Prenez contact avec nous
 Durée 14 heures

Plan du cours

Introduction aux LLMs et aux cadres d’agents

  • Aperçu des grands modèles de langage dans l’automatisation des infrastructures
  • Concepts clés des flux de travail multi-agents
  • AutoGen, CrewAI et LangChain : cas d’usage en DevOps

Mise en place d’agents LLMs pour les tâches DevOps

  • Installation d’AutoGen et configuration des profils d’agents
  • Utilisation de l’API OpenAI et d’autres fournisseurs de LLMs
  • Configuration des espaces de travail et des environnements compatibles CI/CD

Automatisation des flux de travail de tests et de qualité du code

  • Conception de prompts pour générer des tests unitaires et d’intégration
  • Utilisation d’agents pour appliquer le linting, les règles de commit et les lignes directrices de revue de code
  • Résumé et étiquetage automatisés des demandes de tirage (pull requests)

Agents LLMs pour la gestion des alertes et la détection des changements

  • Conception d’agents de réponse pour les alertes de défaillance des pipelines
  • Analyse des journaux et des traces à l’aide de modèles de langage
  • Détection proactive des changements à haut risque ou des erreurs de configuration

Coordination multi-agents en DevOps

  • Orchestration d’agents par rôle (planificateur, exécuteur, examinateur)
  • Boucles de messagerie entre agents et gestion de la mémoire
  • Conception human-in-the-loop pour les systèmes critiques

Sécurité, gouvernance et observabilité

  • Gestion de l’exposition des données et de la sécurité des LLMs dans les infrastructures
  • Audit des actions des agents et restriction de leur portée
  • Suivi du comportement des pipelines et des retours des modèles

Cas d’usage réels et scénarios personnalisés

  • Conception de flux d’agents pour la réponse aux incidents
  • Intégration des agents avec GitHub Actions, Slack ou Jira
  • Meilleures pratiques pour l’extension de l’intégration des LLMs en DevOps

Résumé et prochaines étapes

Pré requis

  • Expérience avec l’outillage DevOps et l’automatisation des pipelines
  • Connaissances opérationnelles de Python et des flux de travail basés sur Git
  • Compréhension des LLMs ou exposition à la conception de prompts (prompt engineering)

Public cible

  • Ingénieurs de l’innovation et responsables de plateformes intégrant l’IA
  • Développeurs de LLMs travaillant dans le DevOps ou l’automatisation
  • Professionnels du DevOps explorant les cadres d’agents intelligents

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires