Formation · Développement d’agents IA · Data science & machine learning

Développement d’agents IA pour les data scientists et ML engineers

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

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

« Développement d’agents IA pour les data scientists et ML engineers » est une formation pratique destinée notamment aux profils suivants : Data scientists en directions métier et équipes analytiques, ML engineers responsables de l’entraînement et du déploiement et Data analysts qui se lancent en Python et en machine learning. Vous découvrez Développement d’agents IA non pas de façon abstraite, mais à travers des tâches de votre quotidien – avec des exemples, des exercices et des modèles issus du domaine Data science & machine learning.

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 de deux jours 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.

La data science et le machine learning reposent sur des allers-retours rapides entre exploration, modélisation et mise en production. Une grande partie du temps passe dans la préparation des données avec pandas ou Polars, le feature engineering, la visualisation, les expériences d’hyperparamètres et, enfin, la transformation de notebooks en pipelines maintenables. Les assistants et agents de codage IA accélèrent chacune de ces étapes : code d’exploration et de visualisation, stratégies de validation, refactoring de notebooks en modules Python testés, scripts d’entraînement scikit-learn ou PyTorch, suivi d’expériences avec MLflow. La rigueur méthodologique reste toutefois indispensable, car un code d’apparence plausible peut masquer une fuite de données ou des métriques trompeuses. Vous apprendrez à utiliser l’IA efficacement tout en garantissant la qualité statistique de vos résultats.

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 scientists en directions métier et équipes analytiques
  • ML engineers responsables de l’entraînement et du déploiement
  • Data analysts qui se lancent en Python et en machine learning
  • Chercheurs et développeurs aux flux de travail centrés sur les notebooks
  • Équipes MLOps exploitant des modèles en production

Les défis concrets que nous traitons

  • Des notebooks touffus, difficiles à reproduire et à industrialiser
  • Une préparation des données et un feature engineering chronophages
  • Des erreurs méthodologiques : fuite de données, métriques inadaptées, validation biaisée
  • Un manque de traçabilité des expériences, des modèles et des versions de données

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.
  • Accélérer exploration, feature engineering et modélisation avec des assistants IA sans renoncer à la rigueur méthodologique.
  • Transformer, avec des agents IA, le code des notebooks en pipelines ML testés et reproductibles.
  • Repérer les erreurs typiques du code ML généré, comme les fuites de données ou les métriques inadaptées, et les corriger de manière ciblée.

Programme

Jour 1

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

Jour 2

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 : Data science & machine learning
  • Analyse exploratoire des données
  • Des notebooks aux pipelines
  • Entraînement et validation des modèles
  • Suivi d’expériences et MLOps
  • Expliquer et auditer les modèles
  • Évaluer des prototypes LLM et RAG
Module 7 Protection des données, qualité & mise en pratique
  • Les données d’entraînement et d’analyse contiennent souvent des informations personnelles : utilisez dans les prompts des schémas, des agrégats ou des données synthétiques et respectez les principes du RGPD comme la limitation des finalités. Pour les systèmes à haut risque, l’AI Act européen impose des exigences de qualité des données, de documentation et de transparence ; les licences des jeux de données, modèles pré-entraînés et paquets Python sont également à vérifier.
  • 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

Analyse exploratoire des données

L’assistant génère le code de profilage, de distributions, de corrélations et de valeurs manquantes avec pandas ou Polars, produit des visualisations parlantes et synthétise les anomalies sous forme d’hypothèses de modélisation.

Des notebooks aux pipelines

L’agent refactorise le code des notebooks en modules Python avec fonctions, configuration et tests pytest, supprime les états cachés et rend l’entraînement comme l’inférence reproductibles.

Entraînement et validation des modèles

L’IA construit des pipelines scikit-learn ou des boucles d’entraînement PyTorch avec validation croisée rigoureuse, métriques adaptées et modèles de référence, et signale activement les risques de fuite de données ou de déséquilibre des classes.

Suivi d’expériences et MLOps

L’assistant configure MLflow ou un outil équivalent pour les paramètres, métriques et artefacts, versionne les modèles et crée des workflows d’entraînement et de déploiement intégrés à la CI/CD.

Expliquer et auditer les modèles

Avec SHAP, l’importance par permutation ou les partial dependence plots, l’IA produit des explications des décisions du modèle ainsi que des analyses d’équité et de robustesse sur les sous-groupes pertinents.

Évaluer des prototypes LLM et RAG

L’IA aide à constituer des jeux d’évaluation, des métriques de notation automatisées et des expériences comparatives entre variantes de prompts, modèles d’embedding ou stratégies de recherche.

Projets pratiques possibles

Prédiction d’attrition expliquée

Un projet complet, de la préparation des données à un modèle de gradient boosting, jusqu’à une petite application Streamlit affichant prédictions et explications SHAP.

Script de surveillance de modèle

Un script qui compare dans le temps les distributions des données et des prédictions, détecte les dérives et génère un rapport synthétique illustré.

Banc d’évaluation pour un chatbot RAG

Un dispositif de test avec jeu de questions, réponses de référence et notation automatique, qui compare plusieurs configurations de recherche et de prompts.

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. Une bonne maîtrise de Python, une pratique de pandas ou Polars et de scikit-learn, ainsi que des bases en statistiques et en machine learning.

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 données d’entraînement et d’analyse contiennent souvent des informations personnelles : utilisez dans les prompts des schémas, des agrégats ou des données synthétiques et respectez les principes du RGPD comme la limitation des finalités. Pour les systèmes à haut risque, l’AI Act européen impose des exigences de qualité des données, de documentation et de transparence ; les licences des jeux de données, modèles pré-entraînés et paquets Python sont également à vérifier.

Dates proposées

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

  • mer. 25 novembre 2026 – jeu. 26 novembre 2026 En ligne Demander
  • mer. 9 décembre 2026 – jeu. 10 décembre 2026 Brême Demander
  • jeu. 14 janvier 2027 – ven. 15 janvier 2027 En ligne Demander
  • mer. 20 janvier 2027 – jeu. 21 janvier 2027 Salzbourg Demander
  • mar. 26 janvier 2027 – mer. 27 janvier 2027 En ligne Demander
  • lun. 1 février 2027 – mar. 2 février 2027 Kaiserslautern 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.

Peut-on faire confiance à l’IA sur les questions statistiques ?

Les assistants IA connaissent très bien les méthodes courantes, mais commettent parfois des erreurs méthodologiques, par exemple dans la séparation des données d’entraînement et de test ou le choix des métriques. Vous apprendrez à interroger explicitement l’IA sur ses hypothèses et les risques, à confronter les résultats à des références et contrôles de cohérence, et à garder la responsabilité scientifique.

Le codage assisté par IA fonctionne-t-il dans Jupyter ?

Oui. De nombreux assistants prennent en charge les notebooks, et les agents savent aussi les lire, les exécuter et les convertir en modules. Nous montrons dans quels cas les notebooks sont idéaux pour l’exploration et comment passer efficacement, avec l’aide de l’IA, à un code versionné et testé.

Combien coûte la formation « Développement d’agents IA pour les data scientists et ML 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 scientists et ML 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