Formation · RAG & applications LLM · Modernisation de l’existant

RAG & applications LLM pour la modernisation des systèmes hérités

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 la modernisation des systèmes hérités » est une formation pratique destinée notamment aux profils suivants : Développeurs en charge de systèmes COBOL, PL/I ou RPG, Équipes Java et .NET confrontées à des monolithes et frameworks vieillissants et Architectes logiciel et d’entreprise impliqués dans des programmes de modernisation. 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 Modernisation de l’existant.

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.

De nombreux systèmes critiques reposent encore sur du COBOL mainframe, d’anciennes applications Java EE ou des solutions .NET Framework dont les auteurs sont partis depuis longtemps. Les assistants de codage IA et les agents rendent ces bases de code bien plus accessibles : ils expliquent la logique des programmes, reconstituent les règles métier, génèrent des tests de caractérisation et accompagnent une migration progressive vers des langages, frameworks et plateformes cloud modernes. Moderniser reste toutefois un travail d’ingénierie, car une traduction automatique sans compréhension ne fait que créer un nouvel existant. Vous apprendrez à mobiliser l’IA selon des approches éprouvées : le strangler fig, le branch by abstraction ou la couche anticorruption, à figer le comportement par des tests et à fonder vos décisions sur une analyse solide de l’existant.

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 en charge de systèmes COBOL, PL/I ou RPG
  • Équipes Java et .NET confrontées à des monolithes et frameworks vieillissants
  • Architectes logiciel et d’entreprise impliqués dans des programmes de modernisation
  • DSI et chefs de projet responsables de migrations
  • Consultants en modernisation applicative et migration cloud

Les défis concrets que nous traitons

  • Des règles métier enfouies sans documentation dans le code et un savoir disparu avec ses auteurs
  • L’absence de tests automatisés qui rend chaque modification risquée
  • Des frameworks obsolètes, des bibliothèques sans correctifs et des environnements d’exécution propriétaires
  • Des migrations big bang qui échouent sur le périmètre, la reprise de données et la double exploitation

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.
  • Vous utilisez des agents IA pour comprendre les systèmes hérités, documenter les règles métier et rendre les dépendances visibles.
  • Vous sécurisez le comportement existant par des tests de caractérisation générés avant de migrer ou de refactorer.
  • Vous planifiez et pilotez une modernisation incrémentale selon des modèles éprouvés plutôt qu’une bascule big bang risquée.

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 : Modernisation de l’existant
  • Extraire les règles métier
  • Cartographier les dépendances
  • Générer des tests de caractérisation
  • Mettre à niveau les frameworks
  • Traduire et refactorer le code
  • Concevoir une architecture strangler fig
Module 7 Protection des données, qualité & mise en pratique
  • Les systèmes hérités traitent souvent des données clients, financières ou d’assurance : vous apprenez à nettoyer code et données de test avant tout usage de l’IA, à clarifier les questions de licence et de droit d’auteur sur le code traduit et à prendre en compte le RGPD, DORA et les exigences des autorités sectorielles.
  • 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

Extraire les règles métier

Analyser paragraphes COBOL, copybooks ou classes de service Java, documenter la logique de calcul et de décision sous forme de règles lisibles et les valider avec les experts métier.

Cartographier les dépendances

Reconstituer graphes d’appels, chaînes de jobs JCL, accès aux bases et interfaces à partir du code, puis les représenter en diagrammes pour identifier les points de découpe d’un remplacement progressif.

Générer des tests de caractérisation

Figer le comportement actuel par des tests golden master ou d’approbation, dériver des jeux de données anonymisés à partir de cas réels et disposer d’un filet de sécurité avant toute migration.

Mettre à niveau les frameworks

Planifier le passage de Java EE à Jakarta EE ou Spring Boot, ou du .NET Framework vers .NET moderne, repérer les ruptures d’API et appliquer des modifications cohérentes sur de nombreux fichiers.

Traduire et refactorer le code

Convertir des modules COBOL en Java ou C# idiomatique plutôt que ligne à ligne, représenter correctement les décimaux packés et vérifier le résultat face à l’original par des tests comparatifs.

Concevoir une architecture strangler fig

Définir façades, couches de routage et couches anticorruption par lesquelles de nouveaux services reprennent pas à pas les fonctions de l’existant, synchronisation des données et retour arrière compris.

Projets pratiques possibles

Convertisseur de copybooks

Un outil qui lit des copybooks COBOL et génère schémas JSON, records Java ou tables SQL, en traitant correctement les champs décimaux et REDEFINES.

Portail de connaissance de l’existant

Une petite application web qui rend programmes analysés, règles métier et dépendances consultables et répond aux questions sur l’existant en citant ses sources.

Banc de tests comparatifs

Un harnais de test qui envoie les mêmes entrées à l’ancien et au nouveau système, compare les sorties champ par champ et consigne clairement les écarts.

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. Vous avez une expérience de programmation dans au moins un langage de la plateforme source ou cible, par exemple COBOL, Java ou C#, ainsi que des notions d’architecture logicielle.

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 systèmes hérités traitent souvent des données clients, financières ou d’assurance : vous apprenez à nettoyer code et données de test avant tout usage de l’IA, à clarifier les questions de licence et de droit d’auteur sur le code traduit et à prendre en compte le RGPD, DORA et les exigences des autorités sectorielles.

Dates proposées

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

  • mar. 24 novembre 2026 – mer. 25 novembre 2026 En ligne Demander
  • mar. 1 décembre 2026 – mer. 2 décembre 2026 Hanovre Demander
  • jeu. 17 décembre 2026 – ven. 18 décembre 2026 En ligne Demander
  • jeu. 7 janvier 2027 – ven. 8 janvier 2027 Munich Demander
  • mer. 20 janvier 2027 – jeu. 21 janvier 2027 En ligne Demander
  • mer. 27 janvier 2027 – jeu. 28 janvier 2027 Stuttgart 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.

L’IA peut-elle traduire automatiquement un système COBOL en Java ?

L’IA traduit des modules isolés bien plus vite qu’un travail manuel, mais une traduction strictement ligne à ligne produit souvent un code difficile à maintenir. Mieux vaut d’abord comprendre et tester les règles métier, puis concevoir délibérément l’architecture cible. Pendant la formation, vous associez traduction assistée par IA, tests comparatifs et refactoring.

Comment traiter des bases de code très volumineuses ?

Un grand système hérité ne tient pas entièrement dans le contexte d’un modèle. On procède par inventaire méthodique, résumés par module, graphes de dépendances et récupération ciblée du code pertinent. Les agents travaillent alors module par module avec une mission précise. Vous apprenez à bâtir cette structure et à en tirer des éléments concrets pour vos décisions d’architecture.

Combien coûte la formation « RAG & applications LLM pour la modernisation des systèmes hérités » ?

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 la modernisation des systèmes hérités

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