[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-developper-des-agents-ia-autonomes":3,"highlight-python-while not termine an":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a8d4e-b343-11f1-a993-d8ca06000363","Développer des agents IA autonomes","developper-des-agents-ia-autonomes",null,"Développeurs confirmés, ingénieurs IA, architectes.","-   Expérience de l'intégration de modèles de langage et de l'appel d'outils.","-   concevoir un agent capable d'appeler des outils et de planifier ses actions\n-   mettre en œuvre la mémoire et la gestion d'état d'un agent\n-   encadrer l'agent par des garde-fous et des limites d'action\n-   évaluer la fiabilité de l'agent sur un jeu de cas représentatifs","--day1--\n\n## Anatomie d'un agent\n\n-   Boucle de perception, décision, action et observation\n-   Composants : modèle, outils, mémoire, état, critères d'arrêt\n-   Patterns de raisonnement et alternance réflexion-action\n-   Choix du modèle selon les capacités de raisonnement et d'appel d'outils\n-   Construction d'un agent minimal fonctionnel\n-   Travaux pratiques : développement d'un premier agent outillé\n\n--break--\n\n## Concevoir les outils\n\n-   Périmètre d'un outil : granularité, responsabilité unique, effets de bord\n-   Description et schéma de paramètres : effet direct sur le taux de réussite\n-   Outils de lecture et outils d'action : traitement différencié\n-   Retours d'erreur exploitables permettant à l'agent de se corriger\n-   Connexion aux systèmes internes et aux API existantes\n-   Travaux pratiques : développement d'un jeu d'outils et mesure du taux de réussite de l'agent\n\n--day2--\n\n## Mémoire et état\n\n-   Mémoire de travail, mémoire de conversation, mémoire à long terme\n-   Persistance de l'état et reprise d'une tâche interrompue\n-   Compression du contexte au fil d'une exécution longue\n-   Rappel sélectif d'informations pertinentes\n-   Isolement des mémoires entre utilisateurs et entre exécutions\n-   Travaux pratiques : mise en œuvre d'une mémoire persistante et test de reprise\n\n--break--\n\n## Garde-fous et sécurité\n\n-   Limitation des droits accordés à l'agent et des outils accessibles\n-   Validation humaine avant action irréversible\n-   Budgets d'étapes, de temps et de coût par exécution\n-   Injection d'instructions par les données traitées : scénarios et protections\n-   Journalisation exhaustive des actions réalisées\n-   Travaux pratiques : mise en place des garde-fous et test d'un scénario d'injection\n\n--day3--\n\n## Fiabilité et diagnostic\n\n-   Modes de défaillance : boucles, dérive, échec silencieux, hallucination d'outil\n-   Instrumentation et traçage complet d'une exécution\n-   Rejeu et analyse post-exécution\n-   Stratégies de reprise et de repli\n-   Amélioration itérative à partir des échecs observés\n-   Travaux pratiques : analyse d'un lot d'exécutions en échec et correction de l'agent\n\n--break--\n\n## Évaluation et mise en service\n\n-   Jeu d'évaluation : tâches, critères de réussite, coût acceptable\n-   Mesure du taux de réussite et du coût par tâche\n-   Comparaison avec le traitement humain ou automatisé existant\n-   Périmètre restreint pour la première mise en service\n-   Supervision en production et intervention humaine\n-   Travaux pratiques : évaluation complète de l'agent et plan de mise en service","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","21.00","L2-ITE-10","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","2530.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Trois jours pour concevoir un agent capable d'appeler des outils et de planifier ses actions, mettre en œuvre sa mémoire et sa gestion d'état, l'encadrer par des garde-fous et évaluer sa fiabilité sur un jeu de cas représentatifs.","Un agent démontré en réunion et un agent exploitable en production sont deux choses différentes : la fiabilité se joue dans les détails. Cette formation de trois jours construit un agent complet — boucle de décision et de planification, appel d'outils typés, gestion de la mémoire et de l'état entre les tours — puis l'encadre par des garde-fous explicites : limites d'action, validation humaine sur les opérations sensibles, budgets de tours et de coût. Les participants construisent un jeu de cas représentatifs et un protocole d'évaluation permettant de mesurer objectivement la fiabilité de l'agent avant sa mise en service. La formation insiste sur ce qui distingue une démonstration convaincante d'un agent réellement exploitable. Elle s'adresse aux développeurs confirmés, ingénieurs IA et architectes ayant déjà intégré des modèles de langage et de l'appel d'outils.","#3B5BDB","mdi:robot-industrial","python","while not termine and tours \u003C MAX_TOURS:\n    action = planifier(etat, outils_disponibles)\n    if action.necessite_validation and not confirmation_humaine(action):\n        etat.journal.append(\"action refusee\")\n        continue\n    resultat = executer_outil(action)\n    etat = mettre_a_jour(etat, resultat)\n    tours += 1","Développement d'agents IA autonomes fiables : boucle de décision, appel d'outils, mémoire, garde-fous et évaluation sur cas représentatifs.","Construisez des agents IA qui agissent de façon fiable : boucle de décision, outils, mémoire, garde-fous et évaluation sur des cas représentatifs.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">while\u003C/span> \u003Cspan class=\"hljs-keyword\">not\u003C/span> termine \u003Cspan class=\"hljs-keyword\">and\u003C/span> tours < MAX_TOURS:\n    action = planifier(etat, outils_disponibles)\n    \u003Cspan class=\"hljs-keyword\">if\u003C/span> action.necessite_validation \u003Cspan class=\"hljs-keyword\">and\u003C/span> \u003Cspan class=\"hljs-keyword\">not\u003C/span> confirmation_humaine(action):\n        etat.journal.append(\u003Cspan class=\"hljs-string\">"action refusee"\u003C/span>)\n        \u003Cspan class=\"hljs-keyword\">continue\u003C/span>\n    resultat = executer_outil(action)\n    etat = mettre_a_jour(etat, resultat)\n    tours += \u003Cspan class=\"hljs-number\">1\u003C/span>\u003C/code>\u003C/pre>",1789740846236]