Cinquième étape : Exploration des scénarios d'application de l'IA

Un cours intensif de 5 jours sur les agents IA, proposé conjointement par Google et Kaggle, qui enseigne comment concevoir, évaluer et déployer des systèmes d'agents IA prêts pour la production.

Start Learning AI →
AgentsIAGoogleGeminiWebSiteVideoFreeEnglish

Cours intensif de 5 jours sur les Agents IA – Google & Kaggle

Aperçu du cours

Il s'agit d'un cours en ligne gratuit, soigneusement conçu par des chercheurs et ingénieurs en apprentissage automatique de Google, visant à aider les développeurs à maîtriser la création, l'évaluation et le déploiement d’agents d’intelligence artificielle (Agents IA). Ce cours constitue une suite avancée aux précédents cours intensifs sur l’IA générative organisés conjointement par Google et Kaggle, qui avaient attiré plus de 280 000 apprenants.

Informations de base

  • Dates du cours : 10 au 14 novembre 2025 (5 jours)
  • Format : Entièrement en ligne
  • Coût : Gratuit
  • Organisateurs : Google & Kaggle
  • Langue du cours : Anglais
  • Nombre de participants attendus : Des centaines de milliers d’apprenants

Caractéristiques du cours

  1. Combinaison théorie et pratique : Chaque journée inclut des explications conceptuelles approfondies, des laboratoires pratiques (Codelabs) et des discussions en direct.
  2. Matériel pédagogique varié :
    • Podcasts générés par IA (créés avec NotebookLM)
    • Livres blancs rédigés par des experts de Google
    • Laboratoires de codage pratiques
    • Sessions en direct sur YouTube
    • Communauté de soutien sur Discord
  3. Projet pratique final : Un projet Capstone est prévu à la fin du cours. Les meilleurs projets pourront remporter des prix et être mis en avant sur les réseaux sociaux de Google et Kaggle.
  4. Certificat de réussite : Une fois le projet Capstone terminé, les participants reçoivent un badge Kaggle.

Architecture du cours et pile technologique

Technologies principales

  • Modèle central : Google Gemini
  • Framework de développement : Agent Development Kit (ADK)
  • Protocole de communication : Model Context Protocol (MCP)
  • Plateforme : Kaggle (utilisée pour les Codelabs)
  • Langage de programmation : Python
  • Outils complémentaires : NotebookLM

Composants clés

Le cours couvre les cinq composants fondamentaux des Agents IA :

  1. Modèles (Models) : Fondements des grands modèles de langage
  2. Outils (Tools) : Appels de fonctions externes et d’API
  3. Orchestration (Orchestration) : Coordination des flux de travail
  4. Mémoire (Memory) : Gestion de la mémoire à court et long terme
  5. Évaluation (Evaluation) : Garantie de qualité et indicateurs de performance

Programme détaillé par jour

Jour 1 : Introduction aux Agents IA et architecture

Thème : Comprendre la différence entre les systèmes d’agents et les LLM

Contenu principal :

  • Classification des capacités des agents
  • Nécessité de la norme « Agent Ops »
  • Importance de l’interopérabilité et de la sécurité
  • Construction d’un agent de raisonnement avec l’ADK
  • Orchestration de la boucle Think-Act-Observe
  • Exploration des modèles de conception multi-agents

Ressources pédagogiques :

  • Livre blanc : Introduction to Agents
  • Podcast : Résumé de l’Unité 1 (via NotebookLM)
  • Codelabs :
    • Building Agentic Apps with the Agent Development Kit (ADK)
    • Introduction to LangGraph
    • Function Calling with the Gemini API

Compétences acquises :

  • Comprendre l’architecture de base des agents
  • Maîtriser le mécanisme de boucle des agents
  • Savoir construire un agent simple avec l’ADK

Jour 2 : Outils des agents et interopérabilité via MCP

Thème : Réaliser des actions concrètes grâce aux API et outils

Contenu principal :

  • Intégration d’outils et fonctions externes
  • Récupération de données en temps réel
  • Présentation du protocole Model Context Protocol (MCP)
  • Gestion d’opérations complexes et longues

Ressources pédagogiques :

  • Livre blanc : Agent Tools & Interoperability with Model Context Protocol (MCP)
  • Podcast : Résumé de l’Unité 2 (via NotebookLM)
  • Codelabs :
    • Function Calling with the Gemini API
    • Using tools with LangGraph
    • Prompt Caching with the Gemini API

Compétences acquises :

  • Implémenter des appels de fonctions (Function Calling)
  • Utiliser le protocole MCP
  • Intégrer des outils et API externes

Jour 3 : Ingénierie contextuelle et mémoire

Thème : Mettre en place des systèmes de mémoire à court et long terme

Contenu principal :

  • Bonnes pratiques en ingénierie contextuelle
  • Assemblage et gestion dynamiques de l’information
  • Sessions : historique immédiat des interactions
  • Mémoire : persistance à long terme
  • Création d’expériences IA personnalisées et dotées d’état

Ressources pédagogiques :

  • Livre blanc : Context Engineering: Sessions & Memory
  • Podcast : Résumé de l’Unité 3 (via NotebookLM)
  • Codelabs :
    • Context Caching with the Gemini API
    • Long-term Memory using LangGraph
    • Personalization with Gemini API

Compétences acquises :

  • Gérer efficacement la fenêtre contextuelle
  • Construire un système de mémoire
  • Concevoir des agents personnalisés

Jour 4 : Qualité, journalisation et évaluation

Thème : Observabilité, traçabilité et indicateurs de performance

Contenu principal :

  • Cadre complet d’évaluation de la qualité des agents
  • Bases des techniques d’observabilité (journaux, traces, métriques)
  • Boucles de retour évolutives
  • Méthode « LLM-as-a-Judge »
  • Flux de travail Human-in-the-Loop (HITL)

Ressources pédagogiques :

  • Livre blanc : Agent Quality
  • Podcast : Résumé de l’Unité 4 (via NotebookLM)
  • Codelabs :
    • LangSmith Fundamentals
    • Evaluating Agentic Applications
    • A/B Testing with Agents

Compétences acquises :

  • Mettre en œuvre un système d’évaluation de la qualité
  • Utiliser des outils de journalisation et de traçage
  • Concevoir des indicateurs d’évaluation pertinents

Jour 5 : Du prototype à la production

Thème : Déploiement et mise à l’échelle de systèmes multi-agents

Contenu principal :

  • Cycle de vie opérationnel des agents (déploiement, mise à l’échelle, industrialisation)
  • Passage du prototype à une solution d’entreprise
  • Protocole Agent2Agent (A2A)
  • Déploiement sur Vertex AI Agent Engine
  • Architecture des systèmes multi-agents

Ressources pédagogiques :

  • Livre blanc : Prototype to Production
  • Podcast : Résumé de l’Unité 5 (via NotebookLM)
  • Codelabs :
    • Multi-agent Workflows with LangGraph
    • Human-in-the-loop Workflows in LangGraph
    • Deploying Agents with Google Cloud

Compétences acquises :

  • Déployer des agents prêts pour la production
  • Construire des systèmes collaboratifs multi-agents
  • Mettre à l’échelle avec Google Cloud

Projet Capstone

Calendrier

  • Lancement : 14 novembre 2025 (à la fin du cinquième jour de cours)
  • Date limite de soumission : 30 novembre 2025 à 23h59 (heure du Pacifique)
  • Durée de développement : Environ 2 semaines

Exigences du projet

  1. Concevoir et implémenter un Agent IA à l’aide de l’Agent Development Kit (ADK)
  2. Démontrer au moins trois fonctionnalités essentielles abordées dans le cours (ex. : utilisation d’outils, mémoire, évaluation)
  3. Fournir un notebook documenté sur Kaggle
  4. Inclure une courte vidéo de démonstration et une description du projet

Récompenses

  • Tous les participants ayant terminé : Recevront un badge sur leur profil Kaggle
  • Les 10 premiers :
    • Produits exclusifs de la marque Kaggle
    • Mise en avant sur les comptes officiels de Google et Kaggle sur les réseaux sociaux

Temps d’apprentissage requis

  • Travail quotidien : 1 à 2 heures
  • Sessions en direct : 45 à 60 minutes (facultatif, enregistrements disponibles)
  • Temps total estimé : Environ 2 à 3 heures par jour
  • Flexibilité : Possibilité d’avancer à son propre rythme, adapté aux personnes en activité professionnelle ou étudiante

Public cible

Idéal pour

✅ Les développeurs ayant déjà une certaine expérience en IA/ML/LLM et souhaitant passer au développement d’agents
✅ Les professionnels travaillant sur des flux de travail automatisés ou des tâches multi-étapes
✅ Les apprenants prêts à consacrer du temps à des exercices pratiques et aux sessions en direct
✅ Les personnes souhaitant construire des projets concrets présentables au sein de leur organisation
✅ Les data scientists, ingénieurs ML et développeurs logiciels

Moins adapté pour

❌ Les débutants n’ayant aucune base en IA/ML et découvrant encore les usages fondamentaux des LLM
❌ Les personnes incapables de consacrer quotidiennement 1 à 2 heures à l’apprentissage

Prérequis recommandés

  • Connaissances de base en programmation Python (utile mais non obligatoire)
  • Intérêt pour l’IA, l’apprentissage automatique ou la science des données
  • Familiarité avec les notebooks Python et les bibliothèques courantes liées aux agents

Résultats d’apprentissage

À l’issue de ce cours, vous serez capable de :

  1. ✅ Concevoir une architecture claire d’agent (objectif → planification → appel d’outils → mémoire → évaluation)
  2. ✅ Acquérir une expérience pratique via les Codelabs et le projet Capstone
  3. ✅ Comprendre les considérations liées à la production (journalisation, tolérance aux pannes, mise à l’échelle)
  4. ✅ Obtenir une certification de fin de parcours et intégrer une communauté
  5. ✅ Construire des agents allant du simple au complexe (systèmes multi-agents)
  6. ✅ Maîtriser les méthodes d’évaluation et d’optimisation des agents

Points forts du cours

Pourquoi apprendre les Agents IA ?

Selon Google : les entreprises passent progressivement d’appels isolés à des modèles vers des plateformes d’agents capables d’étendre les expérimentations et les déploiements. Les agents sont devenus le moyen privilégié pour les équipes de transformer des modèles puissants en logiciels opérationnels — en encapsulant les LLM avec mémoire, outils, planification et évaluation afin qu’ils accomplissent de manière fiable des tâches multi-étapes.

Agent vs. LLM

  • LLM traditionnel : Interaction unique de type prompt-réponse
  • Agents IA :
    • Capacité à planifier
    • Appel d’outils externes
    • Coordination avec d’autres agents
    • Fonctionnalité de mémoire
    • Évaluation et optimisation autonomes
    • Exécution fiable de tâches multi-étapes

Ressources du cours

Liens officiels

Conseils d’apprentissage

  1. Préparer votre environnement à l’avance : Assurez-vous de maîtriser les notebooks Python et les bibliothèques courantes liées aux agents.
  2. Choisir un problème concret : Commencez avec un petit flux de travail automatisable (ex. : rapports hebdomadaires, classification de tickets support, vérification de contenu).
  3. Définir vos indicateurs d’évaluation dès le départ : Esquissez des critères simples de succès (taux d’achèvement des tâches, latence, temps humain économisé).
  4. Jours 1-2 : Concentrez-vous sur les bases — boucle d’agent, appel d’outils, mémoire.
  5. Jour 3 : Intégrez rapidement des mécanismes d’évaluation — même basiques — pour éviter de vous égarer lors de l’optimisation.
  6. Jour 4 : N’optez pour une configuration multi-agents ou multi-outils que si votre cas d’usage le justifie.

Avantages concurrentiels

En tant que l’un des tout premiers cours structurés sur les agents, ce programme vous permettra de :

  • 🎯 Prendre une longueur d’avance alors que de nombreuses organisations explorent encore comment adopter l’IA par agents
  • 🎯 Disposer d’un projet concret à présenter à vos parties prenantes ou à intégrer à votre portfolio
  • 🎯 Bénéficier d’un réseau professionnel au sein des communautés Google et Kaggle
  • 🎯 Passer du statut de « comprend les agents » à celui de « capable de livrer des agents opérationnels »

Communauté et assistance

  • Serveur Discord : Animé et soutenu activement par des employés de Google
  • Conférences d’experts en direct : Sessions de questions-réponses avec des chercheurs et ingénieurs de Google
  • Communauté mondiale d’apprenants : Des centaines de milliers de participants apprenant ensemble
  • Replays disponibles : Toutes les sessions en direct sont enregistrées, idéal pour les différents fuseaux horaires

Conclusion

Le cours intensif de 5 jours sur les Agents IA représente une opportunité opportune et rigoureuse pour les développeurs et praticiens de l’apprentissage automatique de passer des « applications LLM » aux « systèmes d’agents ». Alors que l’IA évolue des recommandations vers l’action, ceux qui sauront concevoir des agents dotés de mémoire, d’outils, de coordination, d’évaluation et de capacités de déploiement seront clairement avantagés.

Ce cours n’est pas seulement une formation : c’est votre laissez-passer vers l’ère des Agents IA.