Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction aux LLM 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'utilisation dans le DevOps
Configuration d'agents LLM pour des tâches DevOps
- Installation d'AutoGen et configuration des profils d'agents
- Utilisation de l'API OpenAI et d'autres fournisseurs de LLM
- Configuration des espaces de travail et des environnements compatibles CI/CD
Automatisation des flux de tests et de la qualité du code
- Utilisation de prompts pour générer des tests unitaires et d'intégration avec des LLM
- Utilisation d'agents pour faire respecter le linting, les règles d'engagement et les directives d'examen de code
- Résumé et étiquetage automatisés des demandes de tirage (pull requests)
Agents LLM pour la gestion des alertes et la détection des modifications
- Conception d'agents répondant aux alertes d'échec de pipeline
- Analyse des journaux et des traces à l'aide de modèles de langage
- Détection proactive des modifications à haut risque ou des erreurs de configuration
Coordination multi-agents dans le DevOps
- Orchestration d'agents basée sur des rôles (planificateur, exécuteur, réviseur)
- Boucles de messagerie d'agents et gestion de la mémoire
- Conception avec boucle humaine (human-in-the-loop) pour les systèmes critiques
Sécurité, gouvernance et observabilité
- Gestion de l'exposition des données et de la sécurité des LLM dans les infrastructures
- Audit des actions des agents et restriction de leur portée
- Suivi du comportement du pipeline et des rétroactions des modèles
Cas d'utilisation réels et scénarios personnalisés
- Conception de flux de travail d'agents pour la réponse aux incidents
- Intégration d'agents avec GitHub Actions, Slack ou Jira
- Meilleures pratiques pour l'extension de l'intégration de LLM dans le DevOps
Summary et prochaines étapes
Pré requis
- Expérience avec les outils DevOps et l'automatisation des pipelines
- Connaissances fonctionnelles de Python et des flux de travail basés sur Git
- Compréhension des LLM ou familiarité avec l'ingénierie de prompts
Public cible
- Ingénieurs en innovation et responsables de plateformes intégrant l'IA
- Développeurs de LLM travaillant dans le domaine du DevOps ou de l'automatisation
- Professionnels du DevOps explorant les cadres d'agents intelligents