Apprendre à développer avec l'IA générative

Wéi laang dauert d'Formatioun?

1,00 Dag(Deeg)

A wéi enger/n Sprooch(en) gëtt d'Formatioun gehalen?

EN FR

Wéini ass déi nächst Sessioun?

Wien organiséiert dës Formatioun?

OXiane est spécialisé dans la conception et la réalisation de formations informatiques et de supports de cours pédagogiques sur les dernières technologies. Nos différentes filières permettent de couvrir tous les besoins en formation que ce soit en IT au sens large, mais également "Utilisateurs" et "Soft Skills" en Management, Communication & leadership.

Méi gesinn

Den Inhalt vun dëser Säit ass net op Lëtzebuergesch verfügbar

U wie riicht sech d'Formatioun?

Managers
Développeurs/développeuses Junior/Senior

Wéi eng Ziler gi verfollegt bzw. wéi eng Kompetenzen ugestrieft?

Maîtriser l'intégration de l'IA générative dans un environnement de développement
- Plugins IDE (Copilot) ; appels API LLM (ChatGPT) ; agents autonomes pour automatiser des tâches.
Utiliser efficacement un chatbot IA pour la génération de code
- Prompt engineering, validation des réponses, bonnes pratiques de revue.
Développer une approche stratégique et critique de l'IA générative
- Décider quand recourir à l'IA, choisir les outils adaptés, gérer les risques (sécurité, biais, conformité).

Wéi gesäit den Inhalt vun der Formatioun aus?

Phase 1 : Utiliser l'IA générative dans son IDE via un plugin

Installer
GitHub Copilot
pour PyCharm
Utiliser Copilot pour générer des fonctions
Conditionner Copilot pour générer des tests et des commentaires

Phase 2 : Utiliser un chatbot pour designer une application

Utiliser l'interface web de
ChatGPT
pour produire du code
Comprendre les limites des capacités de ChatGPT
Exploiter les avantages de ChatGPT

Phase 3 : Consommer un LLM via son API (ex. ChatGPT)

Comprendre l'API : authentification, modèles, quotas
Installer le SDK (OpenAI Python) et sécuriser la clé API
Réaliser des appels simples (prompt, paramètres : temperature, max_tokens)
Cas d'usage : génération de snippets, auto-complétion de docstrings, analyse de logs
Gérer les erreurs, les limites de quota et la sécurité des données
Atelier: créer un service Flask exposant une route /code-gen qui interroge l'API ChatGPT et renvoie le code généré

Phase 4 : Agentique – créer des agents pour automatiser des tâches de développement

Concepts : autonomie, boucle perception-action, mémoire de contexte
Architecture typique : LLM + outils externes (IDE, système de fichiers, Docker, CI/CD) + orchestrateur (LangChain, CrewAI, Auto-GPT)
Construire un agent simple : un agent qui lit un ticket JIRA, génère le code, crée une branche Git et ouvre une PR
Bibliothèques : LangChain, CrewAI, Auto-GPT, OpenAI Functions (tool calling)
Gestion du contexte : mémoire courte (conversation) et longue (vector store)
Sécurité & gouvernance : sandboxing, validation du code, audit des actions
Atelier: créer l'agent "DevHelper" qui reçoit un besoin ("implémenter une API CRUD"), génère le squelette du code via ChatGPT, crée les fichiers, lance les tests et rapporte les résultats

Ces exemples pratiques permettront d'aborder et de mettre en œuvre les compétences suivantes :
Compétences stratégiques

Décider quand faire appel à l'IA générative dans sa pratique de développeur
Choisir les outils adaptés aux besoins de ses équipes

Compétences pratiques

Savoir intégrer l'IA générative comme outil de productivité (plugin, chatbot)
Savoir consommer un LLM via son API dans des scripts/services
Savoir concevoir et piloter des agents autonomes pour des tâches de développement

Compétences théoriques

Comprendre le fonctionnement des IA textuelles et des modèles de génération
Comprendre les enjeux de la production de code par des IA génératives
Maîtriser les principes des appels API LLM (tokenisation, paramètres)
Appréhender les concepts d'agentique (boucle de raisonnement, gestion du contexte)