[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-llmops-industrialiser-les-applications-d-ia-generative":3,"highlight-dockerfile-FROM python:3.12-sli":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/bc8a90b1-b343-11f1-a993-d8ca06000363","LLMOps : industrialiser les applications d'IA générative","llmops-industrialiser-les-applications-d-ia-generative",null,"Ingénieurs IA, ingénieurs DevOps, architectes, responsables techniques exploitant des applications LLM.","-   Expérience du développement d'applications intégrant des modèles de langage.","-   mettre en place l'évaluation automatisée d'une application LLM\n-   déployer une application LLM avec gestion des versions de consignes et de modèles\n-   superviser le coût, la latence et la qualité en production\n-   détecter les régressions lors d'un changement de modèle","--day1--\n\n## Spécificités et architecture\n\n-   Ce qui distingue l'exploitation d'une application LLM d'une application classique\n-   Composants à gouverner : consignes, modèles, corpus, outils, garde-fous\n-   Passerelle interne d'accès aux modèles et mutualisation\n-   Environnements et cloisonnement des données\n-   Architecture cible d'une chaîne LLMOps\n-   Travaux pratiques : conception de la chaîne d'exploitation d'une application existante\n\n--break--\n\n## Gérer les consignes et les versions\n\n-   Versionnement des consignes au même titre que le code\n-   Séparation des consignes et du code applicatif\n-   Gestion des versions de modèles et changements de comportement\n-   Tests comparatifs entre versions de consignes et de modèles\n-   Déploiement progressif d'une nouvelle consigne\n-   Travaux pratiques : mise en place du versionnement et d'un test comparatif\n\n--day2--\n\n## Évaluation continue\n\n-   Jeux d'évaluation et cas de référence maintenus dans le temps\n-   Évaluation automatisée intégrée à la chaîne de livraison\n-   Seuils bloquants et politique de promotion\n-   Évaluation en production sur échantillon réel\n-   Retours utilisateurs structurés et exploitation\n-   Travaux pratiques : intégration de l'évaluation automatisée dans un pipeline\n\n--break--\n\n## Observabilité et coûts\n\n-   Traçage des exécutions : appels, contexte, réponses, étapes d'agent\n-   Métriques : latence, coût par requête, taux d'échec, satisfaction\n-   Attribution des coûts par application, par équipe et par usage\n-   Détection des dérives de coût et alertes\n-   Diagnostic d'une réponse anormale à partir des traces\n-   Travaux pratiques : instrumentation complète d'une application et analyse des traces\n\n--day3--\n\n## Sécurité et garde-fous en production\n\n-   Filtrage des entrées et des sorties en production\n-   Détection des tentatives d'injection et des usages abusifs\n-   Limitation de débit et protection contre la surconsommation\n-   Gestion des secrets et des accès aux modèles\n-   Journalisation conforme et conservation des preuves\n-   Travaux pratiques : mise en place des garde-fous et test de scénarios d'abus\n\n--break--\n\n## Exploitation et amélioration continue\n\n-   Procédures d'exploitation et gestion des incidents\n-   Repli et dégradation contrôlée en cas d'indisponibilité du fournisseur\n-   Boucle d'amélioration à partir des échecs observés\n-   Gouvernance des applications d'IA à l'échelle de l'organisation\n-   Documentation et transfert à l'exploitation\n-   Travaux pratiques : rédaction du dossier d'exploitation de l'application","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-17","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 mettre en place l'évaluation automatisée d'une application LLM, gérer les versions de consignes et de modèles au déploiement, superviser coût, latence et qualité en production et détecter les régressions à chaque changement de modèle.","Les applications d'IA générative posent des problèmes d'exploitation particuliers : sorties non déterministes, coût variable selon l'usage, dépendance à des modèles tiers qui évoluent sans préavis. Cette formation de trois jours construit une chaîne d'exploitation adaptée. Les participants mettent en place une évaluation automatisée exécutée à chaque changement de consigne ou de modèle, gèrent le versionnement conjoint des consignes et des modèles au déploiement, et instrumentent la supervision du coût, de la latence et de la qualité perçue en production. Une attention particulière est portée à la détection des régressions lors d'un changement de modèle, souvent silencieuses tant qu'elles ne sont pas mesurées explicitement. Elle s'adresse aux ingénieurs IA, ingénieurs DevOps, architectes et responsables techniques exploitant des applications intégrant des modèles de langage.","#1C7ED6","mdi:cloud-sync-outline","dockerfile","FROM python:3.12-slim\nWORKDIR /app\nCOPY requirements.txt .\nRUN pip install --no-cache-dir -r requirements.txt\nCOPY . .\nRUN python evaluer_avant_build.py --seuil-fidelite 0.9\nEXPOSE 8000\nCMD [\"uvicorn\", \"app:api\", \"--host\", \"0.0.0.0\", \"--port\", \"8000\"]","LLMOps : évaluation automatisée, versionnement des consignes et modèles, supervision du coût et de la qualité, détection des régressions.","Construisez la chaîne d'exploitation des applications d'IA générative : évaluation continue, versions de consignes et supervision.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-sql\">\u003Cspan class=\"hljs-keyword\">FROM\u003C/span> python:\u003Cspan class=\"hljs-number\">3.12\u003C/span>\u003Cspan class=\"hljs-operator\">-\u003C/span>slim\nWORKDIR \u003Cspan class=\"hljs-operator\">/\u003C/span>app\n\u003Cspan class=\"hljs-keyword\">COPY\u003C/span> requirements.txt .\nRUN pip install \u003Cspan class=\"hljs-comment\">--no-cache-dir -r requirements.txt\u003C/span>\n\u003Cspan class=\"hljs-keyword\">COPY\u003C/span> . .\nRUN python evaluer_avant_build.py \u003Cspan class=\"hljs-comment\">--seuil-fidelite 0.9\u003C/span>\nEXPOSE \u003Cspan class=\"hljs-number\">8000\u003C/span>\nCMD ["uvicorn", "app:api", "--host", "0.0.0.0", "--port", "8000"]\u003C/code>\u003C/pre>",1789740846865]