Le problème à résoudre
Les assistants IA grand public ne connaissent pas vos procédures internes, et y envoyer vos données confidentielles pose un problème de souveraineté et de conformité. L’IA générative reste un gadget externe plutôt qu’un outil métier sûr.
La promesse pour la direction
Votre développeur conçoit des assistants IA fondés sur vos propres documents (RAG), déployables sur une infrastructure souveraine — répondant avec précision à partir de vos procédures, sans exposer vos données.
Ce que le parcours débloque
Native (RAG)
Connaissance de vos procédures
Maîtrisées
Souveraineté des données
évaluées
Fiabilité des réponses Sourcées et
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | Développeur Python / back-end |
| Prérequis | Python, APIs, bases ML |
| Durée | 6 mois (accélérateur) |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
Python · LangChain · LlamaIndex · Ollama · pgvector · Qdrant · Mistral / Llama
Les jalons
Une trajectoire pour un collaborateur déjà en poste. Chaque mois est validé par un livrable et un critère d’acceptation écrit à l’avance.
| Mois | Thème | Atelier | Validation |
|---|---|---|---|
| M1 | IA générative appliquée LLM & prompting | Construire une première application LLM | ✔ Application LLM fonctionnelle |
| M2 | RAG Réponse sur vos données | Indexer des documents et y interroger l’IA | ✔ Réponses sourcées sur vos documents |
| M3 | Modèles ouverts LLM souverains | Déployer un modèle open-source en local | ✔ Modèle souverain opérationnel |
| M4 | Sécurité & garde-fous IA maîtrisée | Encadrer les réponses et l’accès aux données | ✔ Réponses encadrées et tracées |
| M5 | Évaluation Qualité des réponses | Mesurer la pertinence et les hallucinations | ✔ Qualité des réponses évaluée |
| M6 | Projet IA générative Assistant réel | Livrer un assistant métier souverain | ✔ Soutenance + question métier réelle |