Bootcamp Développeur Full Stack IA
Domaine : IA. Niveau : Avancé. Durée : 400 heures. 40 modules répartis en 2 chapitres. Tarif : 4200 euros. Formation à distance avec modules, exercices corrigés, questionnaires et manuel. Attestation de fin de formation délivrée à l’issue du parcours.
Programme détaillé
Chapitre 1 — Étape 1 - Fondations du développeur Full Stack IA
- 1.1 Histoire et panorama de l'intelligence artificielle : de Turing et McCarthy aux LLMs contemporains
- 1.2 Posture professionnelle du développeur IA : rigueur, veille technologique et culture de l'expérimentation
- 1.3 Architectures logicielles fondamentales : monolithes, microservices et orientée services pour systèmes IA
- 1.4 Design patterns appliqués au full stack moderne : Factory, Repository, Observer et Adapter en contexte IA
- 1.5 Python avancé pour la data : programmation asynchrone, décorateurs, métaclasses et gestion mémoire
- 1.6 Manipulation de données avec NumPy et Pandas : structures, transformations et analyse exploratoire sur jeux réels
- 1.7 Qualité de code Python : tests unitaires avec pytest, linting, environnements virtuels et gestion des dépendances
- 1.8 Fondements du machine learning : algorithmes supervisés et non supervisés selon Vapnik, Breiman et Hastie
- 1.9 Évaluation et validation des modèles ML : validation croisée, métriques, gestion du surapprentissage et optimisation des hyperparamètres
- 1.10 Réseaux de neurones profonds : perceptron multicouche, rétropropagation et architectures CNN, RNN et Transformer avec PyTorch
- 1.11 Entraînement et suivi d'expérimentations de deep learning : cycles d'apprentissage, régularisation et tracking avec MLflow
- 1.12 Traitement du langage naturel : tokenisation, embeddings, Word2Vec, attention et classification de textes
- 1.13 Modèles de langage pré-entraînés et fine-tuning sur corpus métier avec la bibliothèque Hugging Face Transformers
- 1.14 Conception d'API REST performantes avec FastAPI : routage, authentification, middlewares et tâches asynchrones
- 1.15 Bases de données relationnelles avec PostgreSQL et ORM : modélisation, requêtes avancées et gestion de la persistance
- 1.16 Introduction aux bases de données vectorielles : indexation sémantique, similarité cosinus et rôle dans les systèmes de recherche
- 1.17 Développement frontend avec React : composants, gestion d'état, consommation d'API REST et WebSocket
- 1.18 Sécurité des applications web et éthique de l'IA : OWASP, RGPD, biais algorithmiques et responsabilité du développeur
- 1.19 Containerisation avec Docker et premières configurations de déploiement : images, volumes, réseaux et Docker Compose
- 1.20 Évaluation de l'étape 1 : audit d'architecture, revue de code Python/FastAPI/React et restitution des fondements IA
Chapitre 2 — Étape 2 - Maîtrise Full Stack IA : cas réels, déploiement et excellence professionnelle
- 2.1 IA générative et grands modèles de langage : panorama des LLMs, accès via API, structuration des sorties et techniques avancées de prompt engineering selon Brown, Wei et Ouyang
- 2.2 Ingénierie du prompt en profondeur : chain-of-thought, few-shot, zero-shot, self-consistency et prompt injection — travaux pratiques sur cas métier réels
- 2.3 Architecture RAG (Retrieval-Augmented Generation) : pipeline complet de chunking, embedding, stockage vectoriel avec Chroma et Weaviate, retrieval et génération augmentée
- 2.4 Implémentation d'un système RAG de bout en bout : indexation de documents métier, recherche sémantique, reranking et évaluation de la pertinence des réponses générées
- 2.5 Orchestration d'agents autonomes : conception d'agents avec LangChain et LlamaIndex, gestion de la mémoire conversationnelle, outils externes et chaînes de traitement multi-étapes
- 2.6 Systèmes multi-agents : architecture, communication inter-agents, délégation de tâches et mise en œuvre d'un pipeline agentique sur un cas d'usage applicatif complet
- 2.7 MLOps et cycle de vie des modèles en production : pipeline d'entraînement automatisé, versionnage avec MLflow et DVC, détection de la dérive des données et stratégies de maintenance
- 2.8 Étude de cas 1 — Plateforme d'analyse documentaire intelligente : conception full stack d'un système d'extraction, classification et synthèse de documents avec RAG et agents, du backend FastAPI au frontend React
- 2.9 Étude de cas 2 — Assistant conversationnel métier à mémoire persistante : architecture multi-agents, intégration base vectorielle, gestion des sessions utilisateurs, déploiement cloud et monitoring en production
- 2.10 Pipelines CI/CD pour projets IA : automatisation des tests de modèles, validation des performances avant déploiement, gestion des artefacts et intégration dans des workflows GitHub Actions
- 2.11 Déploiement avancé sur environnements cloud : orchestration avec Docker Compose et Kubernetes, gestion des secrets, scalabilité horizontale et configurations de production pour applications IA
- 2.12 Sécurité avancée des systèmes IA : prompt injection, data poisoning, model inversion, protection des endpoints API, conformité RGPD appliquée aux pipelines de données personnelles
- 2.13 Étude de cas 3 — Système de recommandation personnalisée full stack : modèle de filtrage collaboratif selon Koren et Bell, API d'inférence FastAPI, interface React temps réel, déploiement et A/B testing
- 2.14 Fine-tuning avancé et adaptation de modèles : techniques LoRA et QLoRA selon Hu et al., RLHF selon Christiano et al., évaluation sur benchmarks métier et gestion des ressources de calcul
- 2.15 Interprétabilité et fiabilité des modèles IA : méthodes SHAP selon Lundberg et Lee, LIME selon Ribeiro et al., analyse des biais, audits de modèles et restitution des résultats à des parties prenantes non techniques
- 2.16 Étude de cas 4 — Application de génération de contenu augmentée par IA : orchestration d'un pipeline LLM avec guardrails, validation des sorties, interface utilisateur de supervision et traçabilité des décisions
- 2.17 Préparation au positionnement professionnel : constitution du portfolio GitHub, structuration des projets fil rouge pour présentation technique, veille active et pratique de la revue de code en équipe
- 2.18 Projet fil rouge : développement en autonomie guidée d'une application full stack IA complète — conception de l'architecture, intégration des composants IA, déploiement cloud et documentation technique
- 2.19 Simulation d'entretien technique et revue de projet : présentation orale du projet fil rouge devant jury, défense des choix d'architecture, gestion des questions adversariales et retour formatif individualisé
- 2.20 Évaluation de l'étape 2 : audit de production du projet fil rouge, examen technique écrit sur l'ensemble du parcours, restitution des compétences full stack IA et bilan de progression individuel