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 frameworks d'agents
- Vue d'ensemble des grands modèles de langage dans l'automatisation de l'infrastructure
- Concepts clés des flux de travail multi-agents
- AutoGen, CrewAI et LangChain : cas d'usage en DevOps
Configuration des agents LLM pour les tâches DevOps
- Installation d'AutoGen et configuration des profils d'agents
- Utilisation de l'API OpenAI et d'autres fournisseurs de LLM
- Mise en place des espaces de travail et des environnements compatibles CI/CD
Automatisation des flux de test et de qualité du code
- Utilisation de prompts LLM pour générer des tests unitaires et d'intégration
- Utilisation d'agents pour appliquer le linting, les règles de commit et les directives de revue de code
- Résumé et balisage automatisés des pull requests
Agents LLM pour la gestion des alertes et la détection des changements
- Conception d'agents de réponse pour les alertes d'échec de pipeline
- Analyse des journaux et des traces à l'aide de modèles de langage
- Détection proactive des changements à haut risque ou des configurations incorrectes
Coordination multi-agents en DevOps
- Orchestration d'agents par rôle (planificateur, exécuteur, revueur)
- Boucles de messagerie des agents et gestion de la mémoire
- Conception de type 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 l'infrastructure
- Audit des actions des agents et limitation de leur portée
- Suivi du comportement du pipeline et des retours des modèles
Cas d'usage réels et scénarios personnalisés
- Conception de flux d'agents pour la réponse aux incidents
- Intégration d'agents avec GitHub Actions, Slack ou Jira
- Meilleures pratiques pour l'extension de l'intégration LLM en DevOps
Synthèse et prochaines étapes
Pré requis
- Expérience avec les outils DevOps et l'automatisation de pipelines
- Connaissances opérationnelles de Python et des flux de travail basés sur Git
- Compréhension des LLM ou exposition à l'ingénierie de prompt
Public cible
- Ingénieurs de l'innovation et responsables de plateformes intégrant l'IA
- Développeurs de LLM travaillant dans les domaines de DevOps ou de l'automatisation
- Professionnels DevOps explorant les frameworks d'agents intelligents