Chefs de projet, développeurs, architectes logiciels, développeurs web souhaitant intégrer des solutions IA dans les applications
Savoir interfacer des applications avec des solutions IA internes ou externes, savoir développer des API d'IA robustes et sécurisées, intégrer des modèles d'IA via des services cloud, maîtriser les services d'IA (AIaaS). Intégrer des LLM et des architectures RAG dans les applications métier.MOTS_CLES:llm, openai, anthropic, bedrock, rag, embeddings, vectoriel, function calling, streaming
Maîtrise de la programmation (Python ou JavaScript), expérience en développement web (frontend et backend), notions de base des API REST, fondamentaux IA
|
| Présentation API IA |
Durée : 2h30
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Rappels : principe de fonctionnement des API
Types d'API (REST, SOAP, GraphQL)
Présentation d'API d'IA populaires (Google Cloud AI, AWS AI Services, Azure Cognitive Services)
|
|
| Fondamentaux du développement d'API |
Durée : 2h30
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Acquérir les compétences de base pour développer et consommer des API.
Langages de programmation pour le développement d'API (Python, JavaScript)
Frameworks pour le développement d'API (Flask, Django, Express.js)
Méthodes HTTP et formats de données (JSON, XML)
Authentification et autorisation (OAuth, JWT)
|
|
| Intégration de modèles d'IA dans des applications |
Durée : 4h30
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Préparation et traitement des données pour l'IA
Utilisation de frameworks d'IA (TensorFlow, PyTorch, scikit-learn)
Déploiement de modèles d'IA (TensorFlow Serving, ONNX Runtime)
Création de points d'accès API pour servir des modèles d'IAAtelier : Intégration d'un modèle d'IA dans une application Web
|
|
| Utilisation de services d'IA en tant que service (AIaaS) |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Introduction aux services d'IA en tant que service (AIaaS)
Services d'IA populaires (Google Cloud AI, AWS AI Services, Azure Cognitive Services)
Services LLM managés : OpenAI API, Anthropic API, AWS Bedrock, Google Vertex AI — positionnement par rapport aux APIs classiques de vision et NLP
Intégration de services d'IA dans des applications (reconnaissance d'image, traitement du langage naturel, etc.)
Études de cas et bonnes pratiques
|
|
| Intégration des APIs LLM et architectures RAG |
Durée : 4h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | APIs LLM : OpenAI, Anthropic, Google Vertex AI, AWS Bedrock — authentification, appels synchrones et streaming (SSE).
Function calling et tool use : permettre au LLM d'appeler des fonctions applicatives, schémas de paramètres, validation.
Embeddings et bases vectorielles : génération d'embeddings, stockage (Chroma, Pinecone, pgvector), recherche sémantique.
Architecture RAG (Retrieval Augmented Generation) : ingestion de documents, chunking, indexation, requête augmentée, reranking.
Intégration RAG dans une application existante : ajout d'un assistant contextuel à une app métier.
Gestion du contexte conversationnel : historique, fenêtre de contexte, résumé automatique.
Coûts et optimisation : estimation tokens, caching, choix du modèle selon le cas d'usage.Atelier : Intégration RAG complète — ingestion d'une base documentaire, API d'embeddings, recherche vectorielle, appel LLM avec contexte récupéré, exposition via endpoint FastAPI.
|
|
| Développement d'API pour l'IA |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Apprendre à développer des API spécifiques à l'IA.
Conception d'API pour l'IA (endpoints, méthodes, formats de données)
Développement d'API RESTful pour l'IA
Sécurisation des API d'IA (authentification, autorisation, chiffrement)
Documentation et tests des API d'IA (Swagger, Postman)
|
|
| Intégration frontend et projet pratique |
Durée : 4h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Créer des interfaces utilisateur consommant des API d'IA et réaliser un projet complet.
Intégration de l'IA dans des applications web (React, Vue.js)
Utilisation de bibliothèques JavaScript pour l'IA (TensorFlow.js)
Gestion des appels API asynchrones et des états
Streaming de réponses LLM (SSE, WebSocket), composants chat (Vercel AI SDK, Streamlit)
Bonnes pratiques et tendances actuellesAtelier : développement d'une application complète (API + Frontend) intégrant l'IA
|
