Formations

Chez DalonCorp, nous croyons que la formation est le levier essentiel pour permettre à nos clients et partenaires de réussir leurs projets, et d'en garder la maîtrise. Nos programmes sont adaptés à différents niveaux de compétence, axés sur l'acquisition de savoir-faire techniques et pratiques, dispensés par les ingénieurs qui exploitent la plateforme au quotidien.

Nos domaines

• Télécommunications et VoIP, ToIP, VoIP, SBC, migration trunk SIP
• Intelligence artificielle et NLP, inférence, LLM, traitement du langage naturel
• Infrastructure et microservices, NATS, conteneurs, observabilité
• Gestion de parcs mobiles, postes de travail et applicatifs, MDM, déploiement, cycle de vie

Télécommunications et VoIP

La téléphonie sur IP sans jargon inutile :

• ToIP et VoIP : protocoles, codecs, qualité de service
• SBC et eSBC : sécuriser la frontière voix
• Migration RTC → trunk SIP : méthodologie complète, d'un opérateur historique à la voix sur IP
• WebRTC : communications temps réel dans le navigateur

→ Programme détaillé : Transition télécom, migration RTC vers trunk SIP

Intelligence artificielle et NLP

Comprendre et exploiter les modèles génératifs :

• Introduction à l'inférence IA : LLM, tokens, prompts, les fondamentaux
• Traitement du langage naturel : STT, TTS, agents conversationnels
• Tool calling et agents autonomes : mettre vos API au service de l'IA

→ Programme détaillé : Introduction à l'inférence IA / LLM

Infrastructure et microservices

Les dessous opérationnels de la plate-forme :

• Architecture microservices et bus NATS
• Traitements des flux temps réel et des tokens
• Conteneurisation, observabilité (Prometheus, Grafana)

→ Programme détaillé : Traitement des flux temps réels et des tokens

Gestion de parcs mobiles, postes de travail et applicatifs

Le numérique au quotidien de vos équipes : MDM/MDM, déploiement applicatif, gestion du cycle de vie des terminaux, sécurité des postes.

Pourquoi se former avec DalonCorp

• Des praticiens, pas des théoriciens : les formateurs exploitent la plateforme DalonCorp au quotidien.
• Supports à jour : contenus alignés sur les versions réelles des outils déployés.
• Pédagogie orientée cas réels : chaque module s'appuie sur des situations vécues en production.
• Formats flexibles : présentiel, distanciel, sur votre site ou dans nos locaux.

Pour aller plus loin

• Notre savoir-faire, l'écosystème de services
• Assistance à maîtrise d'ouvrage, l'AMO qui prépare vos projets
• Support et maintenance, l'accompagnement après formation

Objectifs de la formation : 

• Anticiper et gérer la transition imposée par la fin du RTC.
• Acquérir les compétences nécessaires pour réussir sa migration.
• Garantir la qualité de service et la sécurité des communications et de vos flux temps réels.

Programme de la formation

1. Contexte et enjeux de la migration RTC vers SIP

• Comprendre la fin du RTC :

Contexte réglementaire et technologique.

• Pourquoi le RTC disparaît et ses impacts sur les entreprises.

• Les opportunités offertes par le protocole SIP :

Avantages clés : flexibilité, scalabilité, optimisation des coûts.

• Comparatif RTC vs SIP : performances et fonctionnalités.

2. Fondamentaux du protocole SIP et du trunk SIP

Découvrir le SIP :

• Modèle de référence et architecture du protocole.
• Composants essentiels : IP PBX, Media Gateway, SBC, Cœur IMS.
• Sécurité dans les environnements SIP : comment protéger vos communications.

Comprendre le trunk SIP :

• Différences entre trunk SIP privé et trunk SIP opérateur.
• Cas d’usage : connecter plusieurs sites ou collaborer avec un opérateur télécom.

3. Gérer la migration RTC vers Trunk SIP

Définir une stratégie de migration efficace :

• Étapes clés pour une transition réussie :

Audit des infrastructures existantes.

• Identification des besoins spécifiques.
• Élaboration d’un plan de migration par phases.

• Assurer une transition sans interruption de service.

Intégration et interopérabilité :

• Adapter les infrastructures télécoms existantes.
• Résoudre les problématiques de compatibilité (IP PBX, codecs, plan de numérotation).
• Gestion des scénarios hybrides : coexistence RTC et SIP pendant la migration.

4. Garantir la qualité et la sécurité des services SIP

Qualité de service (QoS) dans les flux temps réels :

• Surveiller et optimiser la performance des appels.
• Gestion des priorités pour les flux critiques.
• Réduction des risques de latence et de perte de paquets.

Sécuriser les communications SIP :

• Protéger contre les attaques télécoms : fraude, déni de service (DoS), interception.
• Mise en place de bonnes pratiques de sécurité : chiffrement, authentification.
• Assurer la conformité avec les standards télécoms et les réglementations.

5. Cas pratiques et démonstrations

• Mise en œuvre d’un Trunk SIP privé connectant plusieurs IP PBX.
• Scénario de déploiement d’un Trunk SIP opérateur pour remplacer le RTC.
• Études de cas réels : transition réussie en entreprise.

Travaux pratiques

• Exemples de migration progressive :

Migration par site ou par service.

• Gestion des tests avant le basculement définitif.

• Outils et méthodologies :

Utilisation de simulateurs de trafic pour valider la qualité des appels.

• Tableau de bord pour surveiller les performances et la sécurité.

Informations pratiques

Public cible: Responsables techniques, ingénieurs et techniciens en charge des télécommunications et des réseaux.

Prérequis: Connaissances de base en télécommunications et réseaux.

Matériel fourni: Support de cours imprimé et ressources numériques pour une application directe en entreprise.

Modalités d’évaluation:

• Évaluation via QCM pour valider les compétences acquises.
• Questionnaire de satisfaction à l’issue de la formation.

Pourquoi cette formation est essentielle ?

La fin du RTC impose une transformation profonde des infrastructures télécoms. Cette formation vous prépare à :

• Anticiper les impacts de cette transition obligatoire.
• Réussir une migration fluide et sécurisée.
• Maintenir la qualité et la continuité de vos services de communication.

Objectifs de la formation:

• Découvrir les modèles légers peu énergivores et leur intégration dans des systèmes d’information complexes.
• Maîtriser les interactions entre systèmes via function_calling et BUS de message (ex. NATS).
• Introduire les NLP Border Controllers (NLBC) pour sécuriser, gérer et optimiser les flux de données entre les modèles IA et les systèmes connectés.
• Concevoir des architectures durables, interopérables et sécurisées.

Programme de la formation

1. Contexte et enjeux de l’IA durable et interopérable

• Comprendre les impacts énergétiques de l’IA :

Comparaison entre grands modèles (GPT-4) et modèles légers (DistilGPT, LLaMA).

• Avantages des modèles locaux peu gourmands en ressources.

• Interopérabilité des systèmes :

Pourquoi les architectures modernes nécessitent une communication fluide entre les outils.

• Rôle des BUS de message comme NATS dans l’orchestration et la résilience des systèmes distribués.

• Cas pratiques en IA durable et intégrée :

Intégration d’IA légère dans des pipelines interconnectés.

2. Introduction aux modèles légers pour une IA économe

• Sélection et déploiement de modèles légers :

Présentation des modèles légers : DistilGPT, GPT-NeoX, T5-Small.

• Installation et déploiement sur des infrastructures locales ou cloud minimalistes.

• Techniques d’optimisation :

Quantization et pruning pour réduire la charge computationnelle.

• Entraînement par fine-tuning sur des ensembles de données spécifiques.

• Avantages pour l’intégration :

Vitesse d’inférence et scalabilité dans les environnements limités.

3. Fonctionnalités avancées de function_calling

• Qu’est-ce que le function_calling ? :

Interagir dynamiquement avec des systèmes externes via des appels de fonctions.

• Faciliter l’intégration des modèles dans des workflows métiers complexes.

• Cas d’usage communs :

Extraction et analyse de données via tool_calling.

• Création de pipelines IA autonomes intégrés à des systèmes ERP, CRM, ou bases de données.

• Travaux pratiques :

Mise en œuvre d’un function_call pour récupérer des informations depuis un service REST.

• Scénarios d’intégration avec des outils comme Zapier, Notion, ou Google Workspace.

4. Utilisation de BUS de message pour l’interconnexion des systèmes

• Introduction à NATS et aux BUS de message :

Qu’est-ce qu’un BUS de message ? Différence avec les API REST.

• Présentation de NATS : fonctionnalités, cas d’usage et avantages (faible latence, scalabilité).

• Pourquoi choisir un BUS de message dans une architecture IA ? :

Assurer une communication en temps réel entre les systèmes d’information.

• Déployer des systèmes distribués résilients et évolutifs.

• Mise en œuvre avec NATS :

Installation et configuration d’un serveur NATS.

• Publication et souscription à des messages pour connecter les modèles d’IA à d’autres systèmes.
• Gestion des flux entre modèles légers et autres services tiers via NATS.

• Travaux pratiques :

Intégrer un modèle léger (ex. GPT-NeoX) avec un système de gestion d’inventaire via NATS.

• Construire un pipeline simple où un modèle d’inférence communique avec plusieurs services via le BUS.

5. Stratégies d’optimisation et études de cas

• Optimiser les performances globales :

Réduire les ressources consommées par les modèles et le BUS (compression, gestion des connexions).

• Surveiller et optimiser les performances avec des outils de monitoring pour NATS.

• Études de cas réels :

Déploiement d’un chatbot support client interconnecté via NATS pour une gestion en temps réel.

• Utilisation d’un pipeline d’analyse de données légères intégrant function_calling et un BUS de message.

• Bonnes pratiques pour l’interopérabilité :

Structuration des messages dans NATS pour une communication fluide.

• Gestion des erreurs et des reconnections automatiques dans des environnements distribués.

Informations pratiques

Public cible :

• Développeurs, ingénieurs IA, et architectes système cherchant à minimiser les coûts énergétiques et améliorer l’interopérabilité des solutions IA.
• Responsables IT et métiers souhaitant intégrer des modèles d’IA dans leurs infrastructures existantes de manière fluide et scalable.

Prérequis :

• Connaissances de base en Python et manipulation d’API.
• Compréhension des concepts d’architecture distribuée et de gestion des messages.

Matériel fourni :

• Scripts Python pour :

Déploiement de modèles légers.

• Implémentation de function_calling.
• Configuration d’un BUS NATS.

• Guides pratiques et documentation technique pour l’intégration et la surveillance des performances.

Modalités d’évaluation :

• Évaluation via QCM sur les concepts clés (modèles légers, function_calling, et NATS).
• Projet de fin de formation : conception d’un pipeline interconnecté utilisant un modèle léger et un BUS de message.

Objectifs de la formation :

• Comprendre le traitement des flux de données en temps réel dans des environnements distribués.
• Maîtriser la notion de token et son rôle dans l’analyse et l’inférence IA.
• Optimiser le transport et la transformation des données grâce aux modèles légers et aux BUS de message (ex. NATS).
• Implémenter des pipelines IA scalables avec tokenisation dynamique et interactions multi-systèmes.

Programme de la formation

1. Fondamentaux du traitement de flux temps réel

• Définition et enjeux :

Caractéristiques des flux temps réel (latence, volume, continuité).

• Différences entre traitements batch, near real-time et real-time.

• Architecture type d’un flux temps réel :

Choix technologiques pour la gestion des flux (WebSocket, WebRTC, NATS).

• Travaux pratiques :

Capture et transmission d’un flux vocal ou texte en temps réel.

• Simulation de scénarios industriels ou métiers (ex. alertes, transcription, monitoring).

2. Comprendre les tokens et leur traitement

• Qu’est-ce qu’un token ? :

Découpage sémantique du langage pour le traitement LLM.

• Encodage, comptage et gestion de la mémoire contextuelle.

• Tokenisation temps réel :

Méthodes de streaming et découpage dynamique (ex : BPE, SentencePiece).

• Impact sur la qualité et la vitesse d’inférence.

• Travaux pratiques :

Observer en direct la tokenisation d’un flux audio ou texte.

• Analyser l’effet du prompt sliding window sur la performance d’un modèle IA.

3. Modèles légers et traitement en périphérie

• Pourquoi utiliser des modèles légers ? :

Réduction de l’empreinte énergétique et des coûts.

• Déploiement en local, en périphérie ou sur des appareils embarqués.

• Intégration de modèles comme Mistral Small:

Environnements de déploiement (Docker, Bare-metal, cloud privé).

• Utilisation en mode flux continu ou événementiel.

4. Interconnexion des systèmes via NATS & NLP Border Controller

• Introduction aux BUS de messages (NATS, etc.) :

Rôle dans le traitement en temps réel, gestion des files et publication/souscription.

• Comparaison avec API REST pour les cas d’usage IA.

• NLP Border Controller (NLBC):

Agit comme pare-feu sémantique : régule, filtre, anonymise les flux tokenisés.

• Rend les communications IA interprétables et contrôlables.
• Protocole léger servant à encapsuler, suivre et enrichir le contexte conversationnel ou applicatif lors des interactions avec les modèles IA.
• Permet une gestion de contexte multi-tour ou multi-source (ex : historique, préférences, statuts métier).
• Facilite la contextualisation dynamique des prompts via des payloads structurés.
• Standardise les échanges entre modules IA (agent, base de connaissances, LLM) pour garantir la cohérence.

• Travaux pratiques :

Configurer un assistant afin d'aider des équipes terrain à déclarer des anomalies vocalement tout en assurant la conformité.

• Observer le traitement tokenisé + règles de sécurité métier.
• Générer une alerte dans un système de ticket.

5. Optimisation, scalabilité et cas d’usage réels

• Optimiser les performances des pipelines temps réel :

Réduction des latences de traitement (streaming).

• Surveillance via dashboards (Grafana, Prometheus).

• Études de cas :

Traitement de conversation multilingue temps réel avec affichage token par token et synthétisation vocale.

Informations pratiques

Public cible :

• Développeurs IA, architectes systèmes, et ingénieurs en traitement du signal ou de données.
• Décideurs techniques souhaitant bâtir des solutions IA temps réel efficaces et interopérables.

Prérequis :

• Bonne compréhension des systèmes d’information distribués.
• Notions de base en IA et en manipulation de flux de données.

Modalités d’évaluation :

• QCM sur la tokenisation, les architectures, la dynamique des flux et des outils.