• Identifier les concepts d'IA, machine learning et deep learning.
• Appliquer l'IAG à chaque étape du cycle de vie logiciel.
• Pratiquer le Prompt Engineering et la rédaction de spécifications.
• Intégrer les outils et techniques pour la production de code et les tests applicatifs.
• Concevoir des interfaces utilisateur.

Aucun

Introduction à l'IAG

• Découverte de l'IAG : Définition, origines et implications pour l'informatique et le développement
• Histoire de l’IAG : Origines et implications pour l’informatique et le développement
• Présentation du cycle de vie du logiciel : de l’expression de besoin au décommissionnement

Technologies et applications de l’IAG

• L’IA, le machine learning et le deep learning
• L’IA côté deep learning : Principe de fonctionnement
• En quoi consiste la reconnaissance d’image ?
• En quoi consiste la reconnaissance vocale ?

Le cycle de vie du logiciel

• Présentation du cycle de vie du logiciel
• Étude du cycle de vie du logiciel de l’expression du besoin jusqu’au décommissionnement
• Cas d’intégration de l’IAG dans le cycle de vie du logiciel

Outils IAG pour la gestion de projet

• Qu’est-ce qu’un prompt ?
• Techniques de Prompt Engineering
• Analyse multimodale : combinaison de texte, image, et audio
• Exemples de tâches complexes et dirigées

Outils IAG pour la rédaction de spécifications

• Utilisation d’outils comme Articoolo
• Cas concret : Exemple de rétroingénierie avec un LLM pour la rédaction de spécifications

Outils IAG pour la production de code

• Présentation de Copilot et Codepal
• Cas d’application des outils de production de code
• Ecriture de code, obtention de commentaires et refactoring
• Détour par les alternatives open-source comme LLaMA 2 et LLaMA code

Outils IAG pour le test applicatif

• L’exemple Selenium Headspin
• Etude sur la longueur de contexte d’un LLM
• Cas pratique : Utilisation d’un LLM pour rédiger un cahier de recettes
• Cas pratique : Utilisation d’un LLM pour rédiger des tests automatiques

Outils IAG pour l’UX design

• Présentation d’un éventail de modèles IAG pour la génération et le traitement d’image
• Utilisation de modèles génératifs pour créer des supports visuels

Travaux pratiques

• Exemples d’intégration de l’IAG par des cas pratiques pour chaque étape du cycle de vie du logiciel
• L’IAG pour l’amélioration des méthodes agiles
• Reverse engineering du code

Outils IAG pour le développement

• Utilisation de Scikit-Learn, Keras et PyTorch dans le développement d’applications IA
• Utilisation de librairies d’entrainement comme Accelerate ou Transformers pour créer sa propre IA
• Cas pratique : Entrainement d’un LLM sur des données de service client
• Outils MLOps comme MLflow, Weights & Biases ou Tensorboard

MetaGPT, transformer vos équipes en profondeur

Conclusion et perspectives pour l’IAG

• Synthèse des méthodes abordées durant le séminaire
• Perspectives sur l’entreprise augmentée par la machine
• La répartition des tâches Homme / Machine
• Perspectives pour l’IAG
• IAG : Notes d’ordre général et conseils
• Comment continuer à se former et à progresser dans ce domaine novateur