Qualiopi

Concevoir, fiabiliser et industrialiser des systèmes multi-agents

Devenez expert en systèmes multi-agents : apprenez à concevoir, tester, sécuriser et industrialiser des architectures IA fiables pour la production.

4 jours

2 800 € HT

Python

LLM

Git

Contactez-nous pour planifier une session.

Objectifs pédagogiques

Arbitrer l'usage des agents : Distinguer l'intérêt réel d'une architecture agentique par rapport à un simple appel LLM ou à un workflow déterministe pour éviter le sur-découpage et les coûts cachés.
Développer une architecture agnostique et pérenne : Concevoir des agents fiables (de la version brute sans framework jusqu'aux outils de référence) en s'appuyant sur les standards ouverts MCP (Model Context Protocol) et A2A pour garantir l'interopérabilité.
Maîtriser les patterns d'orchestration multi-agents : Implémenter des topologies adaptées (séquentiel, superviseur, réflexion/critique, hand-off) et connecter les agents à des données réelles et API sans couplage dur.
Évaluer et tester les systèmes stochastiques : Mettre en place un harnais d'évaluation et de tests (mocks, assertions structurelles, LLM-as-a-judge) pour valider la fiabilité d'un système non-déterministe.
Industrialiser et gouverner la production : Instrumenter les agents (observabilité, tracing, suivi des coûts), intégrer des barrières de sécurité (guardrails, approbations humaines, conformité EU AI Act) et packager l'application pour un déploiement reproductible.

Matin : Anatomie d'un agent sans dogme
Concepts : Boucle perception-décision-action, coût de l'autonomie et cartographie d'un écosystème en mutation rapide (évolution de Microsoft Agent Framework).
Pratique : Configuration d'un environnement reproductible et création d'un agent ReAct minimaliste « nu » (sans framework).
Après-midi : Fiabilisation des outils et introduction aux frameworks
Concepts : Tool calling déterministe, validation des sorties structurées et standardisation avec MCP (Model Context Protocol). Limites des builders visuels.
Pratique : Migration de l'agent nu vers un framework de référence, intégration d'un serveur MCP et validation stricte du schéma de sortie.

Matin : Patterns d'orchestration multi-agents
Concepts : Modèles de réflexion (analyste/critique), planification, hand-off et topologies d'équipes. Arbitrage coût/latence de la complexité multi-agents.
Pratique : Évolution de l'agent avec une boucle de réflexion critique et comparaison des gains de performance.
Après-midi : RAG et intégration aux écosystèmes d'entreprise
Concepts : Connexion aux bases de données et API via MCP sans couplage dur. Architecture RAG-lite et traçabilité des sources.
Pratique : Connexion de l'agent à une source de données réelle avec citation systématique et vérifiable des sources.

Matin : Tester et évaluer le non-déterministe
Concepts : Stratégies de test pour systèmes stochastiques, mocks de modèles, assertions structurelles, frameworks d'évaluation et limites du LLM-as-a-judge.
Pratique : Création d'un harnais d'évaluation reproductible et détection des régressions de prompts.
Après-midi : Observabilité, sécurité et conformité
Concepts : Tracing des étapes, budgets de tokens, guardrails déterministes, boucle d'approbation humaine (human-in-the-loop) et alignement EU AI Act.
Pratique : Instrumentation complète de l'agent (traces, coûts, logs d'audit et validation humaine).

Matin : Packaging et cas d'usage métier
Concepts : Épinglage des versions face à l'obsolescence, gestion des secrets, conteneurisation légère. Passage du prototype au produit.
Pratique : Conteneurisation de l'architecture et application de bout en bout sur un use-case métier concret.
Après-midi : Déploiement pragmatique et interopérabilité
Concepts : Exposition en service managé, healthchecks, runbook de reprise sur échec. Communication inter-framework via le protocole A2A.
Pratique : Mise en service de l'agent et exercice d'interopérabilité (soupape de sécurité pour absorber le rythme du groupe).

Maîtrise intermédiaire ou avancée du développement en Python.

Bonne connaissance des concepts de base des LLM (prompts, API, embeddings).

Pratique courante de Git, de l'utilisation des terminaux et de la gestion des environnements virtuels.

Ingénieurs IA et Data Scientists souhaitant dépasser le stade du simple script de prompt.

Architectes logiciels et Développeurs Senior chargés d'intégrer des agents intelligents dans des SI existants.

Tech Leads et Responsables Techniques souhaitant industrialiser, tester et sécuriser des applications d'IA générative en production.

Aucune session planifiée.
Contactez-nous pour organiser une session.

Contactez-nous pour obtenir un devis personnalisé.