Cours d'automatisation des workflows par IA générative

Leçon 1 • Aperçu des architectures du modèle de base

Examine les architectures transformeurs, de diffusion et multimodales à un niveau conceptuel. Lie le choix de l'architecture aux décisions pratiques concernant le flux de travail.

Leçon 2 • Utilisation responsable et risques connus

Identifie les biais, l'exposition à la confidentialité des données et les vecteurs de mésusage inhérents aux modèles génératifs. Établit les garde-fous éthiques appliqués dans chaque chapitre subséquent.

Leçon 3 • Ce que l'IA générative fait réellement

Couvre la génération probabiliste de texte et de médias, en la contrastant avec l'automatisation traditionnelle basée sur des règles. Établit le vocabulaire utilisé tout au long du cours.

Leçon 1 • Techniques d’apprentissage en contexte et de chaîne de pensée

Montre comment les exemples et les chaînes de raisonnement améliorent la précision sur des tâches complexes. Permet directement la logique d'automatisation en plusieurs étapes abordée dans les chapitres suivants.

Leçon 2 • Patrons de sollicitation avancés

Couvre le méta-prompting, l'enchaînement d'invites et les boucles d'autocritique pour des tâches complexes. Prépare les étudiants à l'orchestration multi-agents présentée dans les chapitres ultérieurs.

Leçon 3 • Gestion des versions et tests des invites

Présente les tests A/B systématiques et la gestion de versions pour les requêtes comme actifs de production. Établit les habitudes d'assurance qualité requises pour des pipelines d'automatisation fiables.

Leçon 4 • Invite de sortie structurée

Enseigne les invites qui imposent des sorties JSON, des tableaux Markdown et des sorties XML pour l'analyse en aval. Les sorties structurées constituent la couche d'interface entre l'IA et les outils d'automatisation.

Leçon 1 • Gestion des erreurs et logique de nouvelle tentative

Une gestion robuste des erreurs est essentielle pour une automatisation de qualité production.

Leçon 2 • Sécurisation et gestion des informations d’identification d’API

Enseigne la gestion des secrets, les variables d'environnement et la rotation des identifiants pour les clés d'API d'IA. Empêche l'exposition des identifiants dans les bases de code partagées et les plateformes d'automatisation.

Leçon 3 • Effectuer votre premier appel à une API d'IA

Parcourt une demande de complétion de chat complète en utilisant Python et curl. Renforce la confiance avec une interaction directe avec l’API avant d’ajouter la logique d’automatisation.

Leçon 4 • Concepts d'API REST pour les services d'IA

Explique les méthodes HTTP, les en-têtes, l'authentification et les cycles de requête-réponse dans le contexte des API d'IA. Fournit les bases techniques nécessaires à tout travail d'intégration à venir.

Leçon 1 • Déploiement et surveillance de workflows visuels

Couvre l'activation, la planification, l'historique d'exécution et les alertes pour les flux de travail visuels de production. S'assure que les étudiants peuvent maintenir et dépanner des automatisations en direct.

Leçon 2 • Concepts de la plateforme de flux de travail visuelle

Présente les déclencheurs, les actions, les conditions et le mappage de données comme des éléments constitutifs universels utilisés dans toutes les plateformes. Établit un modèle mental indépendant de la plateforme pour tout travail avec des outils spécifiques.

Leçon 3 • Intégration d'applications et de services externes

Connecte les flux de travail d'IA au courriel, aux feuilles de calcul, aux bases de données et aux outils de messagerie via des connecteurs préconçus. Démontre l'automatisation de bout en bout dans des systèmes d'entreprise réels.

Leçon 4 • Connexion des nœuds d'IA aux flux de travail

Montre comment ajouter des nœuds de complétion, de classification et de résumé par IA aux flux visuels. Fait le pont entre les compétences en ingénierie de requêtes et les environnements d'automatisation par glisser-déposer.

Leçon 1 • Stratégies de récupération et reclassement

Compare le repérage dense, épars et hybride, puis ajoute un reclassement pour la précision. Les stratégies avancées de repérage améliorent considérablement la qualité des réponses en production.

Leçon 2 • Intégrations et magasins de vecteurs

Enseigne la génération et le stockage d'incorporations dans des bases de données vectorielles pour la recherche par similarité. Les magasins vectoriels sont l'épine dorsale du récupération de chaque pipeline RAG construit dans ce cours.

Leçon 3 • Assemblage du pipeline RAG complet

Intègre l'ingestion, la récupération, l'assemblage d'invites et la génération dans un flux unique de bout en bout. Les étudiants déploient un système fonctionnel de questions-réponses sur documents comme projet de fin de chapitre.

Leçon 4 • Ingestion et découpage de documents

Couvre le chargement de fichiers PDF, HTML et texte brut, puis leur découpage en blocs sémantiquement cohérents. La qualité du découpage détermine directement la précision de la récupération en aval.

Leçon 1 • Systèmes de mémoire pour les agents

Couvre les patrons de mémoire contextuelle, de paires clé-valeur externes et de mémoire épisodique pour les agents avec état. La mémoire persistante permet aux agents de gérer des tâches multisession et à long horizon.

Leçon 2 • Architecture d'agent et boucles de planification

Explique la boucle observer-penser-agir et comment les agents décomposent les objectifs en étapes exécutables. Fournit le cadriciel conceptuel pour tous les exercices de création d'agents de ce chapitre.

Leçon 3 • Garde-fous et conception avec intervention humaine

Intègre des points d'approbation, des validateurs de sortie et des chemins d'escalade dans les flux de travail agentiques. Les garde-fous sont obligatoires pour déployer des agents dans des environnements réglementés ou à enjeux élevés.

Leçon 4 • Orchestration multi-agents

Enseigne les topologies superviseur-travailleur et pair à pair des agents pour paralléliser des tâches complexes. Les systèmes multi-agents élargissent considérablement la portée des processus d'affaires automatisables.

Leçon 1 • Observabilité et journalisation

Met en œuvre la journalisation structurée, le traçage distribué et les tableaux de bord pour la visibilité des flux de travail d'IA. L'observabilité est le fondement d'une réponse rapide aux incidents et de l'amélioration continue.

Leçon 2 • CI/CD pour les pipelines de flux de travail IA

Automatise les tests, les vérifications de régression rapide et le filtrage de déploiement dans un pipeline CI/CD. La livraison continue assure une itération sécuritaire et rapide sur les flux de travail d'IA en production.

Leçon 3 • Surveillance des coûts et optimisation des jetons

Assure le suivi de la consommation de jetons, associe les coûts aux flux de travail et applique la mise en cache pour réduire les dépenses. La gouvernance des coûts empêche les dépassements de budget à mesure que l'utilisation de l'IA s'étend dans une organisation.

Leçon 4 • Conteneurisation des services de flux de travail IA

Empaquète le code des flux de travail IA dans des conteneurs avec des dépendances reproductibles et des configurations d'environnement. La conteneurisation est l'unité de déploiement standard pour les services IA modernes.

Leçon 1 • Méthodes d'évaluation automatisées et humaines

Compare la méthode LLM comme juge, la notation basée sur des références et l'annotation humaine pour évaluer les résultats. La combinaison des méthodes permet d'équilibrer la rapidité, le coût et la fiabilité des signaux de qualité.

Leçon 2 • Cycles d’amélioration itérative

Le perfectionnement des structures de requêtes, le réglage de la récupération et l'échange de modèles sont considérés comme des cycles d'amélioration axés sur les données. Une itération systématique évite les changements ponctuels qui dégradent le rendement en production.

Leçon 3 • Cadriciels de gouvernance de l'IA

Couvre la stratification des risques, les fiches de modèle, les processus d'approbation des cas d'utilisation et les structures de responsabilisation. Les cadriciels de gouvernance alignent l'automatisation de l'IA sur les attentes organisationnelles et réglementaires.

Leçon 4 • Définir des mesures de qualité pour les résultats de l'IA

Présente la fidélité, la pertinence, la cohérence et le taux d'achèvement des tâches comme des dimensions de qualité mesurables. Des mesures claires rendent l'amélioration itérative objective et défendable.