Formation · RAG & applications LLM · Automatisation des tests & QA

RAG & applications LLM pour l’automatisation des tests et la QA

Développer des applications RAG et LLM : embeddings, bases vectorielles, chunking, retrieval, évaluation, coûts et protection des données.

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

« RAG & applications LLM pour l’automatisation des tests et la QA » est une formation pratique destinée notamment aux profils suivants : Automaticiens de test et SDET, Ingénieurs QA et responsables de recette et Développeurs en charge de suites de tests. Vous découvrez RAG & applications LLM non pas de façon abstraite, mais à travers des tâches de votre quotidien – avec des exemples, des exercices et des modèles issus du domaine Automatisation des tests & QA.

La génération augmentée par récupération, ou RAG, relie les modèles de langage à vos propres connaissances : manuels, contrats, tickets, wikis ou données produits deviennent interrogeables et sont fournis au modèle comme contexte au moment de la requête. Vous obtenez des assistants qui répondent sur des bases solides, sources à l’appui, au lieu d’halluciner. Pendant ces deux jours, vous construisez un pipeline RAG complet, de la préparation des documents à la génération des réponses en passant par les embeddings et la base vectorielle, et identifiez les leviers qui font réellement la qualité.

Le second jour mène du prototype à une application robuste. Vous comparez les stratégies de chunking, combinez recherche sémantique et lexicale, appliquez reranking, filtres de métadonnées et reformulation des requêtes, puis mesurez leur effet grâce à des évaluations systématiques. Sont également abordés le prompt caching, la maîtrise des coûts, l’optimisation de la latence, les droits d’accès au niveau des documents et une exploitation conforme au RGPD et à l’AI Act européen. Vous saurez quand un RAG classique suffit, quand une grande fenêtre de contexte ou un retrieval agentique convient mieux, et comment justifier vos choix d’architecture.

L’assurance qualité est sous pression : les cycles de livraison raccourcissent, les applications se complexifient et le codage assisté par IA produit davantage de code en moins de temps, à tester. Les automaticiens de test et ingénieurs QA tirent donc un bénéfice particulier des assistants et agents IA. Ceux-ci déduisent des cas de test des user stories et critères d’acceptation, écrivent des tests Playwright ou Cypress aux sélecteurs robustes, génèrent des tests d’API à partir de spécifications OpenAPI, analysent les tests instables et construisent des générateurs de données de test. Le rôle évolue aussi : la QA devient la fonction qui sécurise méthodiquement le code généré par l’IA. Vous apprendrez à utiliser l’IA pour concevoir, automatiser et analyser les tests, et à adapter votre stratégie à ce nouveau rythme.

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 ?

  • Automaticiens de test et SDET
  • Ingénieurs QA et responsables de recette
  • Développeurs en charge de suites de tests
  • Testeurs fonctionnels qui se lancent dans l’automatisation

Les défis concrets que nous traitons

  • Des tests de bout en bout instables, avec problèmes de synchronisation et sélecteurs fragiles
  • Un effort important de rédaction, de maintenance des cas de test et de préparation des données
  • Une couverture lacunaire des API, des cas limites et des scénarios d’erreur
  • Un volume croissant de code généré par l’IA à sécuriser de manière ciblée

Objectifs pédagogiques

  • Vous construisez un pipeline RAG complet, de la préparation des documents aux réponses sourcées.
  • Vous choisissez de façon argumentée modèle d’embeddings, stratégie de chunking et base vectorielle.
  • Vous améliorez la pertinence des résultats grâce à la recherche hybride, au reranking et aux filtres de métadonnées.
  • Vous mesurez la qualité de votre application par des évaluations systématiques et détectez les régressions.
  • Déduire méthodiquement des cas de test des exigences avec l’IA et les automatiser avec Playwright, Cypress ou des tests d’API.
  • Analyser les tests instables et les lacunes de couverture avec l’IA et les corriger durablement.
  • Adapter votre stratégie de test au développement assisté par IA et sécuriser de façon ciblée le code généré.

Programme

Jour 1

Module 1 Fondamentaux du RAG et des applications LLM
  • Anatomie d’un pipeline RAG : ingestion, indexation, recherche, génération
  • Comprendre les embeddings : similarité sémantique, dimensions, choix du modèle
  • Arbitrer entre RAG, fine-tuning et grandes fenêtres de contexte
  • Sorties structurées, citation des sources et gestion des hallucinations
Module 2 Préparation des documents et chunking
  • Extraire de façon fiable PDF, documents bureautiques, HTML et tableaux
  • Stratégies de chunking : taille fixe, selon la structure, sémantique, avec chevauchement
  • Enrichir les métadonnées et générer des résumés contextuels par chunk
  • Mise à jour incrémentale et suppression de documents dans l’index
Module 3 Bases vectorielles et stratégies de recherche
  • Comparer bases et extensions vectorielles comme pgvector, Qdrant, Weaviate ou OpenSearch
  • Recherche hybride combinant vecteurs et plein texte avec BM25
  • Reranking, filtres de métadonnées et reformulation des requêtes
  • Retrieval agentique : le modèle décide lui-même des étapes de recherche et des outils
Module 4 Évaluation et assurance qualité
  • Constituer et entretenir des jeux de test à partir de vraies questions
  • Métriques de recherche comme le rappel et la précision, métriques de réponse comme la fidélité
  • Utiliser et calibrer à bon escient un LLM-as-a-judge
  • Tests de non-régression lors de changements de chunking, de modèle ou de prompt

Jour 2

Module 5 Exploitation, coûts et protection des données
  • Prompt caching, traitement par lots et choix du modèle pour réduire les coûts
  • Optimiser la latence et diffuser les réponses en streaming
  • Droits au niveau des documents, cloisonnement des clients et protection contre l’injection de prompt
  • Protection des données : localisation, sous-traitance, politique de suppression, RGPD et AI Act européen
Module 6 Atelier pratique : Automatisation des tests & QA
  • Déduire les cas de test des exigences
  • Écrire des tests Playwright et Cypress
  • Analyser les tests instables
  • Tests d’API à partir de spécifications
  • Générer des données de test
  • Couverture et tests de mutation
Module 7 Protection des données, qualité & mise en pratique
  • Les données de test doivent être synthétiques ou efficacement anonymisées : des données de production à caractère personnel ne peuvent être utilisées sans protection ni en environnement de test ni dans les prompts (RGPD). Les identifiants des systèmes de test relèvent d’un coffre-fort de secrets, pas du code de test, et dans les secteurs réglementés les résultats de test doivent être traçables et documentés, par exemple comme preuves au titre de NIS2 ou du Cyber Resilience Act.
  • 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

Déduire les cas de test des exigences

L’assistant transforme user stories et critères d’acceptation en cas de test structurés – classes d’équivalence, valeurs limites, scénarios négatifs –, au besoin sous forme de scénarios Gherkin pour le BDD.

Écrire des tests Playwright et Cypress

L’IA rédige des tests de bout en bout avec sélecteurs basés sur les rôles, page objects ou fixtures et attentes explicites plutôt que des pauses fixes, puis les exécute en boucle jusqu’à stabilité.

Analyser les tests instables

L’agent examine historique, traces, captures et logs, identifie les causes – conditions de concurrence, dépendances entre tests, données instables – et propose des corrections durables.

Tests d’API à partir de spécifications

Les descriptions OpenAPI donnent des tests d’API couvrant codes de statut, schémas, authentification et cas d’erreur, ainsi que des tests de contrat qui révèlent tôt les changements d’interface entre équipes.

Générer des données de test

L’IA crée des générateurs de données synthétiques réalistes, des factories et des scripts d’initialisation qui couvrent délibérément les cas limites sans recourir à de vraies données personnelles.

Couverture et tests de mutation

Les rapports de couverture et les résultats des outils de mutation testing sont analysés, les chemins non testés identifiés et les tests manquants ajoutés pour renforcer la valeur réelle de la suite.

Projets pratiques possibles

Rapport de tests instables

Un script qui agrège les résultats JUnit XML de plusieurs exécutions de CI, repère les tests instables et produit une liste priorisée avec les motifs d’échec.

Générateur de données de test

Une CLI qui crée, à partir d’un schéma de base de données ou d’un JSON Schema, des enregistrements synthétiques réalistes incluant les cas limites.

Suite E2E pour une application de démo

Une suite Playwright avec page objects, comparaisons visuelles et intégration CI, construite par un agent IA pour une application web existante.

Prérequis

De solides compétences en Python (ou à défaut en TypeScript), des bases en bases de données et API REST ainsi qu’une première expérience des API de LLM. Une expérience du test logiciel ou de l’automatisation des tests et des bases dans au moins un langage comme JavaScript, TypeScript, Python ou Java.

Prérequis techniques

Un ordinateur portable avec Python, Git, Docker et un éditeur de code, ainsi qu’un accès API à au moins un fournisseur de LLM et d’embeddings. Des identifiants pour les exercices peuvent être fournis si nécessaire.

Protection des données & conformité

Les données de test doivent être synthétiques ou efficacement anonymisées : des données de production à caractère personnel ne peuvent être utilisées sans protection ni en environnement de test ni dans les prompts (RGPD). Les identifiants des systèmes de test relèvent d’un coffre-fort de secrets, pas du code de test, et dans les secteurs réglementés les résultats de test doivent être traçables et documentés, par exemple comme preuves au titre de NIS2 ou du Cyber Resilience Act.

Dates proposées

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

  • jeu. 26 novembre 2026 – ven. 27 novembre 2026 En ligne Demander
  • mar. 8 décembre 2026 – mer. 9 décembre 2026 Berlin Demander
  • mer. 16 décembre 2026 – jeu. 17 décembre 2026 En ligne Demander
  • lun. 11 janvier 2027 – mar. 12 janvier 2027 Stuttgart Demander
  • lun. 18 janvier 2027 – mar. 19 janvier 2027 En ligne Demander
  • jeu. 28 janvier 2027 – ven. 29 janvier 2027 Hanovre Demander

Questions fréquentes

Quand privilégier le RAG plutôt que le fine-tuning ?

Le RAG s’impose lorsqu’un modèle doit s’appuyer sur des connaissances récentes, volumineuses ou changeantes, et citer ses sources. Le fine-tuning agit plutôt sur le style, le format ou un comportement spécialisé. Dans beaucoup de projets, le RAG est la voie la plus rapide, la moins coûteuse et la plus maîtrisable, parfois complétée par un fine-tuning ciblé.

Quelle base de données vectorielle choisir ?

Cela dépend du volume de données, de l’infrastructure existante, des besoins de filtrage et du mode d’exploitation. Si vous utilisez déjà PostgreSQL, pgvector vous mènera souvent loin ; les solutions spécialisées se distinguent sur les gros volumes et la recherche hybride. Vous comparez plusieurs options en pratique pour définir vos critères de choix.

Comment exploiter un RAG en conformité avec le RGPD ?

Il faut choisir des fournisseurs offrant une localisation des données adaptée et un contrat de sous-traitance, contrôler les droits au niveau des documents, prévoir une politique de suppression pour l’index et les journaux et minimiser les données personnelles. Pour les données très sensibles, des modèles auto-hébergés sont envisageables. Nous examinons ces options sur des architectures réalistes.

Faut-il savoir programmer pour suivre cette formation ?

Des bases dans un langage de programmation sont utiles, car vous devrez lire, comprendre et adapter les tests générés. Les testeurs fonctionnels peu expérimentés en code en tirent néanmoins un grand profit, l’IA expliquant le code et facilitant les premiers pas dans l’automatisation. Les exercices tiennent compte des différents niveaux de départ.

L’IA remplace-t-elle les tests manuels et exploratoires ?

Non. L’IA automatise les tâches répétitives comme la rédaction de cas de test, le scripting et l’analyse des échecs, ce qui libère du temps pour les tests exploratoires, l’évaluation des risques et la recette fonctionnelle. Face au code généré par l’IA, le jugement critique de professionnels QA expérimentés devient plus important, et non l’inverse.

Combien coûte la formation « RAG & applications LLM pour l’automatisation des tests et la QA » ?

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 l’automatisation des tests et la QA

Autres formations RAG & applications LLM

Les 29 formations RAG & applications LLM

RAG & applications LLM · MunichRAG & applications LLM · SalzbourgRAG & applications LLM · BerlinRAG & applications LLM · AugsbourgRAG & applications LLM · HanovreRAG & applications LLM · BrêmeRAG & applications LLM · StuttgartRAG & applications LLM · KaiserslauternRAG & applications LLM · En ligne