Plan du cours

Introduction aux modèles de langage LLM et aux cadres d'agents autonomes

  • Aperçu des grands modèles de langage dans l'automatisation de l'infrastructure
  • Concepts clés dans les workflows multi-agents
  • AutoGen, CrewAI et LangChain : cas d'utilisation dans DevOps

Configuration des agents LLM pour les tâches de DevOps

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

Automatisation des workflows de tests et de qualité du code

  • Solliciter les LLM pour générer des tests unitaires et d'intégration
  • Utilisation des agents pour imposer l'analyse statique, les règles de commit et les directives de revue de code
  • Synthétiser et taguer automatiquement les demandes de tirage (pull requests)

Agents LLM pour la gestion d'alertes et la détection de changements

  • Développement d'agents réactifs pour les alertes sur l'échec des pipelines
  • Analyse des journaux et des traces à l'aide de modèles de langage
  • Détection proactive des changements à haut risque ou des mauvaises configurations

Coordination multi-agent dans DevOps

  • Orchestration basée sur les rôles (planificateur, exécuteur, réviseur)
  • Boucles de communication et gestion de la mémoire des agents
  • Désignation humaine en boucle pour les systèmes critiques

Sécurité, Governance et Observabilité

  • Gestion de l'exposition des données et sécurité LLM dans l'infrastructure
  • Audit des actions d'agents et restriction de portée
  • Suivi du comportement des pipelines et des retours sur les modèles

Cas concrets Use Cases et scénarios personnalisés

  • Conception des workflows d'agents pour la réponse aux incidents
  • Intégration des agents avec GitHub Actions, Slack, ou Jira
  • Meilleures pratiques pour l'échelle de l'intégration LLM dans DevOps

Résumé et prochains pas

Pré requis

  • Expérience avec les outils et la mise en automatisme des pipelines de DevOps
  • Connaissance pratique de Python et des workflows basés sur Git
  • Compréhension des modèles de grands langages (LLMs) ou exposition à l'ingénierie des prompts

Audience

  • Ingénieurs innovateurs et responsables de plateformes intégrées à l'IA
  • Développeurs LLM travaillant dans DevOps ou en automatisation
  • Professionnels de DevOps explorant les cadres d'agents intelligents
 14 Heures

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires


Fatal error: Uncaught TypeError: _isl_get_excluded_site(): Return value must be of type ?array, none returned in /apps/hitra7/backdrop/modules/_custom/frontend/islc7/isl_common.inc:38 Stack trace: #0 /apps/hitra7/backdrop/modules/_custom/frontend/islc7/isl_common.inc(30): _isl_get_excluded_site() #1 /apps/hitra7/backdrop/modules/_custom/frontend/islc7/isl_common.inc(17): isl_get_excluded_site() #2 /apps/hitra7/backdrop/modules/_custom/frontend/islc7/islc7.module(51): get_outline_isls() #3 /apps/hitra7/backdrop/modules/_custom/frontend/islc7/islc7.module(7): islc_prepare_links() #4 /apps/hitra7/npfrontend/nptemplates/default.php(272): islc7_sites_links_array_v3() #5 /apps/hitra7/npfrontend/modules/course/course.php(143): require_once('...') #6 /apps/hitra7/npfrontend/core/routes.php(15): course_menu_callback() #7 /apps/hitra7/npfrontend/__index.php(81): require_once('...') #8 /apps/hitra7/npfrontend/index.php(15): include_once('...') #9 /apps/hitra7/index.php(66): include_once('...') #10 {main} thrown in /apps/hitra7/backdrop/modules/_custom/frontend/islc7/isl_common.inc on line 38