Formation Automatisation de Workflows par IA Générative

Leçon 1 • Présentation des architectures de modèles de base

Examine les architectures de transformeur, de diffusion et multimodales à un niveau conceptuel. Relie le choix de l'architecture aux décisions pratiques concernant les workflows.

Leçon 2 • Utilisation responsable et risques connus

Identifie les biais, les risques d'exposition des données personnelles et les vecteurs d'utilisation abusive inhérents aux modèles génératifs. Établit des garde-fous éthiques appliqués dans chaque chapitre suivant.

Leçon 3 • Ce que fait réellement l'IA générative

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 few-shot 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 couverte dans les chapitres ultérieurs.

Leçon 2 • Schémas d'invites avancés

Couvre le méta-prompt, l'enchaînement d'invites et les boucles d'auto-critique pour les tâches complexes. Prépare les étudiants à l'orchestration multi-agents introduite dans les chapitres suivants.

Leçon 3 • Gestion de versions et test des invites

Introduit les tests A/B systématiques et la gestion de versions pour les invites en tant qu'actifs de production. Établit les habitudes d'assurance qualité nécessaires pour des pipelines d'automatisation fiables.

Leçon 4 • Invites pour sorties structurées

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

Leçon 1 • Gestion des erreurs et logique de nouvelle tentative

Couvre les limites de débit, les erreurs de délai d'attente et la gestion des réponses mal formées avec des stratégies de nouvelle tentative pratiques. Une gestion robuste des erreurs est essentielle pour une automatisation de qualité production.

Leçon 2 • Sécurisation et gestion des identifiants API

Enseigne la gestion des secrets, les variables d'environnement et la rotation des identifiants pour les clés 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 API d'IA

Décrit pas à pas une requête complète d'achèvement de chat en utilisant Python et curl. Renforce la confiance grâce à une interaction en direct 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 requête-réponse dans le contexte des API d'IA. Fournit la base technique pour tout le travail d'intégration à venir.

Leçon 1 • Déploiement et surveillance des workflows visuels

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

Leçon 2 • Concepts des plateformes de workflow visuelles

Présente les déclencheurs, les actions, les conditions et le mappage de données comme éléments de base universels sur toutes les plateformes. Établit un modèle mental indépendant de la plateforme pour tout le travail spécifique à un outil.

Leçon 3 • Intégration d'applications et de services externes

Connecte les workflows d'IA à la messagerie électronique, aux feuilles de calcul, aux bases de données et aux outils de messagerie via des connecteurs pré-construits. Montre l'automatisation de bout en bout à travers des systèmes métier réels.

Leçon 4 • Connexion des nœuds d'IA aux workflows

Montre l'ajout de nœuds d'achèvement, de classification et de résumé d'IA aux flux visuels. Fait le pont entre les compétences en ingénierie des invites et les environnements d'automatisation par glisser-déposer.

Leçon 1 • Stratégies de récupération et reclassement

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

Leçon 2 • Plongements et bases de données vectorielles

Enseigne la génération de plongements et leur stockage dans des bases de données vectorielles pour la recherche de similarité. Les bases de données vectorielles sont l'épine dorsale de la récupération de chaque pipeline RAG construit dans ce cours.

Leçon 3 • Assemblage du pipeline RAG complet

Intègre l'ingestion, la récupération, l'assemblage de l'invite et la génération en un seul flux de bout en bout. Les étudiants déploient un système fonctionnel de questions-réponses documentaires comme projet de fin de chapitre.

Leçon 4 • Ingestion et fragmentation de documents

Couvre le chargement de PDF, HTML et texte brut, puis leur division en fragments sémantiquement cohérents. La qualité des fragments détermine directement la précision de la récupération en aval.

Leçon 1 • Systèmes de mémoire pour les agents

Couvre les schémas de mémoire contextuelle, externe clé-valeur et épisodique pour les agents avec état. La mémoire persistante permet aux agents de gérer des tâches multi-sessions et à long terme.

Leçon 2 • Architecture de l'agent et boucles de planification

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

Leçon 3 • Garde-fous et conception avec intervention humaine

Intègre les portes d'approbation, les validateurs de sortie et les chemins d'escalade dans les workflows 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 d'agents superviseur-travailleur et pair-à-pair pour paralléliser des tâches complexes. Les systèmes multi-agents élargissent considérablement la portée des processus métier automatisables.

Leçon 1 • Observabilité et journalisation

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

Leçon 2 • CI/CD pour les pipelines de workflows d'IA

Automatise les tests, les vérifications de régression des invites et les portes de déploiement dans un pipeline CI/CD. La livraison continue garantit une itération sûre et rapide sur les workflows d'IA de production.

Leçon 3 • Surveillance des coûts et optimisation des jetons

Suit la consommation de jetons, associe les coûts aux workflows et applique la mise en cache pour réduire les dépenses. La gouvernance des coûts empêche les dépassements de budget lorsque l'utilisation de l'IA augmente dans une organisation.

Leçon 4 • Conteneurisation des services de workflow d'IA

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

Leçon 1 • Méthodes d'évaluation automatisées et humaines

Compare l'évaluation LLM-en-tant-que-juge, la notation basée sur une référence et l'annotation humaine pour l'évaluation des sorties. La combinaison des méthodes équilibre la vitesse, le coût et la fiabilité des signaux de qualité.

Leçon 2 • Cycles d'amélioration itérative

Structure le raffinement des invites, le réglage de la récupération et les échanges de modèles comme des cycles d'amélioration pilotés par les données. L'itération systématique empêche les changements ad hoc qui dégradent les performances en production.

Leçon 3 • Cadres de gouvernance de l'IA

Couvre la catégorisation des risques, les fiches techniques des modèles, les workflows d'approbation des cas d'usage et les structures d'imputabilité. Les cadres de gouvernance alignent l'automatisation par IA sur les attentes organisationnelles et réglementaires.

Leçon 4 • Définition des métriques de qualité pour les sorties d'IA

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