Formation · RAG & applications LLM · Développement Python

RAG & applications LLM pour les développeurs Python

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

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

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.

Python fait tourner back-ends web, automatisation, pipelines de données et applications d’IA, souvent dans la même entreprise : les bases de code sont donc très hétérogènes. Les assistants et agents de codage IA y changent concrètement le quotidien. Ils rédigent des suites pytest à partir de vos fixtures, ajoutent des annotations de type jusqu’à ce que mypy ne signale plus rien, migrent d’anciens scripts vers un packaging moderne avec pyproject.toml et vous expliquent un projet Django ou FastAPI inconnu en quelques minutes. Tout repose sur le contexte fourni : conventions du projet, règles Ruff, commandes de test et choix d’architecture doivent figurer dans des fichiers d’instructions. Vous déléguez alors les tâches répétitives en toute confiance et vous vous consacrez à la conception et à la revue.

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 back-end Python sous Django, Flask ou FastAPI
  • Spécialistes de l’automatisation et du scripting en DSI comme en métier
  • Data engineers et ML engineers qui maintiennent du code Python en production
  • Tech leads garants de la qualité du code et des revues
  • Développeurs chargés de moderniser du code Python historique

Les défis concrets que nous traitons

  • Des bases de code anciennes sans annotations de type et avec une couverture de tests lacunaire
  • Une gestion des dépendances éclatée entre requirements.txt, Poetry, uv et environnements virtuels
  • Des revues chronophages et un style hétérogène malgré linters et formateurs
  • Une prise en main difficile de projets reposant sur un savoir implicite non documenté

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.
  • Confier de manière fiable à des agents IA l’écriture de suites pytest, l’ajout d’annotations de type et les refactorings de votre code Python.
  • Formaliser les conventions du projet, l’outillage comme Ruff, mypy et uv ainsi que les commandes de test pour que l’assistant les respecte systématiquement.
  • Relire méthodiquement le code Python généré sous l’angle de la justesse, de la sécurité et de la maintenabilité avant toute fusion.

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 : Développement Python
  • Générer des tests pytest
  • Annotations de type et nettoyage mypy
  • Migrations Django et refactoring de l’ORM
  • Endpoints FastAPI avec Pydantic
  • Moderniser des scripts historiques
  • Comprendre et documenter une base de code
Module 7 Protection des données, qualité & mise en pratique
  • Définissez quel code source peut être transmis à des modèles hébergés dans le cloud, excluez systématiquement les secrets des fichiers .env et vérifiez le code généré quant aux reprises sous licence et aux nouvelles dépendances PyPI (typosquatting, risques de chaîne d’approvisionnement). Pour les produits comportant des éléments numériques, les obligations du Cyber Resilience Act prennent de plus en plus d’importance.
  • 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

Générer des tests pytest

L’assistant analyse les fonctions et les fixtures existantes, écrit des tests pytest paramétrés couvrant les cas limites et simule les services externes, puis les exécute en boucle jusqu’à ce qu’ils passent avec la couverture visée.

Annotations de type et nettoyage mypy

Le code non typé est annoté module par module avec des type hints, TypedDict et Protocols. L’agent lance mypy ou Pyright, interprète les erreurs et les corrige progressivement sans modifier le comportement à l’exécution.

Migrations Django et refactoring de l’ORM

Les évolutions de modèles sont planifiées avec leurs migrations de données, les conflits de makemigrations résolus et les requêtes N+1 corrigées via select_related ou prefetch_related. L’IA signale les risques pour les données de production avant tout déploiement.

Endpoints FastAPI avec Pydantic

À partir d’une description fonctionnelle ou d’une ébauche OpenAPI, l’assistant produit modèles Pydantic, routers, injection de dépendances et logique de validation, avec gestion des erreurs et tests associés via le TestClient.

Moderniser des scripts historiques

Les vieux scripts deviennent de vrais paquets avec pyproject.toml : suppression de l’état global, ajout d’une interface argparse ou Click, application des règles Ruff. L’agent documente chaque modification de façon claire dans les commits.

Comprendre et documenter une base de code

L’assistant explore un dépôt inconnu, produit une vue d’ensemble de l’architecture, explique les flux de données entre modules et complète les docstrings manquantes au format Google ou NumPy pour accélérer l’intégration des nouveaux arrivants.

Projets pratiques possibles

CLI d’analyse de logs

Un outil en ligne de commande basé sur Typer qui lit les logs applicatifs, regroupe les motifs d’erreur et produit une synthèse en Markdown ou JSON, avec tests et packaging soignés.

Microservice FastAPI avec base de données

Un petit service REST avec SQLAlchemy, migrations Alembic, validation Pydantic et configuration Docker, conçu, implémenté et testé de bout en bout par un agent IA.

Script d’audit des dépendances

Un script qui recense toutes les dépendances du projet, repère les paquets obsolètes ou vulnérables grâce aux bases d’avis de sécurité publiques et génère un rapport de mise à jour priorisé.

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 bonne maîtrise de Python, ainsi qu’une pratique de Git, des environnements virtuels et d’au moins un framework comme Django, Flask ou FastAPI.

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

Définissez quel code source peut être transmis à des modèles hébergés dans le cloud, excluez systématiquement les secrets des fichiers .env et vérifiez le code généré quant aux reprises sous licence et aux nouvelles dépendances PyPI (typosquatting, risques de chaîne d’approvisionnement). Pour les produits comportant des éléments numériques, les obligations du Cyber Resilience Act prennent de plus en plus d’importance.

Dates proposées

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

  • jeu. 26 novembre 2026 – ven. 27 novembre 2026 En ligne Demander
  • lun. 7 décembre 2026 – mar. 8 décembre 2026 Berlin Demander
  • mer. 16 décembre 2026 – jeu. 17 décembre 2026 En ligne Demander
  • mar. 12 janvier 2027 – mer. 13 janvier 2027 En ligne Demander
  • lun. 18 janvier 2027 – mar. 19 janvier 2027 Stuttgart Demander
  • jeu. 28 janvier 2027 – ven. 29 janvier 2027 En ligne 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.

Le codage assisté par IA fonctionne-t-il dans un gros monolithe Django ?

Oui, à condition de fournir le bon contexte à l’agent. Pendant la formation, vous apprenez à rédiger des fichiers d’instructions décrivant les règles d’architecture, la structure des applications et les commandes de test, puis à découper les tâches pour que l’assistant intervienne sur une application ou un module précis. Les modifications restent ainsi lisibles et faciles à relire.

L’IA remplace-t-elle mes revues de code ?

Non. Les assistants IA accélèrent l’écriture du code et peuvent préparer les revues en signalant des tests manquants ou des zones à risque, mais la responsabilité fonctionnelle et sécuritaire reste à l’équipe. Nous montrons comment combiner checklists de revue, analyse statique et tests pour que le code généré respecte les mêmes exigences que le code écrit à la main.

Combien coûte la formation « RAG & applications LLM pour les développeurs Python » ?

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 développeurs Python

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