Formation · GitHub Copilot · Data engineering

GitHub Copilot pour les data 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

« GitHub Copilot pour les data engineers » est une formation pratique destinée 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. Vous découvrez GitHub Copilot 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 engineering.

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.

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

  • mer. 25 novembre 2026 – jeu. 26 novembre 2026 En ligne Demander
  • lun. 7 décembre 2026 – mar. 8 décembre 2026 Salzbourg Demander
  • mar. 15 décembre 2026 – mer. 16 décembre 2026 En ligne Demander
  • mer. 13 janvier 2027 – jeu. 14 janvier 2027 En ligne Demander
  • jeu. 28 janvier 2027 – ven. 29 janvier 2027 Brême Demander
  • lun. 8 février 2027 – mar. 9 février 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.

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 « GitHub Copilot 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 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