûts grâce au cache, au routage entre modèles et à la réduction du contexte.

Contrer l’injection de prompt

Tester des scénarios d’attaque via documents, pages web ou résultats d’outils manipulés, filtrer entrées et sorties, restreindre les droits des agents et intégrer durablement des tests de red teaming au pipeline.

Projets pratiques possibles

Assistant documentaire sourcé

Un chat RAG sur des documents internes, avec citations, boutons de retour et page d’évaluation qui suit la qualité des réponses sur un jeu de questions.

Banc d’évaluation

Un outil en ligne de commande qui exécute des variantes de prompts sur un jeu de test, note les résultats et met clairement en évidence les écarts entre versions.

Extracteur de documents

Un service qui reçoit des PDF, en extrait des données structurées selon un schéma JSON, les valide et signale les cas incertains pour vérification manuelle.

Prérequis

De solides compétences en Python ou en TypeScript, une expérience des API REST et une première pratique des API de LLM ou des assistants IA. Vous avez de solides compétences en programmation, idéalement en Python ou TypeScript, et l’habitude des API ; une première expérience des API de LLM est utile sans être indispensable.

Prérequis techniques

Un ordinateur portable avec Python ou Node.js, Git et un éditeur de code, ainsi qu’un accès API à au moins un fournisseur de LLM, par exemple Anthropic ou OpenAI. Des identifiants pour les exercices peuvent être fournis si nécessaire.

Protection des données & conformité

Les applications LLM traitent souvent des données personnelles et confidentielles : vous apprenez à situer les exigences de l’AI Act européen en matière de transparence et de niveaux de risque, à concevoir des flux conformes au RGPD avec contrats de sous-traitance et politiques d’effacement, à gérer les clés d’API en sécurité et à respecter les licences des modèles et jeux de données.

Dates & sites

Pour chaque site, nous proposons une date dans environ quatre semaines. Votre date souhaitée reste toujours possible.

  • Munich jeu. 10 décembre 2026 6 h Demander
  • Salzbourg ven. 11 décembre 2026 6 h Demander
  • Berlin ven. 11 décembre 2026 6 h Demander
  • Augsbourg mer. 16 décembre 2026 6 h Demander
  • Hanovre mar. 15 décembre 2026 6 h Demander
  • Brême mer. 16 décembre 2026 6 h Demander
  • Stuttgart lun. 14 décembre 2026 6 h Demander
  • Kaiserslautern ven. 11 décembre 2026 6 h Demander
  • En ligne lun. 14 décembre 2026 6 h Demander

Questions fréquentes

Quel framework d’agents choisir ?

Tout dépend de votre stratégie de modèles, du niveau de contrôle souhaité et des compétences de l’équipe. Les SDK des éditeurs offrent un démarrage léger avec des fonctions bien intégrées, tandis que LangGraph donne un contrôle plus fin sur l’état et les enchaînements. Pendant la formation, vous résolvez la même tâche avec plusieurs frameworks et en tirez des critères de choix concrets.

Comment empêcher un agent d’exécuter des actions erronées ou dangereuses ?

En combinant plusieurs niveaux de protection : outils au périmètre restreint et aux droits minimaux, validation des entrées et sorties, étapes d’approbation pour les actions critiques, sandboxing et évaluation continue. L’injection de prompt via des contenus externes est traitée comme un risque bien réel. Vous appliquez ces mesures directement à votre propre agent.

Toute automatisation nécessite-t-elle un agent ?

Non. De nombreuses tâches se traitent de façon plus fiable, moins coûteuse et plus transparente avec un workflow fixe de quelques appels au LLM. Un agent se justifie lorsque le chemin de résolution ne peut pas être planifié à l’avance et que le système doit s’adapter aux résultats intermédiaires. Nous travaillons précisément cet arbitrage sur des exemples concrets.

Qu’est-ce qui distingue l’AI engineering du machine learning classique ?

En machine learning classique, vous entraînez vos propres modèles sur vos propres données. En AI engineering, vous exploitez le plus souvent des modèles de langage préentraînés via API ou hébergés en interne, et vous vous concentrez sur le contexte, la recherche documentaire, les outils, l’évaluation et l’exploitation. Les compétences en génie logiciel priment alors sur la statistique. C’est précisément l’angle de cette formation.

Comment savoir si notre application LLM est suffisamment bonne ?

Grâce à un jeu d’évaluation composé de questions réalistes et de résultats attendus, à une combinaison de contrôles à base de règles, d’évaluation LLM-as-a-judge et de vérifications humaines par échantillon, ainsi qu’à un suivi en production. L’essentiel est d’exécuter ces évaluations automatiquement à chaque modification. Vous mettez en place un tel dispositif pendant la formation.

Combien coûte la formation « Développement d’agents IA pour les AI engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 6 heures de formation en direct avec un formateur, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Pour chaque site, nous proposons une date dans environ quatre semaines. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et revenons vers vous 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 et Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

La formation peut-elle être adaptée à notre équipe ?

Oui. Les formations sur mesure coûtent environ 4 500 € de plus, selon le sujet et après accord. Nous définissons ensemble au préalable les contenus, exemples et exercices.

Autres formations pour les AI engineers

Autres formations Développement d’agents IA

Les 30 formations Développement d’agents IA

Développement d’agents IA – MunichDéveloppement d’agents IA – SalzbourgDéveloppement d’agents IA – BerlinDéveloppement d’agents IA – AugsbourgDéveloppement d’agents IA – HanovreDéveloppement d’agents IA – BrêmeDéveloppement d’agents IA – StuttgartDéveloppement d’agents IA – KaiserslauternDéveloppement d’agents IA – En ligne