Plan du cours
Jour 1
Anatomie d'un Agent IA Moderne
Au-delà des chatbots : les agents en tant que systèmes autonomes de raisonnement et d'action
Paradigmes des agents réactifs, proactifs, hybrides et orientés objectifs
Composants clés : perception, planification, mémoire, utilisation d'outils, action
Arsitekture et compromis entre agents uniques et multi-agents
Frameworks d'Agents et la Stack Moderne
LangChain, LlamaIndex, AutoGen, CrewAI et leurs compromis
Comparaison avec des frameworks classiques tels que JADE et SPADE
Choix d'un framework en fonction des exigences de production
Appels d'outils, appels de fonctions et sorties structurées
Pratique : scaffolding d'un agent Python unique avec des appels d'outils
Architectures de Systèmes Multi-Agents
Conceptions de MAS (Multi-Agent Systems) centralisées, décentralisées, hybrides et en couches
FIPA ACL, passage de messages et équivalents modernes
Modèles de coordination : planification, négociation, synchronisation
Comportement émergent et auto-organisation dans les populations d'agents
Prise de Décision et Apprentissage dans les Agents
Théorie des jeux pour les interactions coopératives et compétitives entre agents
Apprentissage par renforcement dans les environnements multi-agents
Apprentissage par transfert et partage de connaissances entre agents
Résolution de conflits et confiance entre agents coordonnés
Jour 2
Fondements Multi-Modaux pour les Agents
L'IA multi-modale comme flux de travail unifié couvrant texte, image, voix et vidéo
Modèles multi-modaux leaders : GPT-4 Vision, Gemini, Claude, Whisper
Techniques de fusion pour combiner les modalités dans la boucle de raisonnement de l'agent
Compromis en matière de latence, coût et précision dans les pipelines multi-modaux
Construction de la Couche de Perception
Traitement d'images pour les agents : classification, légendage, détection d'objets
Reconnaissance vocale avec Whisper ASR et transcription en streaming
Synthèse text-to-speech et interaction vocale naturelle
Connexion des sorties de perception au raisonnement piloté par LLM et à la sélection d'outils
Pratique - Construction d'un Agent Multi-Modale en Python
Définir la tâche de l'agent, la fenêtre de contexte et l'inventaire d'outils
Branchement des APIs GPT-4 Vision et Whisper de bout en bout
Mise en œuvre de la mémoire, de l'état et de la gestion des conversations
Ajout d'appels d'outils produisant des effets secondaires réels en toute sécurité
Pratique - Orchestration d'un Système Multi-Agent
Composition d'agents spécialisés avec AutoGen ou CrewAI
Définition des rôles, responsabilités et protocoles de communication inter-agents
Allocation des ressources et coordination dans un environnement simulé
Journalisation du raisonnement de l'agent, des appels d'outils et des décisions pour inspection et audit
Jour 3
Surface de Menace des Agents IA en Production
Ce qui rend l'IA agentic uniqueent vulnérable par rapport aux logiciels traditionnels
Surface d'attaque : couches de données, modèle, prompt, outil, sortie et interface
Modélisation des menaces pour les systèmes basés sur des agents avec utilisation autonome d'outils
Comparaison des pratiques de cybersécurité IA avec la cybersécurité traditionnelle
Attaques Adversariales Pratique
Exemples adversariaux et méthodes de perturbation : FGSM, PGD, DeepFool
Scénarios d'attaque en boîte blanche versus boîte noire
Attaques d'inversion de modèle et d'inférence d'appartenance
Empoisonnement des données et injection de portes dérobées pendant l'entraînement
Injection de prompt, jailbreaking et mauvaise utilisation des outils dans les agents basés sur LLM
Techniques Défensives et Durcissement du Modèle
Stratégies d'entraînement adversarial et d'augmentation de données
Distillation défensive et autres techniques de robustesse
Prétraitement des entrées, masquage de gradient et régularisation
Vie privée différentielle, injection de bruit et budgets de confidentialité
Apprentissage fédéré et agrégation sécurisée pour l'entraînement distribué
Pratique avec l'Adversarial Robustness Toolbox
Simulation d'attaques contre l'agent multi-modale construit au Jour 2
Mesure de la robustesse sous perturbation et quantification de la dégradation
Application itérative des défenses et réévaluation des taux de réussite des attaques
Tests de stress des chemins d'appels d'outils et des vecteurs d'injection de prompt
Jour 4
Cadres de Gestion des Risques pour l'IA
Cadre NIST AI Risk Management Framework : gouverner, cartographier, mesurer, gérer
ISO/IEC 42001 et normes émergentes spécifiques à l'IA
Cartographie des risques IA vers les cadres GRC (Gouvernance, Risques et Conformité) d'entreprise existants
Exigences de responsabilisation, d'auditabilité et de documentation de l'IA
Conformité Réglementaire pour les Systèmes Agentic
Règlement européen sur l'IA (AI Act) : niveaux de risque, utilisations interdites et obligations pour les systèmes à haut risque
Implications du RGPD et de la CCPA pour les pipelines de données des agents
Executive Order américain sur une IA sûre, sécurisée et digne de confiance
Directives sectorielles pour la finance, la santé et les services publics
Risques tiers et utilisation d'outils IA par les fournisseurs
Éthique, Biais et Explicabilité
Détection et atténuation des biais à travers la perception et le raisonnement des agents
Explicabilité et transparence en tant que propriétés pertinentes pour la sécurité
Équité, préjudices en aval et déploiement responsable
Conception de comportements d'agents inclusifs et auditables
Déploiement en Production, Surveillance et Gestion des Incidents
Modèles de déploiement sécurisé pour les systèmes à agent unique et multi-agents
Surveillance continue pour la dérive, les anomalies et les abus
Journalisation, traces d'audit et préparation_forensique pour les actions des agents
Plans d'intervention pour les incidents de sécurité IA et récupération
Études de cas de brèches IA réelles et enseignements tirés
Projet Final et Synthèse
Revue du système multi-agent multi-modale construit tout au long du cours
Revue du pipeline de bout en bout : conception, construction, sécurisation, gouvernance, déploiement
Auto-évaluation du système par rapport aux fonctions du NIST AI RMF
Perspectives sur les tendances émergentes dans l'IA agentic et la sécurité de l'IA
Résumé et Prochaines Étapes
Pré requis
Public Cible
Ingénieurs et architectes IA développant des systèmes agentic pour un usage en production. Professionnels de la cybersécurité, des risques et de la conformité responsables de l'assurance IA dans des secteurs réglementés tels que la finance, la santé et le conseil. Développeurs seniors et chefs de solution intégrant des capacités multi-modales et multi-agents dans des plateformes d'entreprise.
Nos clients témoignent (3)
Le formateur est patient et très aidant. Il maîtrise bien le sujet.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Formation - Agentic AI for Business Automation: Use Cases & Integration
Traduction automatique
Bon mélange de connaissances et de pratique
Ion Mironescu - Facultatea S.A.I.A.P.M.
Formation - Agentic AI for Enterprise Applications
Traduction automatique
Le mélange de théorie et de pratique, ainsi que des perspectives de haut niveau et de bas niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Formation - Autonomous Decision-Making with Agentic AI
Traduction automatique