Formation Développement d'Agents IA

Leçon 1 • Taxonomies et classifications des agents

Recense les agents réflexes simples, les agents fondés sur un modèle, les agents fondés sur des objectifs, les agents utilitaires et les agents apprenants. Permet aux apprenants de sélectionner la classe d'agent adaptée à un problème donné.

Leçon 2 • Les grands modèles de langage comme socle des agents

Explique comment les LLM servent de moteurs de raisonnement dans les pipelines agentiques, ainsi que leurs principales capacités et limites. Relie les fondamentaux des LLM aux décisions de conception des agents.

Leçon 3 • IA agentique vs automatisation traditionnelle

Compare l'automatisation basée sur des règles, la RPA et l'IA agentique en termes de flexibilité, d'adaptabilité et de modes de défaillance. Clarifie quand les approches agentiques apportent une réelle valeur ajoutée.

Leçon 4 • Qu'est-ce qui rend l'IA agentique ?

Définit l'agencéité dans les systèmes d'IA en opposant les modèles réactifs au comportement autonome orienté vers un but. Ancre le vocabulaire technique du chapitre dans des distinctions comportementales concrètes.

Leçon 1 • Autoréflexion et révision du plan

Explore les boucles de type réflexion où les agents critiquent et révisent leurs propres résultats de manière itérative. Prépare les étudiants à construire des agents qui améliorent leurs performances sans intervention humaine.

Leçon 2 • Algorithmes de planification pour les agents

Recense la planification classique, la recherche par arbre de pensées et les approches heuristiques applicables aux agents basés sur LLM. Équipe les étudiants pour choisir des stratégies de planification adaptées à la complexité de la tâche.

Leçon 3 • Raisonnement par chaîne de pensée

Présente le déclenchement du raisonnement étape par étape via le prompting et son effet sur la qualité des décisions de l'agent. Établit la technique de raisonnement de base développée dans les sections suivantes.

Leçon 4 • Stratégies de décomposition des tâches

Enseigne la décomposition hiérarchique et séquentielle d'objectifs complexes en sous-tâches exécutables. Permet directement aux agents de gérer des objectifs à long horizon introduits dans les chapitres suivants.

Leçon 1 • Fondamentaux de l'utilisation d'outils

Définit ce qui constitue un outil dans un contexte agentique et comment les agents sélectionnent et invoquent des outils via l'appel de fonctions. Établit le modèle d'intégration utilisé tout au long du chapitre.

Leçon 2 • Construire une bibliothèque d'outils personnalisée

Guide les étudiants dans la conception, la documentation et l'enregistrement d'outils réutilisables pour les frameworks d'agents. Produit une bibliothèque d'outils portable applicable aux projets des chapitres suivants.

Leçon 3 • Outils de recherche et de récupération de connaissances

Intègre la recherche web et la récupération documentaire dans les pipelines d'agents pour ancrer les réponses dans des informations actuelles. Fait le pont entre l'utilisation d'outils et les concepts de récupération développés au chapitre 5.

Leçon 4 • Connecter les agents aux API

Couvre l'intégration des API REST, les modèles d'authentification et la gestion des erreurs dans les boucles d'outils des agents. Permet aux étudiants d'étendre les agents avec tout service accessible sur le web.

Leçon 1 • Types de mémoire d'agent

Distingue la mémoire en contexte, externe, épisodique et sémantique ainsi que leurs compromis dans la conception d'agents. Fournit la taxonomie appliquée dans toutes les sections suivantes sur la mémoire.

Leçon 2 • Bases de données vectorielles pour la mémoire d'agent

Couvre le stockage basé sur les embeddings et la recherche par similarité comme solution de mémoire à long terme évolutive pour les agents. Se connecte aux modèles de génération augmentée de récupération introduits au chapitre 5.

Leçon 3 • Gestion de la fenêtre de contexte

Aborde les stratégies pour faire tenir les informations pertinentes dans des fenêtres de contexte finies sans perdre l'état critique. Impacte directement la fiabilité des agents dans les tâches de longue durée.

Leçon 4 • Cohérence de la mémoire et résolution de conflits

Aborde les contradictions entre les sources de mémoire et les stratégies pour maintenir un modèle du monde cohérent pour l'agent. Prépare les étudiants à construire des agents fiables dans des environnements dynamiques.

Leçon 1 • Stratégies avancées de récupération

Couvre la recherche hybride, le reclassement, HyDE et la récupération multi-requêtes pour améliorer le rappel et la précision. Améliore directement la qualité des réponses des agents sur des tâches de connaissances complexes.

Leçon 2 • Évaluation de la qualité du pipeline RAG

Applique les métriques de fidélité, de pertinence et de rappel de contexte pour évaluer et améliorer les performances RAG. Conclut le chapitre par un workflow d'assurance qualité systématique.

Leçon 3 • Modèles RAG agentiques

Introduit les modèles RAG itératifs, d'auto-interrogation et correctifs où les agents décident quand et comment récupérer. Étend le RAG de base à des workflows de récupération dynamiques pilotés par les agents.

Leçon 4 • Fondamentaux de l'architecture RAG

Explique le pipeline de type récupérer-puis-générer, ses composants et comment il s'intègre aux boucles de raisonnement des agents. Établit la base architecturale du chapitre.

Leçon 1 • Résolution de conflits et consensus

Aborde les désaccords entre agents via le vote, l'arbitrage et les stratégies de fusion pondérées par la confiance. Produit des résultats robustes pour les systèmes multi-agents même en cas de désaccord entre agents.

Leçon 2 • Modèles d'architecture multi-agents

Recense les topologies hiérarchiques, pair-à-pair et basées sur le marché pour les systèmes multi-agents ainsi que leur adéquation à différentes tâches. Fournit le vocabulaire structurel du chapitre.

Leçon 3 • Conception de l'orchestrateur et des sous-agents

Définit le rôle de l'orchestrateur dans le routage des tâches, la délégation et l'agrégation des résultats entre sous-agents spécialisés. Enseigne la division des responsabilités essentielle aux systèmes multi-agents évolutifs.

Leçon 4 • Frameworks d'orchestration en pratique

Applique les principaux frameworks d'orchestration open source pour construire et exécuter un workflow multi-agents de bout en bout. Traduit les concepts architecturaux en code fonctionnel et en pipelines déployables.

Leçon 1 • Injection de prompts et entrées adverses

Explique comment des entrées malveillantes peuvent détourner le raisonnement et les actions des agents, et couvre les stratégies de détection et de défense. Protège directement les agents déployés dans des environnements ouverts ou non fiables.

Leçon 2 • Techniques d'alignement pour les agents

Applique l'IA constitutionnelle, les concepts RLHF et les méthodes de spécification de valeurs pour maintenir les agents alignés sur les objectifs visés. Relie la théorie de l'alignement à la configuration pratique des agents.

Leçon 3 • Cadres éthiques et déploiement responsable

Applique les principes d'équité, de transparence et d'imputabilité aux décisions de conception des agents et aux politiques de déploiement. Prépare les étudiants à répondre aux attentes organisationnelles et sociétales en matière d'IA responsable.

Leçon 4 • Conception avec intervention humaine

Définit les points de contrôle, les barrières d'approbation et les chemins d'escalade qui maintiennent un contrôle humain approprié sur les actions des agents. Équilibre l'autonomie et l'imputabilité dans les déploiements en production.

Leçon 1 • Stratégies de test pour les systèmes agentiques

Applique les tests unitaires, d'intégration, de simulation et adverses pour valider le comportement des agents avant et après le déploiement. Réduit les incidents de production grâce à une validation systématique avant publication.

Leçon 2 • Observabilité et surveillance

Implémente le traçage, la journalisation et les alertes pour les pipelines d'agents afin de détecter les défaillances et les régressions de performance. Permet une visibilité continue sur le comportement des agents en production.

Leçon 3 • Architectures de déploiement des agents

Couvre les modèles de conteneurisation, serverless et microservices pour héberger les charges de travail des agents en production. Établit les fondations d'infrastructure pour tous les sujets de déploiement du chapitre.

Leçon 4 • Amélioration continue et itération

Établit des boucles de rétroaction utilisant les journaux de production, les signaux utilisateur et les jeux de données d'évaluation pour piloter l'amélioration continue des agents. Conclut le cours par une pratique durable de gestion du cycle de vie des agents.