En 10 jours de formation, vous apprenez à concevoir et implémenter les fondations d'un assistant IA basé sur vos données métier — avec une mise en pratique concrète pour automatiser des tâches réelles en entreprise.
Description : Concevoir un pipeline complet RAG (Retrieval Augmented Generation) avec LLM et PostgreSQL.
🎯 Objectifs : Comprendre et concevoir une architecture RAG complète, implémenter un pipeline NLP et LLM exploitable, utiliser PostgreSQL comme base centrale, stocker et interroger des embeddings via pgvector, construire un assistant IA basé sur des données métier.
📚 Programme :
| Jour | Contenu | \\||
|---|---|---|---|
| Jour 1 | Fondations RAG, NLP & LLM : Rappels NLP (tokenisation, embeddings, similarité), Fonctionnement des LLM, Limites des LLM sans données internes, Introduction au RAG et architecture, Vectorisation documents et recherche sémantique | \\ 全天Jour 2 | Base de données & intégration PostgreSQL : Rôle des BDD dans l'IA, Modélisation données pour RAG, PostgreSQL, Introduction pgvector, Stockage embeddings et métadonnées, Requêtes similarité vectorielle, Pipeline complet BDD → recherche → LLM → réponse | \\
💻 Atelier : Création mini assistant RAG, Ingestion documents en PostgreSQL, Recherche sémantique avec embeddings, Génération réponses contextualisées via LLM.
🛠️ Technologies : Python, PostgreSQL + pgvector, LLM, Frameworks RAG.
👥 Public : Data Analysts, Data Scientists, Développeurs Python, Ingénieurs Data.
💻 Prérequis : Notions de base en Python, Connaissances SQL (SELECT, JOIN), Aucune expertise avancée en IA requise.
Description : Créer des agents IA autonomes capables d'automatiser des tâches complexes en entreprise.
🎯 Objectifs : Comprendre l'architecture des agents IA autonomes, maîtriser LiteLLM pour l'orchestration multi-LLM, implémenter des workflows d'automatisation avec Nanobot, concevoir des agents capables d'exécuter des tâches de bout en bout, intégrer les agents IA dans des processus métier existants.
📚 Programme :
| Jour | Contenu | \\ 全天Jour 1 | Fondations des Agents IA : Introduction aux agents autonomes, LiteLLM : gestion unifiée des LLM (OpenAI, Claude, Mistral, etc.), Configuration et paramétrage avancé, Création d'un premier agent simple, Gestion des prompts et chaînage de tâches, TP1 : Agent de classification et d'analyse de documents | \\ 全天Jour 2 | Automatisation Complète avec Nanobot : Architecture d'agents complexes (planification, exécution, vérification), Intégration d'outils externes (APIs, bases de données, fichiers), Gestion des erreurs et retry logic, Monitoring et logging des agents, TP2 : Agent complet pour automatiser un workflow métier, Déploiement et mise en production | \\
|---|
💻 Cas d'usage pratiques : Automatisation de la génération de rapports, Agent de support client intelligent, Analyse automatique de contrats et documents, Orchestration de pipelines data/IA.
🛠️ Technologies : Python, LiteLLM, Nanobot, APIs LLM (OpenAI, Anthropic, etc.), Langchain (optionnel).
👥 Public : Développeurs Python, Data Scientists, Ingénieurs IA, Product Managers techniques.
💻 Prérequis : Bonnes bases en Python, Notions d'APIs et requêtes HTTP, Connaissance de base des LLM recommandée.
✅ Évaluation : TP pratique : Création d'un agent autonome complet (70%) + QCM (30%).
📊 Description : Réseaux de neurones, architectures CNN et RNN, frameworks (TensorFlow, PyTorch), applications pratiques.
🎯 Objectifs : Maîtriser les concepts fondamentaux du Deep Learning, construire et entraîner des réseaux de neurones profonds, appliquer les architectures CNN et RNN à des cas concrets, utiliser les frameworks TensorFlow et PyTorch en pratique.
🎯 Objectifs : Réaliser un projet complet de Data Science de A à Z : collecte de données, nettoyage, modélisation, déploiement et présentation devant jury.
📚 Contenu : Définition du problème métier, Exploration et préparation des données, Choix et entraînement des modèles, Évaluation et optimisation, Déploiement d'une API, Soutenance finale et défense du projet.