Module 1
Introduction
Introduction
2 min
Leçons vidéo
Exercices
Lab pratique
Présentation du cours et des objectifs d'apprentissage.
Vue d'ensemble des agents web IA
Cas d'usage et applications pratiques
Architecture du cours
Module 2
Introduction aux Web Agents
Introduction aux Web Agents
11 min
Leçons vidéo
Exercices
Lab pratique
Exploration des concepts fondamentaux des agents web autonomes.
Qu'est-ce qu'un agent web et comment fonctionne-t-il
Architecture et composants clés (vision + structure)
Actions possibles : cliquer, taper, naviguer, remplir des formulaires
Limitations actuelles et défis techniques
Vue d'ensemble des stratégies de prise de décision
Vision + Structure : Les agents combinent captures d'écran et DOM pour comprendre les pages
Actions multiples : Gestion d'un large éventail d'interactions web
Défis : Complexité des pages web modernes, gestion des erreurs, robustesse
Module 3
Construction d'un Agent Web Simple
Construction d'un Agent Web Simple
7 min avec code
Leçons vidéo
Exercices
Lab pratique
Construction pratique d'un premier agent capable de scraper un site web et retourner des recommandations en format structuré.
Configuration de l'environnement de développement
Utilisation de captures d'écran pour la compréhension visuelle
Parsing du DOM pour extraire les données structurées
Génération de sortie au format JSON
Lab : Exercices pratiques
Module 4
Construction d'un Agent Web Autonome
Construction d'un Agent Web Autonome
9 min avec code
Leçons vidéo
Exercices
Lab pratique
Construction d'un agent autonome capable d'exécuter plusieurs tâches de manière séquentielle.
Architecture de la boucle de décision (évaluer → décider → exécuter → évaluer)
Gestion des étapes et limite du nombre d'actions
Coordination de tâches multiples
Stratégies pour éviter les boucles infinies
Lab : Exercices pratiques
Module 5
Le Framework AgentQ
Le Framework AgentQ
8 min
Leçons vidéo
Exercices
Lab pratique
Exploration approfondie du framework AgentQ pour l'auto-correction des agents.
Monte Carlo Tree Search (MCTS) : Exploration optimale des chemins d'action
Mécanisme d'auto-critique : L'agent évalue ses propres actions
Direct Preference Optimization (DPO) : Apprentissage par renforcement
Amélioration progressive des performances
Module 6
Plongée Profonde dans AgentQ et MCTS
Plongée Profonde dans AgentQ et MCTS
9 min avec code
Leçons vidéo
Exercices
Lab pratique
Exploration technique approfondie de MCTS avec exemples pratiques.
Les 4 étapes de MCTS : Sélection, Expansion, Simulation, Backpropagation
Animation Gridworld pour visualiser le processus
Application de MCTS à la navigation web
Configuration et optimisation des paramètres
Lab : Exercices pratiques
Module 7
Futur des Agents IA
Futur des Agents IA
5 min
Leçons vidéo
Exercices
Lab pratique
État actuel et directions futures des agents IA.
Évolutions matérielles : GPU plus puissants, latence réduite
Améliorations algorithmiques : modèles vision-langage avancés
Données d'entraînement : plus de données sur les interactions web
Tendances : agents multimodaux, personnalisation, apprentissage continu
Module 8
Conclusion
Conclusion
1 min
Leçons vidéo
Exercices
Lab pratique
Récapitulatif des concepts appris et prochaines étapes.