Enjeu 1
Les entreprises veulent exploiter leurs propres données
Un chatbot généraliste ne connaît ni les procédures internes, ni les contrats, ni les documents métier. Le RAG permet de connecter l’IA à une base documentaire contrôlée.
Formation LLM RAG · Projet portfolio · Certificat
De documents bruts à un assistant RAG fiable et présentable.
Apprenez Python, embeddings, Qdrant, retrieval, prompting et Streamlit en construisant un assistant documentaire qui répond avec ses sources.
Accès sécurisé Tarif visible à l’accès Certificat inclus
Pourquoi cette compétence compte maintenant
L’IA devient vraiment utile quand elle sait travailler avec les documents de l’entreprise.
Le RAG répond à un problème concret : permettre à une organisation d’interroger ses procédures, contrats, guides, rapports ou bases de connaissances sans laisser le modèle inventer librement.
Débouchés possibles
Développeur d’assistants documentaires
Intégrateur IA pour PME et organisations
Consultant automatisation et recherche documentaire
Prototypeur de produits IA internes
Enjeu 2
La confiance exige des sources vérifiables
Dans un contexte professionnel, une réponse fluide ne suffit pas. Il faut retrouver les bons passages, citer les sources et refuser lorsque le contexte est insuffisant.
Enjeu 3
Le marché a besoin de profils capables de livrer
Cette formation vous apprend à passer du prototype à une application démontrable : ingestion, recherche vectorielle, interface, évaluation, sécurité et déploiement.
À la fin, vous ne présentez pas seulement un certificat.
Vous présentez un assistant documentaire RAG complet, testable, sourcé et suffisamment structuré pour devenir une preuve de compétence ou la base d’un service client.
Résultat concret
Vous ne construisez pas un simple chatbot.
Vous construisez une application capable de retrouver les bons passages, citer ses sources, refuser ce qu’elle ne sait pas et rester testable.
Concevoir une architecture RAG complète
Préparer et découper des documents
Créer et stocker des embeddings
Interroger une base vectorielle Qdrant
Produire des réponses avec citations
Évaluer la qualité d’un pipeline RAG
Créer une interface Streamlit
Sécuriser et documenter le projet
Programme complet
Du concept au produit déployable.
Chaque module produit une preuve concrète : schéma, script, index, moteur de recherche, prompt, interface ou test.
1h30
Module 01
Comprendre les LLM et le RAG
Modèles de langage, hallucinations, recherche augmentée et architecture globale.
2h
Module 02
Préparer l’environnement
Python, VS Code, environnement virtuel, configuration et structure professionnelle.
2h30
Module 03
Charger les documents
Extraction, nettoyage, métadonnées et validation des fichiers.
2h30
Module 04
Découper en chunks
Stratégies de découpage, tokens, chevauchement et compromis qualité/coût.
2h30
Module 05
Créer les embeddings
Vectorisation, similarité, traitement par lots et reprise sur erreur.
3h
Module 06
Indexer avec Qdrant
Collections, points, payloads, filtres et maintenance de l’index.
3h
Module 07
Rechercher les bons passages
Top-k, seuils, filtres et évaluation de la pertinence documentaire.
2h30
Module 08
Construire le prompt RAG
Contexte, citations, refus hors sujet et protection contre les injections.
3h
Module 09
Générer et évaluer
Réponses sourcées, fidélité, coût, latence et jeu de tests.
2h30
Module 10
Créer l’interface Streamlit
Expérience de question-réponse, historique, sources et erreurs.
2h
Module 11
Sécuriser et mettre en ligne
Tests, secrets, fichiers, logs, quotas et checklist de déploiement.
3h
Module 12
Projet final
Un assistant documentaire RAG complet, testé, documenté et présentable.
Supports théoriques
Comprendre chaque concept avant de l’implémenter.
Le parcours comprend des fiches théoriques, un glossaire, des schémas et des aide-mémoires utilisables pendant les exercices.
Documents
Chunks
Embeddings
Qdrant
Réponse sourcée
LLM
Modèle qui génère du texte token après token.
RAG
Recherche documentaire suivie d’une génération fondée sur les passages retrouvés.
Chunk
Segment de document utilisé pour l’indexation et la recherche.
Embedding
Vecteur numérique représentant le sens d’un texte.
Métadonnée
Information qui permet d’identifier et de filtrer une source.
Prompt système
Règles prioritaires qui encadrent le comportement du modèle.
Les supports complets restent non publiés jusqu’à la recette du parcours. Cette prévisualisation montre uniquement le niveau de structuration prévu.
Mise en pratique
Chaque module débouche sur une action concrète.
Les exercices utilisent des fichiers de départ, des résultats attendus, des indices progressifs et une solution séparée pour préserver l’apprentissage actif.
Exercice guidé
Une consigne structurée avec fichiers de départ, étapes et résultat attendu.
Débogage
Un pipeline volontairement cassé à diagnostiquer puis corriger proprement.
Challenge
Un problème plus ouvert à résoudre avec justification technique et critères de réussite.
Chunking
Comparer deux stratégies et mesurer leur impact sur le corpus.
Qdrant
Créer une indexation idempotente et filtrable par métadonnées.
Prompt RAG
Corriger un prompt vulnérable aux injections documentaires.
Les solutions sont stockées séparément des consignes. Elles ne seront accessibles qu’après publication et selon les règles de progression du parcours.
Quiz et validations
Valider la compréhension avant de débloquer la suite.
Chaque module possède une validation courte. Après soumission, l’apprenant reçoit la bonne réponse, une explication et les notions à revoir.
QCM
Vérifier les notions, l’architecture et les choix techniques.
Vrai / faux
Repérer rapidement une idée fausse ou une mauvaise pratique.
Compréhension
Expliquer le rôle d’un composant ou diagnostiquer une situation.
Mini-défi
Choisir la meilleure action dans un cas concret de projet RAG.
Seuil de réussite
12/20
Une validation réussie débloque le module suivant. Une tentative échouée recommande les parties à revoir.
Réponses protégées avant soumission
L’API publique du quiz ne renvoie jamais la bonne réponse. Les corrections détaillées apparaissent uniquement après l’enregistrement de la tentative.
Le dernier module contient également un test final de connaissances avant la remise du projet.
Projet fil rouge
Construire l’application finale étape par étape.
Le projet commence dès les premiers modules. Chaque jalon produit un livrable vérifiable avant l’assemblage final.
9 jalons
Une progression continue
1
Initialiser le projet
2
Préparer le corpus
3
Valider le chunking
4
Indexer dans Qdrant
5
Évaluer le retrieval
6
Valider les réponses
7
Créer l’interface
8
Terminer la recette
9
Remettre et présenter
Corpus autorisé uniquement
L’apprenant utilise des documents créés par lui, libres de droits, publics avec autorisation d’usage ou fournis explicitement pour la formation.
Aucune donnée personnelle sensible, confidentielle ou collectée sans autorisation.
Version minimale
3 documents autorisés minimum
Chunks avec métadonnées
Indexation Qdrant idempotente
Réponses avec sources
Refus hors contexte
Interface Streamlit
Version avancée
Filtres par catégorie
Reranking
Évaluation automatique
Suivi coût et latence
Support multi-format
Déploiement cloud
Évaluation sur 60 points
Un barème transparent.
Fonctionnement, retrieval, fidélité, citations, sécurité, qualité du code, tests, interface, documentation et présentation sont évalués séparément. La solution de référence reste protégée et séparée de l’espace apprenant.
Sécurité intégrée
Protéger les documents, les utilisateurs et les réponses.
Le parcours apprend à traiter la sécurité comme une partie du produit : validation des fichiers, refus hors contexte, secrets absents des logs et accès contrôlés.
Documents contrôlés
Extensions, type MIME, taille et nom de fichier sont validés avant traitement.
Prompt injection
Le corpus est traité comme une donnée, jamais comme une instruction prioritaire.
Secrets protégés
Aucune clé, configuration interne ou erreur brute ne doit apparaître dans les réponses.
Accès aux solutions
Les solutions et contenus non publiés restent protégés derrière les contrôles d’accès.
Formation complète
Apprenez, construisez et présentez votre assistant RAG.
Leçons guidées, notebooks, exercices, quiz, projet fil rouge, assistant IA et certificat KORYXA.
12 modules progressifs
5 notebooks pratiques
Projet final portfolio
Certificat inclus
Prix de la formation
49 000 FCFA
69 000 FCFATarif de lancement
Paiement unique. Leçons, notebooks, ressources officielles, exercices, projet final et certificat inclus.
Commencer la formation