GenAI, LLM & RAG — prompts, retrieval, agents et gouvernance responsable

Tokens, contexte, hallucinations et grounding

Comprendre pourquoi un LLM génère et pourquoi il peut se tromper.

Prompting professionnel : rôle, tâche, contexte, contraintes

Écrire des prompts comme contrats de production.

Sorties structurées JSON et validation de schéma

Produire des réponses parseables et testables.

Paramètres de génération : température, top-p et limites

Choisir les paramètres sans confondre créativité et fiabilité.

Prototype LLM en Python sans dépendance fournisseur

Concevoir une interface LLM réutilisable quel que soit le fournisseur.

Jeux de tests de prompts et cas adversariaux

Construire des tests pour cas simples, ambigus, incomplets et dangereux.

Évaluer une réponse : exactitude, utilité, format, refus

Transformer l’évaluation subjective en grille observable.

Mémoire conversationnelle et gestion de contexte

Limiter la mémoire, résumer et éviter l’injection de contexte.

Coûts, latence, cache et quotas

Mesurer le coût d’un prototype et éviter les architectures non soutenables.

Embeddings et similarité cosinus

Représenter textes/documents pour la recherche sémantique.

Chunking documentaire, métadonnées et traçabilité

Découper et indexer un corpus sans perdre le contexte.

Index vectoriel, recherche hybride et filtres

Combiner vector search, mots-clés, filtres et métadonnées.

Assembler un pipeline RAG minimal

Relier ingestion, retrieval, contexte, génération et citations.

Évaluer un RAG : contexte, fidélité, pertinence, citations

Mesurer séparément retriever et générateur.

Sécurité GenAI : prompt injection et exfiltration

Détecter et bloquer les attaques contre consignes, outils et données.

Tools et function calling : contrats d’outils

Définir des outils typés avec permissions et sorties contrôlées.

Agents : boucle plan-action-observation

Orchestrer un agent limité, traçable et stoppable.

Human-in-the-loop et actions sensibles

Insérer une validation humaine avant les actions risquées.

Sandboxing, journalisation et tests d’agents

Tester un agent sans lui donner trop de pouvoirs.

RAG avancé : query rewriting, reranking et citations

Améliorer le retrieval sans masquer les limites.

Choisir entre prompting, RAG, fine-tuning et agents

Décider quelle approche GenAI est adaptée au besoin.

Observabilité LLM : traces, métriques et régressions

Suivre qualité, coûts, incidents, drift et régressions.

Gouvernance européenne : RGPD, AI Act et documentation

Appliquer minimisation, transparence, supervision humaine et documentation.

Projet certifiant : assistant RAG auditable

Livrer un assistant RAG sourcé, évalué, sécurisé et documenté.