À l’issue de la formation, le participant sera capable de :
• Maîtriser les concepts de LangChain et LlamaIndex dans FlowiseAI.
• Créer des workflows complexes avec des agents, des chaînes et des outils.
• Intégrer des LLMs, des bases de données vectorielles et des systèmes RAG.
• Automatiser des processus métier avec des use cases concrets (QnA, web scraping, SQL, etc.).
• Configurer et déployer FlowiseAI en production avec des bonnes pratiques de sécurité et de performance.
• Utiliser des fonctionnalités avancées comme les multi-agents, les évaluations, et le monitoring.
- Nos sessions garanties
- Développement
Formation Langchain Low-Code IA sur Flowiseai
Objectifs
Prérequis
• Connaissances de base en automatisation et IA.
• Notions d’API REST et de bases de données.
• Familiarité avec JavaScript (base).
Public
Développeurs, data scientists, architectes solutions, professionnels IT.
Dernière mise à jour
Programme mis à jour le 13 mars 2025
Bon à savoir
Evaluez votre niveau
Pour vous aider à bien choisir votre formation, nous vous proposons soit un entretien avec le formateur soit un test d’évaluation. Cela vous assurera que vous disposez des connaissances nécessaires pour suivre la formation dans des conditions optimales.
Sessions garanties
La majorité de nos sessions proposées en distanciel sont garanties. Elles peuvent être enregistrées à la demande.
Travaux pratiques
Nos formations comprennent de nombreux travaux pratiques pour un meilleur apprentissage (60 % de pratique). Nous proposons également de travailler sur vos données pour une meilleure expérience.
Les Modules
de formation
Module1
Jour 1 : Fondamentaux et Use Cases de Base
Module 1 : Introduction à FlowiseAI et LangChain
• Théorie :
o Présentation de FlowiseAI : architecture, fonctionnalités, cas d’usage.
o Concepts de LangChain : chaînes, agents, outils, mémoire.
o Différences entre LangChain et LlamaIndex.
• Lab Pratique :
o Installation et configuration de FlowiseAI (local ou cloud).
o Création d’un premier workflow simple : interaction avec un LLM.
Module 2 : Use Cases de Base
• Théorie :
o Calling Children Flows : création de sous-workflows.
o Calling Webhook : intégration avec des services externes.
o Interacting with API : utilisation d’API REST dans FlowiseAI.
• Lab Pratique :
o Exercice : création d’un workflow pour appeler une API externe et traiter les données.
o Exercice : mise en place d’un webhook pour déclencher des workflows.
Module 3 : QnA et Traitement de Documents
• Théorie :
o Multiple Documents QnA : interrogation de plusieurs documents.
o SQL QnA : interaction avec des bases de données SQL.
o Upserting Data : mise à jour et insertion de données.
• Lab Pratique :
o Exercice : création d’un système de QnA sur des documents PDF.
o Exercice : interrogation d’une base de données SQL via FlowiseAI.
Module2
Jour 2 : Intégrations Avancées et Fonctionnalités IA
Module 4 : Intégrations LangChain et LlamaIndex
• Théorie :
o Agents : création et utilisation d’agents dans FlowiseAI.
o Cache : optimisation des performances avec le caching.
o Document Loaders : chargement de documents (PDF, Word, etc.).
o Embeddings : génération et utilisation d’embeddings.
o Vector Stores : intégration avec Pinecone, Weaviate, etc.
• Lab Pratique :
o Exercice : création d’un agent pour interagir avec des outils externes.
o Exercice : indexation de documents dans une base de données vectorielle.
Module 5 : Fonctionnalités Avancées de FlowiseAI
• Théorie :
o Multi-Agents : coordination de plusieurs agents dans un workflow.
o Sequential Agents : enchaînement d’actions avec des agents séquentiels.
o Streaming : gestion des flux de données en temps réel.
o Monitoring : suivi des performances des workflows.
• Lab Pratique :
o Exercice : création d’un workflow multi-agents pour un processus complexe.
o Exercice : mise en place d’un système de monitoring pour un workflow.
Module 6 : Web Scraping et Traitement de Données
• Théorie :
o Web Scrape QnA : extraction et interrogation de données web.
o Text Splitters : découpage de textes pour le traitement.
o Output Parsers : formatage des sorties de LLMs.
• Lab Pratique :
o Exercice : création d’un workflow pour scraper un site web et générer des réponses.
o Exercice : utilisation d’un output parser pour structurer les réponses d’un LLM.
Module3
Jour 3 : Configuration, Déploiement et Évaluations
Module 7 : Configuration et Déploiement
• Théorie :
o Auth : gestion de l’authentification (SSO, API keys).
o Databases : configuration des bases de données pour FlowiseAI.
o Environment Variables : gestion des variables d’environnement.
o Rate Limit : gestion des limites de débit.
o Running Flowise behind company proxy : déploiement derrière un proxy.
o Running in Production : bonnes pratiques pour la production.
• Lab Pratique :
o Exercice : configuration d’une instance FlowiseAI avec authentification SSO.
o Exercice : déploiement d’un workflow en production avec monitoring.
Module 8 : Évaluations et Optimisation
• Théorie :
o Evaluations : méthodes pour évaluer les performances des workflows.
o Différents types d’évaluations : qualité des réponses, performance, etc.
o Optimisation des workflows : réduction des coûts, amélioration de la vitesse.
• Lab Pratique :
o Exercice : évaluation d’un workflow avec des métriques de performance.
o Exercice : optimisation d’un workflow pour réduire les coûts et améliorer la vitesse.
Module 9 : Cas d’Usage Avancés
• Théorie :
o Agentflows : création de workflows complexes avec des agents.
o Workspaces : gestion des espaces de travail collaboratifs.
o Variables : utilisation des variables dans les workflows.
o Telemetry : collecte de données de télémétrie pour l’analyse.
• Lab Pratique :
o Exercice : création d’un Agentflow pour un processus métier complexe.
o Exercice : utilisation des variables et de la télémétrie pour analyser un workflow.
Les prochaines
sessions de formation
Sur demande
Vous souhaitez organiser cette formation à une date spécifique ?Contactez-nous en remplissant le formulaire ci-dessous
12 mai 2025
30 juin 2025
25 août 2025
13 octobre 2025
