AI Engineer
Le parcours complet : du fonctionnement interne des modèles jusqu'à une application déployée, vendue et maintenue. Outils, RAG, MCP, agents, évaluation et garde-fous, puis outils hébergés, mémoire, SDK d'agents, voix, red teaming, industrialisation, messageries, fine-tuning et mise sur le marché. Chaque module se termine par une pratique guidée dans VS Code.
- Pour qui
- Développeurs, étudiants scientifiques, et tous après la Passerelle
- Prérequis
- Passerelle ou bases de Python
0 leçon terminée sur 139 disponibles
Le premier module est en accès libre. Le parcours complet compte 25 modules.
Paiement unique, accès à vie. Mobile money ou carte bancaire.
Programme
- 01
Comment fonctionne un LLMAccès libre
7 leçonsTokens, embeddings, fenêtre de contexte, température : le modèle vu de l'intérieur.
Du texte aux nombres
Produire du texte
- 02
Les API de modèles
6 leçonsAppeler Claude et Gemini en profondeur : réponses en continu, images, documents, coûts et mise en cache.
Maîtriser les appels
Au-delà du texte
Coûts et performance
- 03
Prompt engineering pour développeurs
6 leçonsPrompts système, exemples, raisonnement guidé, itération méthodique.
La consigne système
Guider sans sur-contraindre
Itérer méthodiquement
- 04
Sorties structurées avec Pydantic
6 leçonsObtenir des réponses fiables et validées que votre code peut exploiter.
Extraire des données
Des schémas pour la production
- 05
Tool use : donner des outils au modèle
6 leçonsTransformer des fonctions en outils et orchestrer leurs appels.
Un assistant outillé
Gemini et sécurité
- 06
RAG : faire répondre le modèle sur vos données
6 leçonsRecherche d'information, bases vectorielles, découpage et génération.
Le principe du RAG
Construire la base
- 07
RAG avancé et évaluation
6 leçonsTechniques de récupération avancées et mesure de la qualité des réponses.
Requêtes et classement
Évaluer les réponses
- 08
MCP : connecter le modèle à vos systèmes
6 leçonsCréer un serveur et un client MCP, exposer outils, ressources et prompts.
Brancher les modèles
- 09
Workflows agentiques
6 leçonsRéflexion, planification, boucles d'outils et graphes d'agents.
Du workflow à l'agent
Un agent autonome
Graphes et évaluation
- 10
Systèmes multi-agents
6 leçonsRépartir un travail entre plusieurs agents spécialisés.
Une équipe d'agents
Fiabiliser et mesurer
- 11
Évaluer une application d'IA
6 leçonsJeux de tests, évaluateurs, traces et débogage.
Les évaluateurs
- 12
Garde-fous et fiabilité
6 leçonsValider les entrées et sorties, limiter les hallucinations et les abus.
Protéger les entrées
Contrôler les sorties
- 13
LLMOps
6 leçonsVersionner, déployer, surveiller et faire évoluer une application d'IA.
Mettre en service
Observer et maîtriser
Faire évoluer
- 14
Modèles locaux et embarqués
6 leçonsQuantization, exécution sur sa machine et sur appareil.
Applications locales
- 15
Outils hébergés : web, code et fichiers
5 leçonsRecherche web, lecture de pages, exécution de code et fichiers chez l'éditeur : des capacités puissantes en quelques lignes, avec leurs limites.
Chercher sur le web
Exécuter du code et manipuler des fichiers
- 16
Documents complexes et bases de données
4 leçonsLire des PDF avec citations, extraire des données en masse à moitié prix, et laisser un modèle interroger une base SQL en sécurité.
Documents complexes
Interroger une base de données
- 17
Ingénierie du contexte et mémoire
5 leçonsMesurer et budgéter le contexte, résumer et compacter les longues conversations, alléger les résultats d'outils, et donner une mémoire durable à un assistant.
Gérer le contexte
- 18
SDK d'agents et agents qui agissent
5 leçonsConstruire sur le SDK d'agents de Claude : outils intégrés, outils personnalisés, sous-agents, garde-fous par hooks, et agents qui pilotent un ordinateur.
Le SDK d'agents
- 19
Voix et temps réel
5 leçonsTranscrire, faire parler, assembler un assistant vocal qui répond aux messages vocaux, et comprendre les API temps réel.
Entendre et parler
- 20
Red teaming : attaquer sa propre application
4 leçonsLes dix grands risques des applications à base de LLM, l'injection indirecte, et un banc d'attaques automatisé pour éprouver ses défenses.
Penser comme un attaquant
Un banc d'attaques
- 21
Industrialiser : tests, Docker et intégration continue
5 leçonsTester une application d'IA en simulant le modèle, la mettre en conteneur, et faire tourner tests et évaluations à chaque modification.
- 22
Déployer sur WhatsApp et Telegram
5 leçonsBrancher son assistant sur les messageries de ses utilisateurs : webhooks, messages vocaux et images, sessions, limites et production.
WhatsApp
Telegram et mise en production
- 23
Fine-tuning et adaptation des modèles
5 leçonsDécider quand adapter un modèle, préparer les données, entraîner un modèle ouvert avec LoRA, l'évaluer, le servir, et distiller un grand modèle dans un petit.
- 24
Du prototype au produit, et en vivre
5 leçonsConcevoir l'expérience, calculer le coût par utilisateur, respecter les données personnelles, vendre une prestation et maintenir une application dans la durée.
Concevoir le produit
- 25
Projet final
6 leçonsConcevoir, construire et déployer votre propre application d'IA.