Aller au contenu
Présentiel Distanciel

Formation Applications d’IA générative avec langChain

Découvrez comment LangChain peut faire passer une idée d’IA générative à un assistant métier utilisable au quotidien.

Référence formation :
MOD_20262087
Durée :
21 heures
Satisfaction :
Prix :
2280 € HT
Pré-inscription

Présentation de la formation

Cette formation de 3 jours permet de comprendre les LLMs et le prompt engineering, puis de construire ses premières applications avec LangChain (prompts structurés, extraction d’informations, comparaison de modèles). 

Les participants apprennent à bâtir des pipelines RAG, à gérer mémoire et agents outillés (requêtes SQL, APIs, calculs) pour adresser des cas métier avancés. 

Ils travaillent sur l’évaluation, la sécurité et l’industrialisation (guardrails, coûts, déploiement avec LangServe/FastAPI, observabilité et FinOps) afin de mettre en production des agents IA fiables et maîtrisés. 

Objectifs pédagogiques

A l’issue de la formation, le stagiaire sera capable de développer des applications d’IA générative. 

  • Créer des applications basées sur l’IA générative 
  • Intégrer des modèles de langage 
  • Automatiser des taches génératives 
  • Déployer des solutions IA 

Public visé

  • Développeurs AI, data engineers 

Prérequis

  • Connaissances en Python et LLM. 

Jour 1 — LLMs, prompt engineering et fondamentaux LangChain

 

Matin — Panorama des LLMs et prompt engineering

  • Familles de LLMs : GPT, Claude, Llama, Mistral, Gemini
  • Modèles propriétaires versus open source, modes d’accès
  • Prompt engineering : zero-shot, few-shot, chain-of-thought
  • Limitations : hallucinations, contexte, coût, latence

 

Atelier — Prompt engineering pour la synthèse d’avis clients

Contexte : Une entreprise reçoit chaque jour plusieurs milliers d’avis sur ses différentes plateformes et souhaite produire automatiquement une synthèse hebdomadaire par service.

Dataset : Corpus d’avis clients multilingues comprenant plusieurs langues, destiné à l’analyse textuelle et au traitement du langage naturel.

Tâches à réaliser :

  • Concevoir 3 variantes de prompts (zero-shot, few-shot, chain-of-thought)
  • Comparer les sorties sur un échantillon de X avis par variante
  • Évaluer la qualité (concision, fidélité, ton)
  • Mettre en évidence un cas d’hallucination et proposer une parade

Livrable attendu : Document comparatif des 3 variantes de prompts et prompt final recommandé avec justification.

 

Après-midi — Premiers pas avec LangChain

  • Architecture LangChain : modèles, prompts, parsers, chains
  • PromptTemplate et OutputParser
  • LangChain Expression Language (LCEL)
  • Connexion à plusieurs fournisseurs de LLMs

 

Atelier — Chaîne d’extraction structurée pour le secteur bancaire

Contexte : Une banque souhaite extraire automatiquement, à partir de fiches clients rédigées en texte libre par les conseillers, des informations structurées (situation familiale, projet, capacité d’épargne).

Dataset : Des fiches clients fictives en texte libre (générées par le formateur).

Tâches à réaliser :

  • Définir un PromptTemplate et un schéma de sortie (Pydantic)
  • Construire une chaîne LCEL avec OutputParser pour produire du JSON valide
  • Tester la robustesse sur des fiches volontairement « bruitées »
  • Comparer les résultats entre deux providers (ex : OpenAI versus un modèle open source)

Livrable attendu : Notebook avec la chaîne fonctionnelle et un tableau comparatif de précision entre les deux providers.

 

Jour 2 — RAG, mémoire et agents

 

Matin — Retrieval Augmented Generation (RAG)

  • Embeddings et bases vectorielles (Chroma, FAISS, Pinecone, Qdrant)
  • Chunking, indexation et recherche sémantique
  • Construction d’un pipeline RAG complet
  • RAG Evaluation (pertinence, fidélité)

 

Atelier — Assistant documentaire pour analystes financiers

Contexte : Une société de gestion souhaite que ses analystes puissent interroger en langage naturel un corpus de rapports annuels d’entreprises cotées, pour gagner du temps dans leurs notes d’investissement.

Dataset : Corpus de rapports annuels d’entreprises cotées au format PDF, destiné à l’analyse documentaire.

Tâches à réaliser :

  • Charger et chunker les PDF (différentes stratégies : taille fixe vs sémantique)
  • Indexer les chunks dans Chroma avec un embedding adapté
  • Construire une chaîne RAG retournant la réponse et les sources
  • Évaluer la pertinence des réponses sur un ensemble de questions métier

Livrable attendu : Application RAG fonctionnelle et rapport d’évaluation.

 

Après-midi — Mémoire, agents et tools

  • Gestion de la mémoire conversationnelle
  • Agents : ReAct, function calling, tool use
  • Création d’outils personnalisés (APIs, BDD, calculs)
  • Multi-agents et orchestration

 

Atelier — Agent IA pour le pilotage d’un magasin retail

Contexte : Une entreprise souhaite un assistant qui aide ses directeurs commerciaux à interroger leurs KPI (CA, prévisions) en langage naturel.

Dataset : Base de données relationnelle simulant une activité commerciales (ventes, prévisions), enrichie par une API externe de données fictives.

Tâches à réaliser :

  • Créer 4 outils personnalisés : requête SQL, calcul de KPI, mailing
  • Construire un agent ReAct utilisant ces outils
  • Implémenter une mémoire conversationnelle pour conserver le contexte
  • Tester l’agent sur des scénarios (CA du jour, ruptures à venir, donnée exogène et impact prévu)

Livrable attendu : Agent fonctionnel, démonstration sur les scenarios et diagramme d’architecture.

 

Jour 3 — Évaluation, sécurité et déploiement

 

Matin — Évaluation et sécurité

  • Évaluation des applications LLM (LangSmith, ragas)
  • Guardrails, modération et lutte contre les hallucinations
  • Gestion des coûts et de la latence
  • Sécurité : prompt injection, fuite de données, RGPD

 

Atelier — Durcissement d’une application LLM

Contexte : Un éditeur de logiciel pour cabinets médicaux veut intégrer un assistant LLM qui résume les comptes-rendus de consultation, avec des exigences fortes en termes de fiabilité et de sécurité.

Dataset : Des comptes-rendus médicaux fictifs fournis par le formateur, incluant des tentatives de prompt injection.

Tâches à réaliser :

  • Construire une chaîne de résumé avec validation par un second LLM (LLM-as-a-Judge)
  • Mettre en place des guardrails (longueur, vocabulaire, sources)
  • Tester la résistance aux tentatives de prompt injection
  • Évaluer la fidélité du résumé sur des cas avec ragas
Télécharger le programme .pdf

Dernière mise à jour le 5 novembre 2026

Prochaines sessions

Modalités pratiques et pédagogiques

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

  • Formation en présentiel
    • En groupe (inter-entreprises ou intra-entreprise)
    • En individuel (monitorat)
    • En journée ou en cours du soir (sur demande spécifique)
  • Formation en distanciel
    • Distanciel synchrone
    • Distanciel asynchrone

  • Alternance d’apports théoriques et de mises en pratique contextualisées.
  • Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
  • Pédagogie immersive favorisant une mise en application immédiate des compétences.
  • Formation interactive et participative s’appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
  • Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l’ancrage des apprentissages.
  • Supports de cours, ressources documentaires et références mis à disposition par le formateur

En amont de la formation (évaluation en ligne dans l’extranet apprenant)

  • Recueil des besoins et des attentes des participants.
  • Auto-positionnement permettant d’évaluer le niveau initial des apprenants.

 

Tout au long de la formation

  • Évaluations continues réalisées par le formateur à travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.

À l’issue de la formation (évaluations en ligne dans l’extranet apprenant)

  • Auto-positionnement afin de mesurer l’acquisition des compétences visées.
  • Validation de l’acquisition des compétences par le formateur
  • Questionnaire de satisfaction « à chaud » à l’issue de la formation
  • Questionnaire de satisfaction « à froid », 45 jours après la formation afin d’évaluer l’ancrage des acquis et leur mise en application en situation professionnelle.

Nous consulter.

Nos formations peuvent être adaptées à certaines conditions de handicap. Nous contacter pour toute information et demande spécifique.

Tarifs et financement

Formation éligible aux Actions Collectives OPCO Atlas.

Formations associées

À distance Présentiel 7h
IA générative et application métier

Formation IA pour Product Owner

Note : 4,3 sur 5

À partir de 990€

À distance Présentiel 7h
IA générative et application métier

Formation IA Générative & Relations Sociales – Juridique

Note : 4,5 sur 5

À partir de 890€

À distance Présentiel 28h
IA générative et application métier

Formation IA Générative pour filière technique

Note : 3,6 sur 5

À partir de 2 740€