Aller au contenu principal

Cours complet

Ingénieur IA

Des fondamentaux de la programmation aux systèmes IA en production

Parcours progressif pour les ingénieurs qui construisent des produits pratiques avec des modèles de fondation, du RAG, des agents, de l’évaluation et une infrastructure de production.

Ne vous contentez pas de parcourir les contenus. Construisez un portfolio d’artefacts prêts pour la production : client API fiable, RAG fondé sur les preuves, agent gouverné, gate d’évaluation et système IA final avec contrôles runtime.

0%0/33 leçons

La progression est enregistrée localement dans votre navigateur.

6–12 mois6 modules33 leçons4 évaluations

Système opératoire d’étude

Comment suivre le cours et conserver un résultat tangible

1. Comprendre le concept

Lisez le contenu principal et reformulez avec vos propres mots ce qu’il résout, où il casse et quels compromis il crée.

2. Le reproduire concrètement

Ne passez pas à la suite après une seule lecture. Construisez un artefact minimal fonctionnel : code, schéma, jeu d’évaluation, policy ou workflow observable.

3. Casser votre propre solution

Ajoutez au moins un cas d’échec : timeout, contexte périmé, prompt injection, schéma invalide, mauvais appel d’outil ou dépassement de budget.

4. Conserver les preuves

Gardez sorties de tests, capture ou trace, résultat d’acceptation ou court postmortem. Le cours évalue la preuve de fonctionnement, pas le nombre de pages ouvertes.

Règles du cours

Ne pas seulement lire — le prouver

  • Une leçon n’est pas terminée après lecture seule ; un artefact ou une preuve est nécessaire.
  • Si un prérequis est faible, revenez en arrière. Le cours est un graphe de dépendances, pas une playlist.
  • N’optimisez pas les coûts avant une baseline qualité et n’augmentez pas l’autonomie avant evaluation et controls.
  • Terminez chaque projet ou milestone par un court postmortem : ce qui a cassé, ce qui a changé et quel signal est maintenant suivi.

Module 1

Fondations d’ingénierie

La base nécessaire pour éviter que les produits IA ne deviennent des démos fragiles.

RésultatUn projet Python/API fiable avec typage, tests et gestion contrôlée des erreurs.

  1. Python pour la production

    Essentiel

    Typage, environnements virtuels, packaging, async, logging et tests.

    Contenu →

  2. Typage et contrats de données

    Essentiel

    Types, dataclasses, Pydantic et validation de schémas.

    Contenu →

  3. Async et clients API

    Essentiel

    Concurrence, timeouts, retries et rate limits.

    Contenu →

  4. Patterns de fiabilité

    Recommandé

    Idempotence, backoff, circuit breakers et observabilité.

    Contenu →

  5. HTTP, API et fondamentaux backend

    Essentiel

    REST, streaming, authentification, files de tâches et jobs en arrière-plan.

    Prérequis: Python pour la production

    Contenu →

  6. Projet : client API IA résilient

    Projetpratique + évaluation

    Client avec sorties structurées, retries, timeouts, tracing et tests.

    Prérequis: Python pour la production, HTTP, API et fondamentaux backend

    Contenu →Pratique →Évaluation →

Checkpoint après le module

Baseline d’ingénierie

  • ✓ le client API passe les tests
  • ✓ retries, timeouts et idempotence sont en place
  • ✓ les erreurs ont des types contrôlés et des logs

Module 2

Noyau de l’ingénierie LLM

Comment les modèles fonctionnent dans un système applicatif et comment contrôler leur comportement.

RésultatUn workflow LLM contrôlé avec sorties structurées, gestion du contexte et routage des modèles.

  1. LLM, tokens, contexte et inférence

    Essentiel

    Fondamentaux des transformers, tokenisation, fenêtres de contexte, latence et coût.

    Contenu →Ressource →

  2. Prompt et context engineering

    Essentiel

    Instructions système, exemples, contraintes, context packing et modes d’échec.

    Prérequis: LLM, tokens, contexte et inférence

    Contenu →

  3. Sorties structurées et tool calling

    Essentiel

    JSON Schema, validation, contrats de fonctions et exécution sûre des outils.

    Prérequis: Prompt et context engineering

    Contenu →Ressource →

  4. Sélection et routage des modèles

    Recommandé

    Qualité, coût, latence, fallbacks et stratégie multi-modèles.

    Prérequis: LLM, tokens, contexte et inférence

    Contenu →

Checkpoint après le module

Workflow LLM contrôlé

  • ✓ la sortie structurée est validée par un schéma
  • ✓ les contrats d’outils ont des limites explicites
  • ✓ une décision modèle/fallback est définie

Module 3

RAG et systèmes de connaissance

Construire des systèmes qui répondent à partir de données propres et de preuves vérifiables.

RésultatUn RAG prêt pour la production avec citations, évaluation, fraîcheur et contrôle d’accès.

  1. Embeddings et recherche sémantique

    Essentiel

    Représentations vectorielles, similarité et indexation.

    Contenu →

  2. Ingestion et chunking

    Essentiel

    Parsing, métadonnées, stratégies de chunks et qualité documentaire.

    Prérequis: Embeddings et recherche sémantique

    Contenu →

  3. Retrieval, recherche hybride et reranking

    Essentiel

    Réécriture de requêtes, multi-query, filtres et rerankers.

    Prérequis: Ingestion et chunking

    Contenu →

  4. Citations, fraîcheur, ACL et observabilité

    Essentiel

    Preuves, faits versionnés, permissions, traces et évaluations.

    Prérequis: Retrieval, recherche hybride et reranking

    Contenu →

  5. Projet : assistant de connaissance fondé sur les preuves

    Projetpratique + évaluation

    Assistant avec citations, ACL, évaluations de régression et politique de fraîcheur.

    Prérequis: Citations, fraîcheur, ACL et observabilité

    Contenu →Pratique →Évaluation →

Checkpoint après le module

Système de connaissance evidence-first

  • ✓ les réponses contiennent des citations
  • ✓ ACL et fraîcheur sont vérifiées
  • ✓ des cas de régression retrieval existent

Module 4

Agents et écosystèmes d’outils

Systèmes multi-étapes gouvernés avec outils, état et supervision humaine.

RésultatUn agent avec état explicite, limites de permissions, journal d’audit et évaluation.

  1. Boucle agent et planification

    Essentiel

    Objectif, plan, action, observation et conditions d’arrêt.

    Contenu →

  2. État et mémoire

    Essentiel

    État de travail, historique, connaissance durable et limites de contexte.

    Prérequis: Boucle agent et planification

    Contenu →

  3. Machines à états, handoffs et multi-agent

    Recommandé

    Flux de contrôle déterministe, délégation et coordination.

    Prérequis: État et mémoire

    Contenu →

  4. Serveurs MCP, clients et autorisation

    Essentiel

    Intégration standardisée outils/données et contrats sécurisés.

    Prérequis: Boucle agent et planification

    Contenu →

  5. Projet : agent d’opérations gouverné

    Projetpratique + évaluation

    Agent avec validations, limites de coût/temps, outils, journal d’audit et rollback.

    Prérequis: Machines à états, handoffs et multi-agent, Serveurs MCP, clients et autorisation

    Contenu →Pratique →Évaluation →

Checkpoint après le module

Agent gouverné

  • ✓ état et conditions d’arrêt sont explicites
  • ✓ les actions à fort impact ont une limite d’approbation
  • ✓ les actions d’outils ont un audit trail

Module 5

Évaluation, sécurité et qualité

Vérification systématique de la qualité, de la sécurité et des régressions.

RésultatUn pipeline d’évaluation qui bloque les releases dangereuses ou insuffisantes.

  1. Jeux de données d’évaluation et cas de test

    Essentiel

    Cas représentatifs, golden sets et feedback de production.

    Contenu →

  2. Métriques et model graders

    Essentiel

    Checks déterministes, LLM judges, calibration et biais.

    Prérequis: Jeux de données d’évaluation et cas de test

    Contenu →

  3. Prompt injection, guardrails et red teaming

    Essentiel

    Modèles de menace, isolation des outils, fuite de données et tests adversariaux.

    Contenu →

  4. Gates de régression et de release

    Jalonpratique + évaluation

    Seuils, baselines, intégration CI et critères de rollback.

    Prérequis: Métriques et model graders, Prompt injection, guardrails et red teaming

    Contenu →Pratique →Évaluation →

Checkpoint après le module

Gate de qualité de release

  • ✓ un dataset d’eval représentatif existe
  • ✓ les seuils de qualité sont définis
  • ✓ une régression dangereuse bloque le release

Module 6

Systèmes IA en production et opérations runtime

Déploiement, serving, observabilité, preuves runtime, contrôle des changements de modèle/fournisseur, coût, fiabilité et réponse aux incidents.

RésultatUn système IA avec des SLO, une runtime truth traçable, des changements de modèle/fournisseur gouvernés, un rollback vers une configuration known-good et une économie vérifiée.

  1. Serving, streaming et batching

    Essentiel

    API managées, self-hosting, vLLM, files, backpressure, quotas et limites de capacité.

    Contenu →

  2. Tracing, SLO et monitoring de production

    Essentiel

    Traces end-to-end à travers les appels modèle, retrieval et outils, ainsi que latence, coût, qualité, erreurs, drift et alertes.

    Prérequis: Serving, streaming et batching

    Contenu →Ressource →

  3. Preuves runtime et prévention des faux positifs verts

    Essentiel

    Capturer le fingerprint du commit/config déployé, les postconditions faisant autorité, la vérification en production et des vérités séparées pour CI, déploiement et indexation.

    Prérequis: Tracing, SLO et monitoring de production

    Contenu →Ressource →

  4. Contrôle des changements de modèle, prompt, retrieval et fournisseur

    Essentiel

    Release envelope versionné pour la révision du modèle, le prompt, retrieval/index, les outils, la policy et le fournisseur ; replay, canary, holdback et rollback comme un seul contrat de changement.

    Prérequis: Preuves runtime et prévention des faux positifs verts, Gates de régression et de release

    Contenu →Ressource →

  5. Budgets de capacité, de coût et de routage

    Recommandé

    Concurrence, rate limits, budgets tokens/outils, coût par tâche vérifiée avec succès et économie du fallback entre modèles ou fournisseurs.

    Prérequis: Serving, streaming et batching

    Contenu →Ressource →

  6. Confidentialité, secrets et gouvernance

    Essentiel

    PII, politiques de données, supply chain, sandboxing, policy engines et accès aux outils selon le principe de moindre autorité.

    Contenu →Ressource →

  7. Injection de pannes, failover et réconciliation

    Recommandé

    Tests 429/5xx, timeout, panne fournisseur, effets partiels et livraison en double ; réconcilier d’abord, réessayer ensuite ; vérifier le fallback avant un incident réel.

    Prérequis: Preuves runtime et prévention des faux positifs verts, Contrôle des changements de modèle, prompt, retrieval et fournisseur

    Contenu →Ressource →

  8. Réponse aux incidents et rollback

    Recommandé

    Runbooks, kill switches ciblés, fallback modèle/fournisseur, retour à une configuration known-good et postmortem → test de régression permanent.

    Prérequis: Injection de pannes, failover et réconciliation

    Contenu →Ressource →

  9. Capstone : système IA en production

    Jalon

    Système end-to-end avec contrats, RAG/agents, evals, release envelope versionné, deployment gates, preuves runtime, exercices de panne et récupération vérifiée.

    Prérequis: Réponse aux incidents et rollback, Confidentialité, secrets et gouvernance, Budgets de capacité, de coût et de routage

    Contenu →Ressource →

Checkpoint après le module

Production readiness

  • ✓ SLO et monitoring existent
  • ✓ rollback ou kill switch est testé
  • ✓ coûts et modes d’échec sont mesurés

Contrat capstone

Capstone : système IA en production

Construisez un système end-to-end où le LLM n’est qu’un composant. Il doit recevoir un input réel, travailler avec connaissances ou outils, passer les evals, fournir observability et se comporter de façon contrôlée en cas d’échec.

Ce qu’il faut remettre

  • — schéma d’architecture et ADR court avec les principaux trade-offs
  • — repository ou prototype exécutable avec README et setup
  • — dataset d’évaluation et résultats baseline/régression
  • — preuves d’observabilité : traces, latence, erreurs et coût
  • — modèle de sécurité et d’autorité pour données et actions d’outils
  • — runbook pour failure, rollback, kill switch et recovery

Quand le résultat peut être considéré comme prêt

  • ✓ le happy path fonctionne de l’input à l’output vérifié
  • ✓ au moins trois scénarios d’échec sont reproductibles et gérés de façon prévisible
  • ✓ une action critique ne s’exécute pas hors de l’authority boundary définie
  • ✓ le release peut être stoppé ou rollbacké sans chaos manuel
  • ✓ un autre ingénieur peut comprendre le résultat par les preuves plutôt que par « ça semble marcher »

Pratique finale et évaluation

Le cours se termine par un artefact pratique et une grille d’acceptation. Le résultat est considéré comme terminé après validation des critères d’acceptation, et non après la simple lecture des contenus.

Projet : client API IA résilient →Projet : assistant de connaissance fondé sur les preuves →Projet : agent d’opérations gouverné →Gates de régression et de release →Ouvrir la roadmap →