IA Générative : Les modèles de langages massifs (LLMs)
- Durée
- Durée :2 jours
- Niveau
- Niveau :Intermédiaire
- Certification
- Certification :Non
2050€ HT
Prochaine session :
RAG Avancé et Agents Intelligents : Architectures, Graphes et Déploiement
Maîtriser les évolutions du RAG (RIG, GraphRAG, StructRAG) et concevoir des agents intelligents de nouvelle générationDescription de la formation RAG Agents Intelligents
Qu’est-ce que le RAG avancé et ses déclinaisons ?
Le RAG (Retrieval-Augmented Generation) combine récupération d’informations et génération de texte par des modèles de langage. Ses déclinaisons récentes - RIG, GraphRAG, StructRAG - repoussent les limites de la contextualisation et du raisonnement : elles introduisent des mécanismes de graphes de connaissances, de structuration sémantique et d’apprentissage dynamique, permettant de construire des agents intelligents plus autonomes et performants.
Pourquoi suivre une formation RAG avancé et Agents intelligents ?
Avec la multiplication des LLM open source et l’essor de l’ingénierie des prompts, savoir concevoir des systèmes RAG avancés est devenu un avantage concurrentiel majeur. Cette formation intensive de 3 jours apporte une maîtrise concrète des architectures RAG modernes, des graphes de connaissances, et des mécanismes d’agents IA orchestrés, le tout dans une approche projet et production.
Programme de la formation
Objectif opérationnel :
Savoir concevoir, optimiser et déployer des architectures RAG avancées et des agents intelligents intégrant des graphes et des stratégies de raisonnement automatisées.
Objectif pédagogiques :
À l'issue de cette formation RAG Agents Intelligents, vous aurez acquis les connaissances nécessaires pour :
- Comprendre les architectures avancées RAG (RIG, GraphRAG, StructRAG)
- Intégrer des graphes de connaissances dans un pipeline de génération
- Concevoir des agents intelligents à mémoire et raisonnement dynamique
- Optimiser les performances et la précision des modèles
- Déployer et superviser un système RAG complet en production
Jour 1
Différences entre RAG, RIG, StructRAG
Concepts d’orchestration, chain-of-thought et self-retrieval
Structuration des données pour améliorer la pertinenceTravaux pratiquesObjectif : Implémenter un pipeline RIG à partir d’un RAG existant.
Description : Création d’un RIG avec LangChain et LlamaIndex, comparaison des performances et pertinence. Pourquoi cette approche améliore-t-elle la cohérence des résultats ?
Évaluation : métriques de précision et cohérence
Coût, latence, scalabilitéTravaux pratiquesObjectif : Ajuster un RAG pour le rendre scalable.
Description : Expérimenter différents indexeurs vectoriels (HNSW, FAISS) et mesurer impact performance.Jour 2
Connexion entre retrieval vectoriel et graphes de relations
Avantages de GraphRAG : raisonnement logique, cohérence globaleTravaux pratiquesObjectif : Construire un mini GraphRAG.
Description : Création d’un graphe Neo4j et intégration dans une chaîne de génération. Comment la relation entre entités améliore-t-elle la précision du contenu généré ?
Contextualisation multi-niveaux et chaînes de raisonnement
Évaluation automatique des réponses structuréesTravaux pratiquesObjectif : Structurer un corpus complexe.
Description : Segmenter et hiérarchiser un corpus documentaire avant de le passer au modèle. Observation des gains de cohérence.Jour 3
Interaction entre RAG et agents IA
Frameworks modernes : LangGraph, CrewAI, AutoGenTravaux pratiquesObjectif : Créer un agent RAG intelligent.
Description : Développer un agent multi-tâches capable de récupérer, raisonner et enrichir sa base de connaissances. Peut-il adapter sa stratégie de recherche ?
Supervision des performances et métriques qualité
Bonnes pratiques de sécurité et maintenanceTravaux pratiquesObjectif : Déployer et surveiller un RAG avancé.
Description : Conteneuriser un RAG + agent, déployer sur un environnement cloud, créer un tableau de bord d’observation.
Évolution du RAG vers le RIG et StructRAG
Limites du RAG classique et introduction aux architectures avancéesDifférences entre RAG, RIG, StructRAG
Concepts d’orchestration, chain-of-thought et self-retrieval
Structuration des données pour améliorer la pertinenceTravaux pratiquesObjectif : Implémenter un pipeline RIG à partir d’un RAG existant.
Description : Création d’un RIG avec LangChain et LlamaIndex, comparaison des performances et pertinence. Pourquoi cette approche améliore-t-elle la cohérence des résultats ?
Optimisation et évaluation des pipelines RAG
Gestion de la mémoire contextuelle et tuning des embeddingsÉvaluation : métriques de précision et cohérence
Coût, latence, scalabilitéTravaux pratiquesObjectif : Ajuster un RAG pour le rendre scalable.
Description : Expérimenter différents indexeurs vectoriels (HNSW, FAISS) et mesurer impact performance.Jour 2
Graphes de connaissances et intégration dans le RAG
Introduction aux graphes sémantiques et ontologiesConnexion entre retrieval vectoriel et graphes de relations
Avantages de GraphRAG : raisonnement logique, cohérence globaleTravaux pratiquesObjectif : Construire un mini GraphRAG.
Description : Création d’un graphe Neo4j et intégration dans une chaîne de génération. Comment la relation entre entités améliore-t-elle la précision du contenu généré ?
StructRAG et hiérarchisation des connaissances
Approche multi-granulaire et structuration hiérarchiqueContextualisation multi-niveaux et chaînes de raisonnement
Évaluation automatique des réponses structuréesTravaux pratiquesObjectif : Structurer un corpus complexe.
Description : Segmenter et hiérarchiser un corpus documentaire avant de le passer au modèle. Observation des gains de cohérence.Jour 3
Agents RAG autonomes : de la théorie à la pratique
Concepts de base des agents (planification, mémoire, boucle perception-action)Interaction entre RAG et agents IA
Frameworks modernes : LangGraph, CrewAI, AutoGenTravaux pratiquesObjectif : Créer un agent RAG intelligent.
Description : Développer un agent multi-tâches capable de récupérer, raisonner et enrichir sa base de connaissances. Peut-il adapter sa stratégie de recherche ?
Mise en production et monitoring
Structuration d’une API RAG (FastAPI + Docker)Supervision des performances et métriques qualité
Bonnes pratiques de sécurité et maintenanceTravaux pratiquesObjectif : Déployer et surveiller un RAG avancé.
Description : Conteneuriser un RAG + agent, déployer sur un environnement cloud, créer un tableau de bord d’observation.
Public cible :
Ce cours s'adresse aux développeurs IA, ingénieurs machine learning, data scientists, architectes techniques et consultants IA souhaitant passer du RAG de base à des architectures avancées et industrialisées.
Prérequis :
Une bonne maîtrise de Python et des LLMs (LangChain, LlamaIndex, OpenAI API, etc.) sont nécessaires pour suivre cette formation. Des connaissances de base en vector stores et retrieval augmentés sont également attendues. La formation RAG et Fine Tuning d'un LLM (RAFT) constitue la porte d'entrée idéale.
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 14/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage