Vibe & agentic coding
Formations RAG & applications LLM
Développer des applications RAG et LLM : embeddings, bases vectorielles, chunking, retrieval, évaluation, coûts et protection des données.
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.
Contenus clés de toutes les formations RAG & applications LLM
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
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
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 exploitez des applications LLM de manière économique, avec des droits d’accès adaptés et dans le respect de la protection des données.
Les 29 formations RAG & applications LLM
Développement & technique (29)
- RAG & applications LLM pour les AI engineers
- RAG & applications LLM pour les développeurs d’API
- RAG & applications LLM pour les développeurs C# et .NET
- RAG & applications LLM pour les développeurs C/C++ et embarqué
- RAG & applications LLM pour les citizen developers
- RAG & applications LLM pour les data engineers
- RAG & applications LLM pour les data scientists et ML engineers
- RAG & applications LLM pour les équipes DevOps et cloud
- RAG & applications LLM pour les développeurs Go
- RAG & applications LLM pour les outils internes et l’automatisation
- RAG & applications LLM pour les développeurs Java et Spring
- RAG & applications LLM pour les développeurs JavaScript et TypeScript
- RAG & applications LLM pour les équipes Kubernetes et microservices
- RAG & applications LLM pour la modernisation des systèmes hérités
- RAG & applications LLM pour les startups et le développement de MVP
- RAG & applications LLM pour les développeurs mobiles
- RAG & applications LLM pour les développeurs back-end Node.js
- RAG & applications LLM pour les développeurs PHP
- RAG & applications LLM pour les développeurs Python
- RAG & applications LLM pour les développeurs React et front-end
- RAG & applications LLM pour les développeurs Rust
- RAG & applications LLM pour les développeurs SAP ABAP
- RAG & applications LLM pour les professionnels SQL et bases de données
- RAG & applications LLM pour les développeurs Salesforce
- RAG & applications LLM pour les équipes sécurité et DevSecOps
- RAG & applications LLM pour les architectes logiciel
- RAG & applications LLM pour les tech leads et engineering managers
- RAG & applications LLM pour l’automatisation des tests et la QA
- RAG & applications LLM pour les développeurs web
Formation RAG & applications LLM près de chez vous
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.
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.
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.
Demande sans engagement
Nous vous répondons sous un jour ouvré avec une confirmation ou une proposition alternative.