Les grands modèles de langage (Large Language Models, LLM) ont profondément transformé la compréhension du langage naturel et les systèmes automatisés de question-réponse. Toutefois, ils restent limités par les données sur lesquelles ils ont été entraînés et sont connus pour pouvoir produire des hallucinations. Grâce au Retrieval-Augmented Generation (RAG) et à l’IA agentique, les réponses générées par les LLM peuvent devenir plus fiables et être basées sur des informations vérifiables.

Cette formation présente les principes fondamentaux des RAG et des agents d’IA, et permet aux participants de suivre une démonstration pratique montrant comment de tels systèmes sont implémentés en Python.

Objectifs

• Comprendre les principes fondamentaux du RAG et de l’IA agentique.
• Identifier les situations dans lesquelles ces approches sont adaptées, ainsi que les conditions nécessaires à leur mise en œuvre.
• Comprendre comment ces méthodes sont implémentées en pratique.

Public-cible

Enseignant·e·s et chercheur·euse·s

PER de la HES-SO et de l'Université de Fribourg. Des connaissances de base en programmation Python sont recommandées pour suivre les démonstrations pratiques

Prérequis

Des connaissances de base en programmation Python sont recommandées pour suivre les démonstrations pratiques, mais ne sont pas obligatoires.

Responsables et intervenants

Intervenant(s)

Anna Scius-Bertrand, chercheuse senior, Université de Fribourg et HEIA de Fribourg

Dates et lieux

Période	Lieu
09.11.2026 de 09:00 à 16:30