La plateforme d'IA de Google Cloud pour les développeurs : modèles Gemini, RAG Engine, Agent Runtime, évaluation et déploiement.
Vertex AI (renommée Gemini Enterprise Agent Platform en 2026) fournit les briques pour construire vos propres applications : appel des modèles, RAG Engine pour interroger vos documents, Agent Runtime pour héberger des agents, outils d'évaluation et de surveillance.
De la ingesta de documentos al agente en producción: Vertex AI RAG Engine, Gemini y Cloud Run.
IA generativa
Quatre kits RAG testés en vrai sur vos documents Drive, SharePoint et OneDrive : RAG Engine + synchro, Gemini Enterprise natif, hybride, et 100 % local avec Claude.
IA generativa
Coder en Python un agent qui appelle des outils, lui donner une mémoire, le brancher via MCP puis le passer en production avec Google ADK et Cloud Run.
IA generativa
Construire un jeu de données doré, mesurer un assistant RAG avec des métriques et un LLM-juge, le protéger en production et bloquer les régressions en CI.
IA generativa
Coordinateur, agents spécialisés et agents de workflow dans Google ADK.
Expérimentations › Agents LLM
Un premier agent ADK (météo) derrière une API HTTPS privée sur Cloud Run, déployé de bout en bout avec Terraform.
Agents IA sur Google Cloud › Construire et publier des agents
Héberger un agent sur Agent Runtime, le rendre découvrable dans Agent Registry et l'ajouter à Gemini Enterprise.
Agents IA sur Google Cloud › Construire et publier des agents
Les 6 façons d'ajouter un agent à Gemini Enterprise, des agents d'autres projets GCP, un orchestrateur qui découvre et appelle les autres.
Agents IA sur Google Cloud › Construire et publier des agents
Appeler Gemini depuis Python avec le SDK google-genai (streaming, conversation, tokens et coût, erreurs et réessais) et livrer un mini-CLI « assistant de réunion » qui fonctionne avec une clé d'API comme sur Vertex AI.
Académie IA › Débuter
Transformer des CV, des e-mails de commande et des comptes rendus en JSON fiable avec Gemini : schémas Pydantic, validation, réparation, revue humaine et précision mesurée par champ sur un jeu annoté.
Académie IA › Pratiquer
Connecter Gemini à une API REST interne avec google-genai : déclarer des fonctions, enchaîner des appels parallèles, valider les arguments, confirmer les actions sensibles et tout tracer dans un journal d'audit.
Académie IA › Pratiquer
Construire un moteur de recherche sémantique sur 60 fiches produit avec gemini-embedding-2, numpy et sqlite : recherche multilingue, produits similaires, dédoublonnage, clustering, et rappel@5 mesuré pour de vrai.
Académie IA › Pratiquer
Construire une API FastAPI qui résume et classe des tickets de support avec Gemini (validation, streaming SSE, délais), puis la déployer sur Cloud Run en service privé, sans clé, avec journaux structurés.
Académie IA › Pratiquer
Classer des milliers d'avis clients avec Gemini sans exploser quotas ni budget : concurrence bornée, réessais exponentiels, reprise après incident, Batch API et Vertex AI batch prediction, suivi des coûts et contrôle qualité.
Académie IA › Pratiquer
Traiter la fenêtre de contexte comme une ressource : l'ordonner, la compresser, la mettre en cache, et construire un assistant à mémoire long terme (SQLite + embeddings) évalué sur 10 scénarios de rappel.
Académie IA › Maîtriser
Choisir la bonne façon d'adapter Gemini à une tâche, fabriquer par distillation un jeu de 100 tickets au format Vertex AI, mesurer une ligne de base few-shot et préparer un réglage supervisé prêt à lancer.
Académie IA › Maîtriser
Instrumenter chaque appel LLM avec OpenTelemetry, journaliser en JSON, mesurer latence p50/p95, tokens, coût et erreurs, versionner les prompts et bloquer en CI une version qui dégrade les résultats.
Académie IA › Maîtriser
Construire avec Google ADK 2.10 un pipeline multi-agents de due diligence fournisseur : recherche en parallèle, score déterministe, analyse, rédaction relue en boucle, garde-fous et évaluation.
Académie IA › Maîtriser
Choisir entre modèle ouvert et propriétaire, faire tourner Gemma en local (Ollama, llama.cpp, LM Studio) et mesurer qualité et latence face à Gemini avec un banc d'essai réutilisable.
Académie IA › Maîtriser
Faire dialoguer trois agents ADK sur trois serveurs avec le protocole Agent2Agent : Agent Card, tâches, streaming, registre, pannes, authentification, puis déploiement sur Cloud Run ou Agent Engine.
Académie IA › Expert
Évaluer un agent ADK sur ce qu'il fait (outils, ordre, arguments) et sur ce qu'il dit, calibrer un LLM-juge contre des annotations humaines, prouver ses garde-fous par des tests et bloquer une mise en production en CI.
Académie IA › Expert
Concevoir et coder en Terraform une landing zone sécurisée pour l'IA : IAM au moindre privilège, VPC privé et Private Service Connect, VPC Service Controls, CMEK, Model Armor, Cloud Run derrière IAP, audit, résidence UE et budgets, puis vérifier la posture d'un projet par script.
Académie IA › Expert
Mesurer TTFT, débit et p95 d'une application Gemini, puis réduire coût et latence avec le streaming, la mise en cache de contexte, un cache sémantique, le routage flash-lite vers flash, le batch et des budgets par requête, preuves chiffrées à l'appui sur un vrai banc de charge.
Académie IA › Expert
Brancher un agent Google ADK sur BigQuery avec le toolset BigQuery officiel, en lecture seule, avec un dry-run avant chaque requête, un plafond de 1 Go facturé et une liste blanche de tables, sur le jeu public thelook_ecommerce.
Labs Google ADK › Avec Google Cloud
Déployer un agent Google ADK sur Vertex AI Agent Engine avec une mémoire long terme (Memory Bank), l'interroger à distance d'une session à l'autre, puis supprimer proprement toutes les ressources créées.
Labs Google ADK › Avec Google Cloud
Déployer un assistant interne ADK sur Cloud Run en service privé, avec un compte de service qui n'a que roles/aiplatform.user, l'appeler avec un jeton d'identité, lire ses journaux, puis tout supprimer.
Labs Google ADK › Avec Google Cloud
Construire un agent ADK qui lit des photos de pièces dans un bucket Cloud Storage, classe les défauts avec Gemini en sortie structurée, publie un rapport, se mesure à une vérité terrain, puis supprimer le bucket.
Labs Google ADK › Avec Google Cloud
Faire coopérer un agent « commandes » et un agent « stock » avec le protocole A2A : test local sur deux ports, puis deux services Cloud Run privés où seul le compte de service de l'un peut appeler l'autre, avec des jetons d'identité ; enfin tout supprimer.
Labs Google ADK › Avec Google Cloud
Construire un agent ADK qui lit les erreurs récentes d'un projet dans Cloud Logging et les compteurs de Cloud Monitoring, les regroupe, les corrèle et propose des remédiations sans jamais rien modifier, testé sur un incident fictif écrit puis supprimé.
Labs Google ADK › Avec Google Cloud
Alimenter un corpus Vertex AI RAG Engine depuis Cloud Storage, régler le découpage, obtenir des réponses Gemini ancrées avec leurs sources, brancher le corpus dans un agent ADK, puis tout supprimer sans laisser de facture.
Labs RAG › Sur Google Cloud
Créer par l'API un data store Vertex AI Search alimenté depuis Cloud Storage, une application de recherche, obtenir des réponses résumées avec citations et des filtres sur les métadonnées, comprendre le lien avec Gemini Enterprise, puis tout supprimer.
Labs RAG › Sur Google Cloud
Stocker morceaux et embeddings dans une table BigQuery, chercher avec VECTOR_SEARCH combiné à des filtres SQL paramétrés, et confier à un agent ADK la décision de chercher, la reformulation et le choix des filtres, avec un budget de recherches et un nettoyage vérifié.
Labs RAG › Sur Google Cloud