Formation · OpenAI Codex · Data science & machine learning

OpenAI Codex pour les data scientists et ML engineers

Déléguer le développement avec OpenAI Codex : CLI et agent cloud, AGENTS.md, sandbox, approbations et workflows de PR en équipe.

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

« OpenAI Codex 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 OpenAI Codex 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.

OpenAI Codex est un agent de développement qui fonctionne aussi bien en local, sous forme d’outil en ligne de commande et d’extension d’IDE, que dans le cloud. En local, Codex lit votre dépôt, propose des modifications et exécute des commandes dans un environnement isolé. Dans le cloud, il traite en parallèle les tâches que vous lui déléguez dans des conteneurs dédiés et restitue des diffs ou des pull requests traçables. En deux jours, vous apprenez à combiner ces deux usages et à découper le travail pour que l’agent le mène à bien.

Le pilotage et la sécurité sont au cœur de la formation. Avec AGENTS.md, vous transmettez à Codex la connaissance du projet, les commandes de build et de test ainsi que vos conventions. Vous configurez les modes d’approbation et la sandbox pour que l’agent n’agisse que dans le cadre autorisé, et préparez des environnements cloud avec des scripts d’installation adaptés. Vous intégrez enfin Codex à vos workflows de pull request, exploitez la revue de code automatisée et fixez les règles de délégation et de contrôle avant fusion.

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 utilisez Codex en local et dans le cloud pour les tâches de développement adaptées à chaque mode.
  • Vous rédigez un AGENTS.md qui guide l’agent de manière fiable dans votre projet.
  • Vous configurez modes d’approbation et sandbox selon vos exigences de sécurité.
  • Vous déléguez des tâches à l’agent cloud et en vérifiez méthodiquement les résultats.
  • 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 Panorama de Codex : CLI, IDE et cloud
  • Comparer le fonctionnement de Codex en local et dans le cloud
  • Installer la CLI Codex, s’authentifier et la lancer dans un dépôt
  • Sessions interactives, exécution non interactive et choix du modèle
  • Distinguer les tâches adaptées à un agent de celles qui ne le sont pas
Module 2 La connaissance du projet avec AGENTS.md
  • Construire un AGENTS.md avec les commandes de build, de test et de lint
  • Formuler précisément conventions, repères d’architecture et interdits
  • Utiliser des AGENTS.md imbriqués pour les monorepos et sous-projets
  • Mesurer l’effet des consignes et les améliorer par itérations
Module 3 Sandbox, approbations et sécurité
  • Choisir le mode d’approbation, de la lecture seule à une large autonomie
  • Comprendre les limites de la sandbox pour le système de fichiers et le réseau
  • Gérer secrets, dépendances téléchargées et injection de prompt
  • Fichiers de configuration pour des standards d’équipe et des réglages sûrs par défaut
Module 4 Déléguer des tâches à l’agent cloud
  • Configurer des environnements cloud avec scripts d’installation et dépendances
  • Rédiger des tâches avec objectif, contexte et critères d’acceptation
  • Lancer plusieurs tâches en parallèle et comparer les résultats
  • S’appuyer sur les journaux et sorties de tests pour comprendre les solutions

Jour 2

Module 5 Workflows de PR et revue de code en équipe
  • Transformer les résultats en pull requests et demander des corrections
  • Utiliser la revue de code automatisée de Codex sur GitHub
  • Intégrer Codex dans des scripts et des pipelines CI
  • Définir les règles d’équipe : délégation, obligations de revue, responsabilités
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

Vous avez une pratique réelle de la programmation, maîtrisez Git et la ligne de commande et connaissez les workflows basés sur les pull requests. 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

Ordinateur portable personnel avec terminal, Git et environnement Node.js ; une offre ChatGPT incluant Codex ou une clé API OpenAI, ainsi qu’un compte GitHub pour les exercices cloud.

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
  • jeu. 10 décembre 2026 – ven. 11 décembre 2026 Brême Demander
  • lun. 11 janvier 2027 – mar. 12 janvier 2027 En ligne Demander
  • lun. 25 janvier 2027 – mar. 26 janvier 2027 Salzbourg Demander
  • mer. 3 février 2027 – jeu. 4 février 2027 En ligne Demander
  • mar. 16 février 2027 – mer. 17 février 2027 Kaiserslautern Demander

Questions fréquentes

Quand utiliser Codex en local et quand dans le cloud ?

En local, vous travaillez de manière interactive au plus près du code, par exemple pour déboguer ou explorer une piste en suivant chaque étape. L’agent cloud convient aux tâches bien délimitées qui peuvent se dérouler seules, comme compléter des tests ou corriger de petits bugs. Vous pouvez en lancer plusieurs en parallèle et relire chacune sous forme de pull request.

Que doit contenir un bon AGENTS.md ?

Un bon AGENTS.md explique comment construire, tester et vérifier le projet, quelles conventions s’appliquent et quelles zones ne doivent pas être modifiées. Il reste court, concret et à jour. Des repères d’architecture et la liste des pièges fréquents sont également utiles. Pendant la formation, vous rédigez un AGENTS.md pour votre propre projet et en mesurez l’effet.

Est-il risqué de laisser Codex exécuter des commandes ?

Par défaut, Codex travaille dans une sandbox qui restreint l’accès aux fichiers et au réseau, et demande une approbation avant les opérations sensibles. Vous déterminez le degré d’autonomie via les modes d’approbation et la configuration. La formation vous apprend à choisir ces réglages en connaissance de cause et à limiter des risques comme l’injection de prompt.

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 « OpenAI Codex 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 OpenAI Codex

Les 32 formations OpenAI Codex

OpenAI Codex · MunichOpenAI Codex · SalzbourgOpenAI Codex · BerlinOpenAI Codex · AugsbourgOpenAI Codex · HanovreOpenAI Codex · BrêmeOpenAI Codex · StuttgartOpenAI Codex · KaiserslauternOpenAI Codex · En ligne