Formation Développeur Python augmenté par l'IA

Jour 1 - Matin

Situer l'IA Générative et l'agentique dans le métier de développeur

• Panorama IA, Machine Learning, IA générative et agents : ce que cela change pour le développeur
• Fonctionnement, capacités et limites des grands modèles de langage (LLM)
• Cartographie des usages de l'IA sur le cycle de développement
• Cadre éthique et juridique : AI Act, licences, confidentialité et propriété du code

Exemple de travaux pratiques (à titre indicatif)

• Audit des opportunités d'usage de l'IA sur son propre flux de développement

Jour 1 - Après-midi

Pratiquer le prompt engineering appliqué au code

• Principes du prompting : rôle, contexte, contraintes, exemples (few-shot)
• Modèles de prompts pour le développeur : génération, explication, refactoring, débogage
• Panorama des assistants : ChatGPT, Claude, Microsoft Copilot, Gemini, Le Chat de Mistral
• Confidentialité du code et des données transmises aux modèles

Exemple de travaux pratiques (à titre indicatif)

• Constitution d'une bibliothèque de prompts de développement réutilisables

Jour 2 - Matin

Exploiter un assistant de code dans son environnement

• Mise en place de GitHub Copilot, Cursor et Claude Code dans l'IDE
• Complétion, génération multi-fichiers et édition pilotée par l'IA
• Bonnes pratiques de contexte (fichiers de règles, conventions de projet)
• Comparaison des assistants et choix selon le contexte

Exemple de travaux pratiques (à titre indicatif)

• Configuration et prise en main d'un assistant de code sur un projet Python

Jour 2 - Après-midi

Générer et comprendre du code Python avec l'IA

• Génération de fonctions, classes et modules Python à partir de spécifications
• Explication et rétro-documentation de code existant ou hérité
• Revue critique : fiabilité, maîtrise de la dette technique, hallucinations
• Intégration des sorties dans un dépôt versionné (Git)

Exemple de travaux pratiques (à titre indicatif)

• Génération puis fiabilisation d'un module Python à partir d'un besoin

Jour 3 - Matin

Refactorer et moderniser du code Python avec l'IA

• Refactoring assisté : lisibilité, typage, conformité PEP 8
• Modernisation et migration (versions de Python, bibliothèques obsolètes)
• Détection de code smells et propositions d'amélioration
• Limites et garde-fous lors des transformations automatiques

Exemple de travaux pratiques (à titre indicatif)

• Refactoring guidé d'un module legacy

Jour 3 - Après-midi

Tester son code Python avec l'assistance de l'IA

• Génération de tests unitaires avec pytest à partir du code
• Couverture, cas limites et tests paramétrés assistés
• Démarche TDD augmentée par l'IA
• Validation humaine et fiabilité des tests générés

Exemple de travaux pratiques (à titre indicatif)

• Génération d'une suite de tests pytest et mesure de la couverture

Jour 4 - Matin

Documenter et déboguer avec l'IA

• Docstrings, annotations de type et génération de documentation
• Analyse d'erreurs et de traces (stack traces) assistée
• Diagnostic et résolution de bugs guidés par l'IA
• Génération d'exemples d'usage et de README

Exemple de travaux pratiques (à titre indicatif)

• Débogage assisté et documentation d'un projet Python

Jour 4 - Après-midi

Sécuriser le code produit avec l'IA

• Risques du code généré : vulnérabilités, dépendances, secrets
• Revue de sécurité assistée et référentiel OWASP
• Analyse de dépendances et de la chaîne d'approvisionnement logicielle
• Bonnes pratiques d'usage responsable des assistants de code

Exemple de travaux pratiques (à titre indicatif)

• Audit de sécurité d'un code généré par l'IA

Jour 5 - Matin

Appeler des modèles de langage depuis Python

• APIs et SDK des principaux fournisseurs (OpenAI, Anthropic, Mistral)
• Paramètres d'appel : température, jetons, streaming, gestion d'erreurs
• Maîtrise des coûts et des quotas
• Modèles ouverts et exécution locale (Ollama, Hugging Face)

Exemple de travaux pratiques (à titre indicatif)

• Intégration d'un premier appel LLM dans un script Python

Jour 5 - Après-midi

Industrialiser le prompting dans le code

• Gabarits de prompts et gestion des variables
• Sorties structurées (JSON) et validation des réponses
• Appel d'outils (function calling) depuis le code
• Stratégies de fiabilisation des réponses

Exemple de travaux pratiques (à titre indicatif)

• Production de sorties structurées fiables à partir d'un LLM

Jour 6 - Matin

Concevoir des applications LLM avec un framework

• Panorama des frameworks : LangChain, LlamaIndex
• Chaînes, mémoire et gestion du contexte
• Connexion à des outils et des sources de données
• Structuration et maintenabilité d'une application LLM

Exemple de travaux pratiques (à titre indicatif)

• Construction d'une chaîne LLM outillée en Python

Jour 6 - Après-midi

Mettre en oeuvre une architecture RAG en Python

• Principes du RAG : découpage, embeddings, bases vectorielles
• Recherche sémantique et reclassement des résultats
• Construction d'un pipeline RAG complet
• Evaluation de la pertinence et de la qualité des réponses

Exemple de travaux pratiques (à titre indicatif)

• Développement d'un assistant documentaire basé sur le RAG

Jour 7 - Matin

Développer un agent en Python

• Architecture d'un agent : raisonnement, mémoire, action
• Patterns agentiques : ReAct, planification, réflexion
• Usage d'outils, function calling et Model Context Protocol (MCP)
• Observabilité et traçage des décisions de l'agent

Exemple de travaux pratiques (à titre indicatif)

• Développement d'un agent outillé en Python

Jour 7 - Après-midi

Orchestrer des systèmes multi-agents

• Coordination et répartition des tâches entre agents
• Frameworks d'orchestration (LangGraph et équivalents)
• Gestion d'état, des erreurs et des défaillances en cascade
• Limites, coûts et fiabilité des architectures multi-agents

Exemple de travaux pratiques (à titre indicatif)

• Conception d'un workflow multi-agents simple

Jour 8 - Matin

Evaluer la qualité des applications à base de LLM

• Spécificités : non-déterminisme, hallucinations, dérive
• Evaluation par modèle juge (LLM-as-judge) et jeux d'évaluation
• Outils d'évaluation : RAGAS, DeepEval, promptfoo
• Tests de non-régression des applications LLM

Exemple de travaux pratiques (à titre indicatif)

• Mise en place d'un jeu d'évaluation reproductible

Jour 8 - Après-midi

Sécuriser les applications à base de LLM

• Menaces : injection de prompt, fuite de données, OWASP Top 10 LLM
• Garde-fous (guardrails), modération et filtrage
• Gestion des secrets, des permissions et des appels d'outils
• Documentation de la robustesse et conformité

Exemple de travaux pratiques (à titre indicatif)

• Renforcement de la sécurité d'une application LLM

Jour 9 - Matin

Déployer une application IA en Python

• Exposition d'une application via une API (FastAPI)
• Conteneurisation et préparation au déploiement
• Observabilité et traçage (LangSmith, journalisation)
• Bonnes pratiques LLMOps

Exemple de travaux pratiques (à titre indicatif)

• Exposition et instrumentation d'une application LLM

Jour 9 - Après-midi

Optimiser performances et coûts

• Maîtrise de la latence et des coûts d'inférence
• Mise en cache et optimisation des appels
• Choix d'architecture : RAG, fine-tuning, modèles ouverts
• Critères de sélection d'un modèle selon le besoin

Exemple de travaux pratiques (à titre indicatif)

• Optimisation du coût et de la latence d'une application LLM

Jour 10 - Matin

Réaliser un projet fil rouge (capstone)

• Mise en situation intégrée : développer augmenté par l'IA et intégrer l'IA dans l'application
• Travail sur un cas réaliste de bout en bout
• Restitution et revue par les pairs
• Consolidation des acquis des blocs précédents

Exemple de travaux pratiques (à titre indicatif)

• Projet intégrateur : une application Python augmentée par l'IA

Jour 10 - Après-midi

Ancrer une pratique de développement IA durable

• Bonnes pratiques d'ingénierie et de gouvernance (AI Act, ISO / IEC 42001)
• Intégration de l'IA dans les workflows d'équipe et la CI / CD
• Organisation de la veille et montée en compétence continue
• Bilan, évaluation des acquis et plan d'action personnel

Exemple de travaux pratiques (à titre indicatif)

• Construction d'une feuille de route personnelle de développeur augmenté