← Retour aux formations
Intelligence Artificielle & Data
Systèmes multiagents distribués : orchestrer et déployer des agents LLM autonomes
Avancé
À propos de cette formation
Développeurs, architectes logiciels, ingénieurs IA, chercheurs et responsables R&D, ainsi que tout professionnel engagé dans des projets avancés en Python, LLM ou systèmes distribués.
Objectifs de la formation
- Maîtriser les concepts fondamentaux des agents intelligents et les architectures pilotées par LLM
- Distinguer agents symboliques, agents LLM-powered et copilotes afin de choisir l'approche la plus adaptée
- Implémenter un agent LangChain intégrant outils, mémoire et chaînes de raisonnement
- Architecturer un système multi-agents coordonné à l'aide de rôles, de protocoles de communication et de workflows
- Mobiliser les ontologies et le raisonnement sémantique pour standardiser et partager les connaissances entre agents
- Orchestrer et superviser des écosystèmes multi-agents en garantissant performance, sécurité et capacité à l'échelle
Programme détaillé
Module 1 — Fondements des agents intelligents et rôle des LLMs
- Notions clés : agent, autonomie, environnement, perception, action et objectifs
- Agent symbolique versus agent LLM-powered ; différences entre agents, chaînes et copilotes
- Vue d'ensemble des architectures d'agents (BDI, planificateurs, prompt-based)
- Le modèle de langage comme moteur de planification et de raisonnement
- Principales limites : hallucinations, difficultés de coordination, coût computationnel
Module 2 — Agents LangChain et raisonnement outillé
- Architecture interne d'un agent LangChain
- Composants fondamentaux : tools, memory, output parser, AgentExecutor
- Catalogue d'outils : calcul, recherche web, gestion de fichiers, APIs
- Gestion des chaînes de raisonnement et de l'environnement d'exécution
- Travaux pratiques : construction d'un agent répondant à des questions, exploitant un outil de recherche et effectuant des calculs
Module 3 — Théories et frameworks multi-agents
- Typologies d'agents : spécialisés, hiérarchiques, compétitifs, collaboratifs
- Approches de coordination : par tâche, par rôle, par échange de messages
- Protocoles d'échange entre agents : modèle blackboard, publish/subscribe et dialogue direct (JSON)
- Panorama des frameworks : LangChain Multi-Agent, CrewAI, AutoGen, ChatDev, AutoGPT
- Structuration de workflows complexes : délégation, définition des rôles et gestion des dépendances
Module 4 — Ontologies et raisonnement sémantique
- Standardisation des connaissances partagées entre agents
- Intégration d'ontologies métiers dans un système multi-agent
- Raisonnement sur des graphes de connaissances (RDF, Neo4j)
- Mémoire longue au service de la coordination inter-agents
- Travaux pratiques : conception d'un système à trois agents spécialisés (analyste de données, rédacteur de rapport, vérificateur juridique), coordination par rôle et par objectif avec mémoire longue
Module 5 — Planification, supervision et sécurité
- Exploitation des chaînes de pensée (chain-of-thought) pour la planification par LLM
- Limites opérationnelles des LLMs : bruit, instabilité, risques de boucles infinies
- Stratégies de contrôle : scoring, pruning, agents critiques
- Supervision et monitoring des interactions (logging, replay, auditabilité)
- Gouvernance et sécurité : sandboxing, conformité réglementaire, agent critique et human-in-the-loop (HITL)
Prérequis
Maîtrise du langage Python indispensable. Bonne connaissance des LLMs et des architectures orientées agent requises. Bases de LangChain nécessaires.