Formation · GitHub Copilot · AI engineering & applications LLM

GitHub Copilot pour les AI engineers

Maîtriser GitHub Copilot : complétion, chat, mode Agent, agent de codage pour issues et PR, revue de code et politiques d’entreprise.

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

Cette formation associe GitHub Copilot aux processus quotidiens du domaine AI engineering & applications LLM. Les participants travaillent sur des scénarios réalistes et repartent avec des prompts, des workflows et des checklists immédiatement utilisables.

GitHub Copilot n’est plus un simple outil d’autocomplétion : c’est une plateforme d’IA qui accompagne tout le cycle de développement. Dans l’éditeur, vous disposez des suggestions en ligne, des suggestions de prochaine modification et de Copilot Chat ; en mode Agent, Copilot traite des tâches sur plusieurs fichiers et exécute des commandes. Sur GitHub, l’agent de codage prend en charge les issues qui lui sont assignées et livre des pull requests. En deux jours, vous apprenez à mobiliser chacune de ces briques à bon escient.

Au-delà de la pratique dans l’éditeur, la formation aborde le pilotage et la qualité. Les instructions personnalisées et les fichiers de prompts transmettent à Copilot la connaissance du projet, MCP lui ouvre d’autres outils, et la revue de code Copilot complète la relecture humaine. Pour les responsables d’équipe et d’organisation, nous traitons les politiques au niveau de l’organisation et de l’entreprise, les exclusions de contenu, l’activation des modèles et le suivi de l’usage, afin de préparer un déploiement sûr, traçable et efficace.

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 utilisez à bon escient la complétion, le chat et le mode Agent de Copilot dans vos tâches quotidiennes.
  • Vous formalisez la connaissance du projet dans des instructions personnalisées et des fichiers de prompts pour améliorer les résultats.
  • Vous confiez les issues adaptées à l’agent de codage et relisez ses pull requests avec rigueur.
  • Vous intégrez la revue de code Copilot de façon pertinente dans votre processus de revue.
  • 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

Jour 1

Module 1 Copilot dans l’éditeur : complétion et chat
  • Accepter, rejeter et orienter efficacement les suggestions en ligne et de prochaine modification
  • Utiliser Copilot Chat pour expliquer du code, déboguer et générer des tests
  • Définir le contexte avec précision : fichiers, sélection, espace de travail, variables de chat
  • Choix du modèle et différences entre VS Code, Visual Studio et les IDE JetBrains
Module 2 Mode Agent et extensions
  • Planifier des tâches en plusieurs étapes en mode Agent et en garder le contrôle
  • Intégrer commandes du terminal, exécutions de tests et erreurs dans la boucle de l’agent
  • Connecter des serveurs MCP pour accéder à d’autres outils et sources de données
  • Relire les modifications, les accepter en partie ou les annuler
Module 3 Transmettre le savoir du projet avec les instructions personnalisées
  • Rédiger des instructions de dépôt sur l’architecture, le style et les tests
  • Créer des instructions par chemin et des fichiers de prompts réutilisables
  • Combiner judicieusement consignes personnelles et consignes d’organisation
  • Améliorer les instructions en continu selon la qualité obtenue
Module 4 Agent de codage et revue de code sur GitHub
  • Rédiger des issues que l’agent de codage peut traiter de manière fiable
  • Relire, commenter et faire itérer les pull requests de l’agent
  • Utiliser la revue de code Copilot comme contrôle complémentaire dans le processus de PR
  • Configurer l’environnement de l’agent grâce aux étapes de préparation et aux Actions

Jour 2

Module 5 Administration, politiques et sécurité
  • Attribution des licences et politiques au niveau de l’organisation et de l’entreprise
  • Exclusions de contenu, activation des modèles et filtre de code public
  • Exploiter journaux d’audit et métriques d’usage pour piloter l’adoption
  • Clarifier risques de sécurité, gestion des secrets et responsabilités sur le code généré
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

Vous développez régulièrement, travaillez avec Git et GitHub (issues, pull requests) et utilisez un IDE moderne. 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

Ordinateur portable personnel avec VS Code ou un IDE JetBrains, l’extension Copilot installée et un compte GitHub disposant d’une licence Copilot active ; l’agent de codage nécessite une offre adaptée.

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 proposées

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

  • mar. 24 novembre 2026 – mer. 25 novembre 2026 En ligne Demander
  • lun. 30 novembre 2026 – mar. 1 décembre 2026 Munich Demander
  • jeu. 10 décembre 2026 – ven. 11 décembre 2026 En ligne Demander
  • jeu. 7 janvier 2027 – ven. 8 janvier 2027 En ligne Demander
  • mar. 12 janvier 2027 – mer. 13 janvier 2027 Hanovre Demander
  • mer. 27 janvier 2027 – jeu. 28 janvier 2027 En ligne Demander

Questions fréquentes

Quelle différence entre le mode Agent et l’agent de codage ?

Le mode Agent fonctionne dans votre IDE : vous travaillez en interaction avec Copilot, suivez chaque étape et validez les commandes. L’agent de codage, lui, opère de façon autonome sur GitHub dès que vous lui assignez une issue, dans son propre environnement d’exécution, puis ouvre une pull request que vous relisez comme la contribution d’un collègue.

Comment s’assurer que Copilot respecte nos règles internes ?

Au niveau de l’organisation et de l’entreprise, vous activez ou bloquez fonctionnalités, modèles et extensions. Les exclusions de contenu tiennent les fichiers sensibles à l’écart du contexte, et les journaux d’audit rendent l’usage traçable. Pendant la formation, nous montrons comment articuler ces leviers avec la protection des données, la sécurité de l’information et vos standards de code.

La formation est-elle utile si nous utilisons déjà Copilot ?

Oui, et même tout particulièrement. Beaucoup d’équipes s’en tiennent à la complétion et exploitent peu le chat, le mode Agent, les instructions personnalisées ou l’agent de codage. La formation montre comment les utiliser de façon structurée, améliorer les résultats grâce au contexte du projet et éviter les pièges courants. Les utilisateurs aguerris tirent surtout profit des volets revue et gouvernance.

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 « GitHub Copilot pour les AI 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 AI engineers

Autres formations GitHub Copilot

Les 32 formations GitHub Copilot

GitHub Copilot · MunichGitHub Copilot · SalzbourgGitHub Copilot · BerlinGitHub Copilot · AugsbourgGitHub Copilot · HanovreGitHub Copilot · BrêmeGitHub Copilot · StuttgartGitHub Copilot · KaiserslauternGitHub Copilot · En ligne