IA agentique & MLOps / 3D.S.F
AgenticIA · Automatisation multi-agents ML / LLM
Une plateforme multi-agents reliant ingestion, entraînement, évaluation, déploiement et suivi.
- Mon rôle
- Stage · IA agentique & MLOps
- Période
- Janv. — Mai 2026
Le système en pratique
Relier le cycle de vie des modèles
Vue conceptuelle du workflow AgenticIA décrit dans mon CV.
- 01
Ingérer
Préparer et versionner les données
- 02
Entraîner et optimiser
Expériences et hyperparamètres
- 03
Évaluer et déployer
Évaluation et exposition des modèles
- 04
Suivre
Performances et dérive
Orchestration
LangGraph coordonne le workflow
Boucle de suivi
Diagnostic → correction → réentraînement
01 / Le contexte
Le problème étudié
Les workflows ML et LLM mobilisent de nombreuses étapes et plusieurs outils. AgenticIA les relie au sein d’une plateforme d’automatisation multi-agents.
02 / Ma contribution
Mon travail
Conception et développement de la plateforme, intégration des outils du cycle de vie et mise en place d’une boucle adaptative de suivi et d’actions correctives.
Le défi
Coordonner le cycle de vie des modèles et relier le suivi des performances au diagnostic et au réentraînement.
03 / La démarche
Le fonctionnement du système
- Orchestrer l’ingestion, l’entraînement, l’optimisation des hyperparamètres et l’évaluation avec LangGraph.
- Intégrer MLflow et DVC pour le suivi et le versionnement, ainsi qu’Optuna et Ray Tune pour l’optimisation.
- Relier FastAPI, Docker et Kubernetes aux workflows de déploiement, puis vLLM et LangSmith aux workflows LLM.
- Utiliser le suivi et la détection de dérive pour déclencher un diagnostic et des actions correctives.
04 / Les résultats
Les réalisations
- Intégration des étapes du cycle de vie ML / LLM dans un workflow agentique.
- Mise en place d’une boucle de suivi, de diagnostic et d’action corrective.