[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-integrer-l-ia-generative-dans-l-architecture-du-si":3,"highlight-plantuml-@startuml\nactor Util":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/0ae2b3e5-b298-11f1-a993-d8ca06000363","Intégrer l'IA générative dans l'architecture du SI","integrer-l-ia-generative-dans-l-architecture-du-si",null,"Architectes, responsables techniques, DSI, responsables de la donnée, chefs de projet innovation.","Connaissance de l'architecture d'un système d'information. Aucune compétence en science des données n'est requise.","Identifier les patterns d'intégration (RAG, agents, passerelles LLM) et leurs impacts sur le SI.","--day1--\n\n## Composants et patterns\n\n-   Modèles de langage, plongements, bases vectorielles, orchestrateurs ; patterns d'intégration : invocation directe, RAG, appel d'outils, agents ; critères de choix.\n\n--break--\n\n## Architecture RAG\n\n-   Chaîne d'ingestion et de découpage documentaire ; indexation et recherche ; contrôle des accès aux sources ; qualité des réponses et évaluation ; pièges observés en production.\n\n--day2--\n\n## Sécurité, conformité et données\n\n-   Passerelle LLM et cloisonnement des usages ; données sensibles et lieu de traitement ; injection d'instructions et garde-fous ; traçabilité ; obligations liées au règlement européen sur l'IA et référentiels de management associés.\n\n--break--\n\n## Coûts, exploitation et gouvernance\n\n-   Modèles de coût et maîtrise de la consommation ; hébergement managé, souverain ou auto-hébergé ; supervision et évaluation continue ; comité d'usage et catalogue de cas ; atelier de conception sur un cas des participants.","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.","14.00","L1-ARC-11","2026-09-18T09:45:10+00:00","2026-09-17T15:02:31+00:00","1710.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/0ac088b7-b298-11f1-a993-d8ca06000363","Architecture et urbanisation des SI","architecture-et-urbanisation-des-si",{"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},"Identifiez les patterns d'intégration de l'IA générative — RAG, agents autonomes, passerelles LLM — et évaluez leurs impacts sur la gestion des données, la sécurité, les coûts et les points de contrôle d'architecture d'entreprise.","Les composants d'IA générative entrent dans le SI par les usages métier avant d'y entrer par une décision d'architecture formelle, ce qui crée des angles morts à combler rapidement. Cette formation experte traite les patterns d'intégration disponibles — retrieval augmented generation (RAG) pour ancrer les réponses sur des données d'entreprise, architectures d'agents autonomes orchestrant plusieurs outils, et passerelles LLM mutualisant l'accès à différents modèles. Chaque pattern est examiné sous l'angle de ses implications sur la protection des données, la sécurité (fuite d'information, injection de prompt) et les coûts d'inférence à l'échelle. La formation propose des points de contrôle pour l'architecture d'entreprise. Elle s'adresse aux architectes, responsables techniques, DSI, responsables de la donnée et chefs de projet innovation, sans prérequis en science des données.","#7C4FE0","mdi:brain","plantuml","@startuml\nactor Utilisateur\nparticipant \"Passerelle LLM\" as GW\nparticipant \"Moteur RAG\" as RAG\ndatabase \"Base vectorielle\" as DB\nparticipant \"Modèle LLM\" as LLM\n\nUtilisateur -> GW : Question\nGW -> RAG : Requête enrichie\nRAG -> DB : Recherche sémantique\nDB --> RAG : Documents pertinents\nRAG -> LLM : Contexte + question\nLLM --> Utilisateur : Réponse ancrée\n@enduml","Formation à l'intégration de l'IA générative dans le SI : patterns RAG, agents et passerelles LLM, impacts sur données, sécurité et coûts.","Intégrez l'IA générative dans l'architecture de votre SI : patterns RAG, agents et passerelles LLM, et leurs impacts réels sur données et coûts.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-less\">\u003Cspan class=\"hljs-variable\">@startuml\u003C/span>\nactor Utilisateur\nparticipant \u003Cspan class=\"hljs-string\">"Passerelle LLM"\u003C/span> as GW\nparticipant \u003Cspan class=\"hljs-string\">"Moteur RAG"\u003C/span> as RAG\ndatabase \u003Cspan class=\"hljs-string\">"Base vectorielle"\u003C/span> as DB\nparticipant \u003Cspan class=\"hljs-string\">"Modèle LLM"\u003C/span> as LLM\n\nUtilisateur -> \u003Cspan class=\"hljs-attribute\">GW \u003C/span>: Question\nGW -> \u003Cspan class=\"hljs-attribute\">RAG \u003C/span>: Requête enrichie\nRAG -> \u003Cspan class=\"hljs-attribute\">DB \u003C/span>: Recherche sémantique\nDB --> \u003Cspan class=\"hljs-attribute\">RAG \u003C/span>: Documents pertinents\nRAG -> \u003Cspan class=\"hljs-attribute\">LLM \u003C/span>: Contexte + question\nLLM --> \u003Cspan class=\"hljs-attribute\">Utilisateur \u003C/span>: Réponse ancrée\n\u003Cspan class=\"hljs-variable\">@enduml\u003C/span>\u003C/code>\u003C/pre>",1789717724667]