Comprendre l’IA Générative
Histoire et panorama de l’IA
- IA faible vs IA forte, IA générative vs IA discriminante.
- Chronologie des grandes avancées (GPT, Stable Diffusion, multimodal).
- Les acteurs clés du marché : OpenAI, Anthropic, Google, Meta, Mistral.
- Démonstrations en direct des principaux outils
Fonctionnement des LLM
- Architecture Transformer simplifiée. Notion de tokens, de fenêtre de contexte et de température.
- Comment le modèle génère une réponse ?
- Paramètres clés : top-p, top-k, max tokens.
- Limites des LLM : hallucinations, biais, date de coupure.
Prise en main des interfaces IA
- Tour d’horizon : ChatGPT, Claude, Gemini, Mistral, Perplexity.
- Comparaison des interfaces et des cas d’usage.
- Création de comptes et premiers tests guidés.
- Bonnes pratiques d’usage responsable.
Lab pratique
- Rédiger des requêtes simples, comparer les réponses entre modèles.
- Identifier les forces et faiblesses de chaque outil.
- Cas pratique : résumé de document, traduction, reformulation, brainstorming.
Prompt Engineering — Bases
Anatomie d’un prompt
- Les 5 composantes : rôle, contexte, tâche, format de sortie, contraintes.
- Différence entre prompt système et prompt utilisateur.
- Impact de chaque élément sur la qualité de la réponse.
- Exercices de réécriture de prompts.
Zero-shot, Few-shot, One-shot
- Définitions et comparaison avec exemples concrets.
- Quand utiliser chaque approche ?
- Construction de prompts few-shot pour des tâches répétitives.
- Cas d’usage RH, marketing, support client.
Gestion du format de sortie
- Demander du JSON, du Markdown, des listes, des tableaux.
- Contraindre la longueur et le ton.
- Utiliser des balises XML pour structurer les instructions.
- Extraction d’informations depuis un texte libre.
Lab pratique
- Construire un prompt complet pour un cas métier choisi par les participants.
- Itérations et améliorations successives.
- Débrief collectif et partage des bonnes pratiques.
Prompt Engineering — Niveau intermédiaire
Chain-of-Thought & Tree-of-Thought
- Raisonnement pas à pas : principe et exemples.
- Formulations CoT : ‘Think step by step’, ‘Let’s reason through this’.
- Tree-of-Thought : explorer plusieurs pistes de raisonnement.
- Applications : résolution de problèmes complexes, analyse juridique, diagnostic technique.
Mémoire, contexte et injection de données
- Gestion de la fenêtre de contexte : stratégies de résumé.
- Injection de documents dans le prompt (RAG simplifié).
- Structurer des conversations multi-tours.
- Construire un système de question/réponse sur document.
Sécurité et limites du prompting
- Prompt injection : définition, exemples et contre-mesures.
- Jailbreaking : comprendre les risques. Hallucinations : causes et stratégies de détection. GDPR et données sensibles dans les prompts.
- Bonnes pratiques en entreprise.
Lab pratique
- Construire un assistant IA pour un service help-desk.
- Utilisation du CoT pour un diagnostic technique.
- Comparaison des résultats avec et sans technique avancée.
IA multimodale & Outils spécialisés
IA et image
- Vision et analyse d’images avec GPT-4o et Claude.
- Génération d’images : Midjourney, DALL-E, Stable Diffusion, Adobe Firefly.
- Prompting d’images : style, composition, sujet, ambiance.
- Cas d’usage : création de visuels marketing, analyse de schémas techniques.
IA et code
- GitHub Copilot, Cursor, Claude Code : tour d’horizon.
- Générer, expliquer, déboguer et refactoriser du code.
- Utiliser l’IA comme assistant de documentation.
- Initiation : générer un script Python simple sans connaissance préalable.
Outils IA spécialisés par domaine
- IA pour la recherche : Perplexity, Consensus.
- IA pour la productivité : Notion AI, Microsoft Copilot, Google Workspace.
- IA pour la veille et l’analyse de données.
- Sélectionner l’outil adapté à chaque situation.
Lab pratique
- Chaque participant construit un mini-workflow intégrant texte + image ou texte + code pour son contexte métier.
- Présentation et retours collectifs.
Introduction à n8n & Automatisation IA
Architecture de n8n
- Concepts fondamentaux : nodes, triggers, workflows, credentials.
- Interface : éditeur de workflow, logs, historique d’exécution.
- Installation locale vs n8n Cloud.
- Présentation des nodes IA natifs : OpenAI, Anthropic, Ollama, Hugging Face.
Premiers workflows IA
- Créer un workflow déclenché par webhook.
- Appel à un LLM via le node OpenAI / Anthropic.
- Traitement et mise en forme de la réponse.
- Envoi d’email ou notification Slack avec la réponse générée.
Templating de prompts dynamiques
- Injection de variables dynamiques dans les prompts (expressions n8n).
- Récupérer des données depuis un formulaire, une API ou un fichier.
- Construire un workflow de résumé automatique de documents entrants.
Lab pratique
- Construire un workflow end-to-end : déclenchement → récupération de données → appel LLM → traitement → notification.
- Débogage et optimisation des nodes.
Intégrations avancées n8n
Connecteurs et APIs
- Tour des connecteurs natifs n8n : Gmail, Google Sheets, Slack, Notion, Airtable.
- Utiliser le node HTTP Request pour appeler n’importe quelle API.
- Authentification : API Keys, OAuth2, Bearer Token.
- Gestion des erreurs et des retries.
Travailler avec les données
- Transformations avec le Code node (JavaScript simple).
- Filtrage, tri, agrégation avec les nodes Set, Filter, Merge.
- Manipulation de JSON et de tableaux.
- Cas pratique : enrichissement automatique d’une feuille Google Sheets avec l’IA.
Automatisation de flux documentaires
- Traitement de fichiers PDF et Word avec n8n.
- Extraction d’informations clés par LLM et stockage structuré.
- Génération de rapports automatiques.
- Pipeline : email entrant → extraction → base de données → rapport.
Lab pratique
- Construire un workflow récupérant des données depuis 2 sources (ex : Google Sheets + API externe), les fusionner, les traiter par LLM et produire un rapport synthétique.
RAG & Mémoire vectorielle
Fondamentaux du RAG
- Pourquoi le RAG ? Limites de la fenêtre de contexte.
- Architecture RAG : chunking → embedding → indexation → retrieval → génération.
- Notions de similarité cosinus et de vecteurs.
- Comparaison : RAG vs Fine-tuning vs Prompt seul.
Embeddings et bases vectorielles
- Modèles d’embedding : OpenAI, Mistral, Nomic. Bases vectorielles : Qdrant, Pinecone, Supabase pgvector, Chroma.
- Indexation de documents dans n8n.
- Requêtes de similarité sémantique.
Implémentation RAG dans n8n
- Workflow d’ingestion : chargement → chunking → embedding → stockage.
- Workflow de requête : question → embedding → recherche → contexte → LLM → réponse.
- Paramétrage du nombre de chunks et du seuil de similarité.
Lab pratique
- Construire un assistant IA capable de répondre à des questions sur un corpus de documents internes.
- Test avec des questions variées et évaluation de la pertinence des réponses.
Architecture des Agents IA
Qu’est-ce qu’un agent IA ?
- Différence entre LLM simple, chaîne et agent autonome.
- Le cycle ReAct : Raisonner → Agir → Observer → Raisonner…
- Types d’agents : ReAct, Plan-and-Execute, Reflexion, Multi-agents. Concept de tools, mémoire, contexte et autonomie.
- Exemples concrets d’agents en entreprise.
Configurer un agent dans n8n
- Le node AI Agent : paramètres et options.
- Connecter des outils natifs : Calculator, HTTP Request, Code node, Google Sheets.
- Prompt système de l’agent : rôle, comportement, contraintes.
- Tester et déboguer l’agent avec des cas simples.
Mémoire de l’agent
- Window Buffer Memory : principe et configuration.
- Session Memory vs Persistent Memory.
- Intégration de bases vectorielles pour la mémoire long terme.
- Cas d’usage : agent avec historique de conversation et contexte persistant.
Lab pratique
- Construire un agent capable d’interroger une API, de consulter une base de données et de produire une réponse synthétique.
- Tester différents scénarios et observer les décisions de l’agent
Agents avancés & Multi-agents
Custom Tools
- Créer un outil personnalisé dans n8n (Sub-workflow as Tool).
- Définition du schéma JSON : nom, description, paramètres.
- Bonnes pratiques pour guider la sélection automatique d’outils par le LLM. Exemples : outil de recherche interne, outil de calcul métier, outil d’envoi de notification.
Architecture Multi-Agents
- Pattern Orchestrateur / Sous-agents.
- Communication inter-agents dans n8n.
- Agents spécialisés vs agents généralistes.
- Conception de workflows d’agents en parallèle et en séquence.
- Critères de choix entre agent unique et architecture distribuée.
Sécurité et contrôle des agents
- Risques : prompt injection dans les outils, hallucination, actions non souhaitées.
- Mise en place du Human-in-the-Loop : validation avant action critique.
- Limitation des permissions des outils (principe du moindre privilège).
- Audit trail et journalisation des décisions de l’agent.
Lab pratique
- Concevoir et implémenter un système avec un agent orchestrateur délégant des tâches à 2 agents spécialisés.
- Tester les mécanismes de Human-in-the-Loop et de gestion des erreurs.
Projet final & Mise en production
Déploiement et bonnes pratiques
- Gestion des credentials et variables d’environnement dans n8n.
- Versioning des workflows (export JSON + Git).
- Monitoring : alertes sur erreurs, suivi des exécutions, tableaux de bord.
- Optimisation des coûts : tokens, fréquence d’appel, mise en cache.
- Documentation des workflows.
Projet final — Cas métier complet
- Construction d’un workflow agentique de bout en bout : ingestion de données → traitement IA → décision automatisée → escalade humaine → notification et rapport.
- Chaque groupe travaille sur un cas métier différent (IT, RH, vente, support…).
Présentation des projets & Bilan
- Présentation des projets par groupe (15 min / groupe).
- Questions et retours du formateur et des pairs.
- Bilan des 10 jours : ce qu’on a appris, les pièges à éviter, les prochaines étapes.
- Ressources pour continuer à progresser.
10 jours
