Catalog
Learn at your own pace, one section at a time.
Développer avec des agents IA en équipe
Industrialiser le dev assisté par IA sans sacrifier la qualité : manifeste versionné, skills, agents spécialisés, agent en CI — et les garde-fous qui rendent tout ça sûr. Basé sur une équipe qui le vit vraiment.
Évaluer un pipeline LLM
Construire un harness d'éval pour un pipeline LLM de production : mesurer le non-déterminisme, séparer la vérité des scores, concevoir des métriques qui ne mentent pas, et faire monter la qualité version après version. Cas fil rouge : extraction de commandes + matching catalogue.
Backend Developer → ML Engineer
Le chemin complet pour passer de développeur backend à Machine Learning Engineer — en repartant de tes acquis (réseau, API, données) et en construisant jusqu'aux LLMs et au MLOps.
Nuxt & Vue en profondeur
Le front moderne expliqué à un dev backend : réactivité Vue 3, composables, SSR Nuxt 4, BFF Nitro, Pinia — jusqu'à l'architecture réelle d'un front de copilot IA.
Release, ops & recette continue
Livrer et exploiter une app moderne : CI/CD par étapes, conteneurs & registres, déploiement multi-cloud, recette continue et gestion d'incident — les rituels d'une équipe qui livre plusieurs fois par jour.
PostgreSQL pour les devs applicatifs
Le SQL que tu écris tous les jours, en mieux : window functions, EXPLAIN et index, JSONB, extensions (pgvector, trigram), et les patterns de concurrence — appliqué à une vraie app.
Prompt engineering industriel
Du prompt artisanal au prompt de production : anatomie des system prompts, contrats de sortie, tests, versioning et multi-tenant — avec les vrais prompts d'un pipeline d'extraction comme cas d'école.
Entraîne ton reranker (learning-to-rank)
Le capstone : transformer les corrections humaines accumulées en un modèle qui classe mieux les candidats. Learning-to-rank de bout en bout, avec TP scikit-learn dans le navigateur.