IA Engineering
← Tous les parcours

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

Commencer

Le premier module est en accès libre. Le parcours complet compte 25 modules.

Paiement unique, accès à vie. Mobile money ou carte bancaire.

Programme

  1. 02
    </>

    Les API de modèles

    6 leçons

    Appeler Claude et Gemini en profondeur : réponses en continu, images, documents, coûts et mise en cache.

  2. 03
    SYSTÈMEEXEMPLESDEMANDE

    Prompt engineering pour développeurs

    6 leçons

    Prompts système, exemples, raisonnement guidé, itération méthodique.

  3. 04
    {}

    Sorties structurées avec Pydantic

    6 leçons

    Obtenir des réponses fiables et validées que votre code peut exploiter.

  4. 05
    </>

    Tool use : donner des outils au modèle

    6 leçons

    Transformer des fonctions en outils et orchestrer leurs appels.

  5. 06

    RAG : faire répondre le modèle sur vos données

    6 leçons

    Recherche d'information, bases vectorielles, découpage et génération.

  6. 07
    123

    RAG avancé et évaluation

    6 leçons

    Techniques de récupération avancées et mesure de la qualité des réponses.

  7. 08
    MCP

    MCP : connecter le modèle à vos systèmes

    6 leçons

    Créer un serveur et un client MCP, exposer outils, ressources et prompts.

  8. 09

    Workflows agentiques

    6 leçons

    Réflexion, planification, boucles d'outils et graphes d'agents.

  9. 10

    Systèmes multi-agents

    6 leçons

    Répartir un travail entre plusieurs agents spécialisés.

  10. 11
    92

    Évaluer une application d'IA

    6 leçons

    Jeux de tests, évaluateurs, traces et débogage.

  11. 12

    Garde-fous et fiabilité

    6 leçons

    Valider les entrées et sorties, limiter les hallucinations et les abus.

  12. 13

    LLMOps

    6 leçons

    Versionner, déployer, surveiller et faire évoluer une application d'IA.

  13. 14

    Modèles locaux et embarqués

    6 leçons

    Quantization, exécution sur sa machine et sur appareil.

  14. 15
    </>

    Outils hébergés : web, code et fichiers

    5 leçons

    Recherche web, lecture de pages, exécution de code et fichiers chez l'éditeur : des capacités puissantes en quelques lignes, avec leurs limites.

  15. 16
    PDF

    Documents complexes et bases de données

    4 leçons

    Lire des PDF avec citations, extraire des données en masse à moitié prix, et laisser un modèle interroger une base SQL en sécurité.

  16. 17

    Ingénierie du contexte et mémoire

    5 leçons

    Mesurer et budgéter le contexte, résumer et compacter les longues conversations, alléger les résultats d'outils, et donner une mémoire durable à un assistant.

  17. 18
    </>

    SDK d'agents et agents qui agissent

    5 leçons

    Construire sur le SDK d'agents de Claude : outils intégrés, outils personnalisés, sous-agents, garde-fous par hooks, et agents qui pilotent un ordinateur.

  18. 19

    Voix et temps réel

    5 leçons

    Transcrire, faire parler, assembler un assistant vocal qui répond aux messages vocaux, et comprendre les API temps réel.

  19. 20

    Red teaming : attaquer sa propre application

    4 leçons

    Les dix grands risques des applications à base de LLM, l'injection indirecte, et un banc d'attaques automatisé pour éprouver ses défenses.

  20. 21

    Industrialiser : tests, Docker et intégration continue

    5 leçons

    Tester une application d'IA en simulant le modèle, la mettre en conteneur, et faire tourner tests et évaluations à chaque modification.

  21. 22

    Déployer sur WhatsApp et Telegram

    5 leçons

    Brancher son assistant sur les messageries de ses utilisateurs : webhooks, messages vocaux et images, sessions, limites et production.

  22. 23

    Fine-tuning et adaptation des modèles

    5 leçons

    Décider 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.

  23. 24

    Du prototype au produit, et en vivre

    5 leçons

    Concevoir l'expérience, calculer le coût par utilisateur, respecter les données personnelles, vendre une prestation et maintenir une application dans la durée.