Formateur IA générative et LLM
Je vous aide à comprendre ce que fait un LLM, ce qu'il coûte et comment bâtir dessus des applications fiables.
Mon approche
Beaucoup d'équipes utilisent déjà un assistant conversationnel sans savoir ce qui se passe derrière. Ma formation part de la mécanique : réseaux de neurones, Transformers, tokens, fenêtre de contexte. Une fois ces bases posées, les choix techniques et budgétaires deviennent clairs.
En 2024, j'ai fondé Ragger, une plateforme d'API pour agents conversationnels construite sur le RAG. Les questions de découpage des documents, de coût par requête et de fiabilité des réponses, je les ai réglées en production avant de les enseigner.
Je propose deux parcours. Les développeurs construisent un pipeline RAG, des agents et des systèmes multi-agents, et font tourner des modèles en local. Les équipes métier apprennent à lire le paysage des outils, à estimer un budget et à encadrer les risques, sans écrire de code.
Ce que je couvre
Ce qui se passe dans un LLM
- De Turing à l'IA générative : les étapes qui expliquent les modèles actuels
- Réseaux de neurones, poids et paramètres : entraînement et inférence
- L'architecture Transformer et le mécanisme d'attention
- Tokens, embeddings et fenêtre de contexte
- Les bases du prompt : instruction, exemples, chaîne de pensée
Le paysage des modèles et le choix d'un fournisseur
- Modèles de fondation, plateformes et applications : trois couches à distinguer
- GPT, Claude, Gemini, Mistral : forces et limites de chaque famille
- Modèles à poids ouverts ou propriétaires : ce que cela change en pratique
- Régler un appel : temperature, top_p, top_k, pénalités, seed, effort de raisonnement
Tarification et budget
- Comment un fournisseur calcule le prix : tokens d'entrée, de sortie, abonnements
- Comparer les grilles d'OpenAI, Google, Anthropic et Mistral
- Le cas de la génération d'images : Stable Diffusion et Midjourney
- Estimer le coût d'un projet avant de le lancer
RAG : faire répondre un modèle sur vos documents
- Embeddings, vectorisation et recherche sémantique
- Panorama des bases vectorielles
- Préparer un corpus : parsing, découpage, dédoublonnage
- RAG, function calling ou MCP : choisir la bonne approche
- Injection indirecte : quand un document récupéré devient une attaque
Agents et systèmes multi-agents
- La boucle raisonnement et action, les outils et la mémoire d'un agent
- Écrire un agent sans framework : historique, streaming, longues conversations
- Mémoire courte et longue durée : résumé, cache, mem0
- Orchestrer plusieurs agents avec LangGraph, répartir des rôles avec CrewAI
- Assembler des agents sans code avec Flowise
IA locale avec Ollama
- Pourquoi garder le modèle chez soi : confidentialité, coûts, latence
- Quantization et format GGUF
- Régler le contexte et le comportement à l'exécution
- Créer un modèle personnalisé avec un Modelfile, puis l'affiner
Risques, éthique et gouvernance
- Prompt injection, jailbreaks et OWASP LLM Top 10
- Garde-fous en entrée et en sortie, observabilité et évaluation des agents
- Aspects juridiques, responsabilités et exemples de réglementations
- Coût environnemental, effet sur les métiers et dépendance à un fournisseur
Exemples de travaux pratiques
- Monter un pipeline RAG complet sur un corpus documentaire réel, du parsing à la réponse sourcée
- Écrire un agent sans framework qui garde l'historique et diffuse sa réponse en streaming
- Orchestrer un graphe d'agents avec LangGraph
- Packager un modèle local avec un Modelfile Ollama et le comparer au modèle de base
- Assembler un système multi-agent sans code dans Flowise
- Attaquer son propre agent par prompt injection, puis poser des garde-fous en entrée et en sortie
Pour qui
Le parcours technique s'adresse aux développeurs, data engineers et architectes qui intègrent un LLM dans un produit ou un outil interne. Le parcours métier s'adresse aux directions, chefs de projet et fonctions support qui doivent choisir un outil, défendre un budget et fixer des règles d'usage. Les deux publics peuvent suivre ensemble la partie sur le fonctionnement des modèles, les coûts et les risques.
Prérequis
- Parcours technique : Python courant et usage d'un terminal
- Parcours métier : aucune connaissance technique
- Une clé d'API chez un fournisseur de modèles, ou une machine capable de faire tourner Ollama
- Un accès réseau vers les services du fournisseur choisi
Formats
- Intra-entreprise, dans vos locaux ou en visioconférence
- Un parcours développeur complet sur cinq jours
- Des sessions plus courtes centrées sur un thème : RAG, agents, IA locale ou gouvernance
Entreprises et organisations formées
Microsoft · Intel · Société Générale · Michelin · Ministère des Armées · Ministère de l'Éducation nationale · Ministère de l'Intérieur · Orange · EDF · Iliad / Free · Assurance Maladie · Ville de Strasbourg · Groupe Hospitalier du Havre · General Electric · Synechron · Sagemcom · Cryostar · Mediagenix · Config · Echosens · Coyote System · Viadialog · RS2i · Amphenol Socapex · 4JS · NTI · GPSEA · CentralPay · Lazeo · Kabia · Vademi · UOC
Mes livres sur le sujet
Questions fréquentes
Faut-il savoir ce qu'est un Transformer pour suivre la formation ?
Non. Je l'explique avec des schémas et des analogies simples. Le but est de comprendre pourquoi un modèle se trompe, oublie ou coûte cher, pas de refaire les calculs.
Pouvons-nous travailler sans envoyer nos données à un fournisseur américain ?
Oui. Une partie du programme porte sur les modèles à poids ouverts exécutés en local avec Ollama. Je montre aussi ce que l'on perd et ce que l'on gagne par rapport à un modèle hébergé.
Quand faut-il un RAG plutôt qu'un modèle affiné ?
Le RAG convient quand l'information change souvent ou doit être citée. L'affinage convient pour un style ou un format stable. Nous regardons ensemble lequel correspond à votre cas.
Formations proches
Organiser une formation
Décrivez votre équipe, son niveau et vos objectifs. Je vous réponds avec un programme adapté.
Me contacter