Formation IA Agentique : concevoir et développer des agents LLM autonomes New
Maîtrisez les design patterns agentiques pour construire des systèmes IA capables de raisonner, utiliser des outils et coordonner plusieurs agents spécialisés !
Vue d'ensemble
- Maîtrise de Python (niveau intermédiaire)
- Connaissance des APIs REST (requêtes, réponses, authentification)
- Bases en IA générative (avoir utilisé un LLM via API ou interface)
Objectifs pédagogiques
Programme détaillé
Introduction à l'IA agentique et aux workflows autonomes
– Agents vs chatbots : comprendre ce qui distingue un agent autonome d’un assistant conversationnel classique
– Degrés d’autonomie : du prompt unique au système multi-agents entièrement orchestré
– Design patterns agentiques : les 4 motifs fondamentaux (réflexion, tool use, planification, multi-agent)
– Cas d’usage sectoriels : service client, analyse de données, automatisation de workflows, génération de contenu
– Décomposition de tâches : identifier les étapes d’un workflow et évaluer ce qui peut être délégué à un agent
– Exploration d’un agent de recherche autonome pour comprendre le fonctionnement d’un workflow agentique
– Analyse comparative d’un prompt direct vs un workflow agentique sur une même tâche
Réflexion et amélioration itérative des sorties
– Pattern de réflexion : l’agent évalue ses propres sorties et itère pour améliorer la qualité
– Boucle réflexive : architecture d’un cycle génération → critique → régénération
– Auto-critique vs feedback externe : deux approches complémentaires pour corriger les erreurs
– Évaluation de l’impact : mesurer concrètement le gain de qualité apporté par la réflexion
– Implémentation d’un workflow de génération de graphiques avec boucle de réflexion
– Amélioration de la génération de requêtes SQL par itération réflexive
Utilisation d'outils et intégration d'APIs
– Function calling : permettre à un agent d’invoquer des fonctions Python comme des outils
– Syntaxe et déclaration d’outils : définir les schémas, paramètres et descriptions pour le LLM
– Exécution de code : donner à l’agent la capacité d’écrire et d’exécuter du code dynamiquement
– Intégration d’APIs externes : connecter un agent à des bases de données, services web et moteurs de recherche
– MCP (Model Context Protocol) : protocole standardisé pour exposer des outils aux LLMs de manière interopérable
– Transformation de fonctions Python en outils utilisables par un agent
– Construction d’un assistant email capable de lire, trier et répondre via des outils
Planification et exécution de tâches complexes
– Décomposition de problèmes : faire raisonner l’agent pour découper une tâche complexe en étapes exécutables
– Pattern Plan & Execute : séparer la phase de planification de la phase d’exécution
– Re-planification dynamique : adapter le plan en cours d’exécution selon les résultats intermédiaires
– Pattern ReAct (Reasoning + Acting) : combiner raisonnement et actions dans une boucle unifiée
– Parallélisation et dépendances : orchestrer l’exécution de tâches indépendantes et gérer les séquences
– Développement d’un agent de service client capable de planifier et exécuter des actions (consultation de base, remboursement, escalade)
– Implémentation d’un agent planificateur avec exécution de code
Systèmes multi-agents et orchestration
– Agent unique vs multi-agents : quand et pourquoi distribuer le travail entre plusieurs agents spécialisés
– Architectures multi-agents : réseau (peer-to-peer), superviseur centralisé, hiérarchie d’agents
– Patterns de communication : échange de messages, mémoire partagée, protocoles de coordination
– Mémoire et état : gestion d’état par agent, mémoire partagée vs isolée, persistance
– Graphes d’agents : modéliser les interactions entre agents comme un graphe d’exécution
– Construction d’une équipe de recherche multi-agents (collecte, analyse, synthèse) avec coordination par superviseur
– Implémentation d’un système multi-agents coordonné avec gestion de la mémoire partagée
Évaluation, optimisation et bonnes pratiques
– Évaluations (evals) : concevoir des métriques pour mesurer la performance d’un système agentique
– Évaluations composant par composant : isoler et tester chaque maillon du workflow
– Analyse d’erreurs : diagnostiquer les échecs et prioriser les améliorations
– Optimisation des coûts et de la latence : réduire les appels LLM inutiles, paralléliser, gérer les timeouts
– Human-in-the-loop : intégrer des points de validation humaine dans les workflows critiques
– Mise en place d’évaluations automatisées sur un workflow agentique existant
– Analyse d’erreurs et optimisation coût/latence d’un système multi-agents
Prochaines sessions
Ils nous font confiance
Cette année notre filière Ingénierie des LLMs & IA Générative a accompagné plus de 2 entreprises dont :
Avis des participants
Merci c'était super :)
Formation très bien organisée, très claire Alison explique très clairement et est très à l'écoute, avec toujours une approche pratique essentielle. je n'avais jamais fait de Python et j'ai pu coder finalement assez rapidement grâce à une progression bien articulée des exercices. Comme c'est très…
Tout était parfait. J'ai appris plein de nouvelles notions que je mettrai à coups sûrs, en œuvre dans mes activités quotidiennes.
M. Romefort est un formateur d'excellente qualité : pédagogue, professionnel et parfaitement préparé. Il explique chaque sujet avec soin et prend le temps de répondre à toutes les questions.
de très bons échanges pas de réponses toutes faites de la nuance et de la précision dans les réponses apportées et de la contextualisation très bonne mise en perspective sur des cas concrets je suis ravi de la formation
Votre formateur
Lionel A.
Formateur
Lionel intervient notamment sur l’architecture et le design logiciel, ainsi que sur l’architecture d’entreprise et l’urbanisation du SI. Son activité de formation remonte à 2023. La conception de supports pédagogiques fait également partie de ses activités.
Financement
Cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Questions fréquentes
Combien de temps dure la formation IA Agentique : concevoir et développer des agents LLM autonomes ?
Cette formation se déroule sur 2 jours.
Quels sont les prérequis pour suivre la formation IA Agentique : concevoir et développer des agents LLM autonomes ?
- Maîtrise de Python (niveau intermédiaire) - Connaissance des APIs REST (requêtes, réponses, authentification) - Bases en IA générative (avoir utilisé un LLM via API ou interface)
Quel est le prix de la formation IA Agentique : concevoir et développer des agents LLM autonomes ?
En inter-entreprises, elle est à 2 000 € HT par participant ; en intra-entreprise, elle est à 4 200 € HT pour le groupe. Un tarif sur-mesure est également disponible sur devis.
La formation IA Agentique : concevoir et développer des agents LLM autonomes délivre-t-elle une certification ?
Cette formation ne délivre pas de certification. Une attestation de fin de formation vous sera remise à l'issue de la session.
La formation IA Agentique : concevoir et développer des agents LLM autonomes est-elle éligible à un financement OPCO ?
Oui, cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Choisissez votre formation
Mon contact chez SPARKS est professionnel et très réactif. Les échanges sont simples, efficaces, et la collaboration se déroule dans d'excellentes conditions.