Prenez contact avec nous
 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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires