Nos formations pour vos projets

Comprendre la culture, les principes (CALMS) et les apports du DevOps dans le cycle de vie applicatif.

Intégrer la sécurité en continu dans le cycle DevOps : shift-left, SAST/DAST, culture partagée.

Créer, exécuter et publier des conteneurs : images, Dockerfile, volumes, réseaux, registres.

Concevoir une architecture Big Data : ingestion, stockage distribué, traitement, restitution.

Définir métriques, logs et alertes pertinents pour superviser applications et pipelines.

Maîtriser Git au quotidien : branches, merge, rebase, workflows collaboratifs (Git Flow, trunk-based).

Optimiser images et builds multi-stage, orchestrer avec Docker Compose, sécuriser l'exécution.

Déployer des plateformes data sur le cloud : services managés AWS, Azure et GCP.

Détecter et corriger les vulnérabilités du code avec SonarQube et les référentiels OWASP.

Collecter, indexer et visualiser les logs applicatifs avec la suite Elastic.

Découvrir l'architecture Kubernetes et déployer ses premières applications : pods, services, deployments.

Cadrer, organiser et livrer un projet Big Data : équipe, méthode, risques.

Mettre en place une chaîne d'intégration continue complète avec pipeline, qualité de code et tests automatisés.

Évaluer les enjeux d'une stratégie de conteneurisation : cas d'usage, sécurité, organisation.

Administrer un cluster : scaling, ingress, stockage, ConfigMaps/Secrets, mises à jour progressives.

Comprendre et mettre en œuvre le lakehouse : formats de tables ouverts, ACID, time travel, gouvernance.

Mettre en place la collecte de métriques, PromQL, alerting et tableaux de bord Grafana.

Durcir images, runtime et cluster : scan d'images, RBAC, network policies, secrets.

Décrire son infrastructure en HCL et provisionner des ressources multi-cloud avec Terraform.

Développer des traitements sur l'écosystème Hadoop : HDFS, YARN, MapReduce, Hive.

Installer, configurer et administrer Jenkins ; concevoir des pipelines déclaratifs.

Passer du monitoring à l'observabilité : traces, métriques, logs et APM.

Approfondir le langage HCL : modules, variables, state, workspaces et bonnes pratiques d'industrialisation.

Mettre en œuvre la distribution Cloudera : outils, sécurité et développement.

Construire des pipelines GitLab CI/CD : stages, runners, artefacts, environnements et déploiements.

Protéger la chaîne logicielle : gestion des secrets, signature d'artefacts, supply chain security.

Atelier intensif : concevoir de bout en bout l'infrastructure as code d'un projet réel.

Découvrir Apache Spark : RDD, DataFrames, Spark SQL et exécution distribuée.

Comprendre l'évolution du DevOps vers le platform engineering : IDP, golden paths, self-service développeur.

Instrumenter ses applications avec le standard OpenTelemetry : traces distribuées, métriques et export vers les backends.

Gérer la configuration de parcs de serveurs avec manifests, modules et Puppet Server.

Développer des applications Spark performantes en Python/Scala : jobs, optimisation, streaming.

Industrialiser la gestion de configuration et les déploiements applicatifs avec Ansible dans un pipeline CI/CD.

Maîtriser les dépendances et l'intégrité des artefacts : génération de SBOM, niveaux SLSA, signature et vérification. Exigences issues du Cyber Resilience Act et de NIS2.

Déployer une plateforme conteneurisée sur Azure (AKS) avec Terraform et les pratiques GitOps.

Développer des traitements Spark en Java : API, jobs batch et streaming.

Concevoir une stratégie d'automatisation robuste : locators, waits, Page Object Model.

Définir des indicateurs et objectifs de service, gérer un budget d'erreur, organiser l'astreinte et les post-mortems sans blâme. Articulation avec les pratiques DevOps existantes.

Mettre en œuvre CI/CD, IaC et supervision sur AWS : CodePipeline, CloudFormation, CloudWatch.

Entraîner des modèles à l'échelle avec Spark MLlib : pipelines, features, évaluation.

Mettre en œuvre le pattern GitOps : Git comme source de vérité, synchronisation et rollback avec ArgoCD.

Mettre en œuvre Kafka : topics, producteurs/consommateurs, Kafka Connect, bonnes pratiques.

Concevoir des architectures de streaming : ingestion, fenêtrage, exactly-once, cas d'usage.

Orchestrer ses pipelines avec Airflow : DAGs, scheduling, capteurs, supervision et bonnes pratiques.

Modéliser, déployer et administrer un cluster Cassandra : réplication, compaction, tuning.

Administrer MongoDB : réplication, sharding, sauvegardes, sécurité.

Optimiser les performances MongoDB : index, agrégations, profiling.

Déployer et exploiter HBase pour le stockage colonne à large échelle.

Développer avec la base graphe Neo4j : modélisation, Cypher, requêtes.

Indexer et rechercher des contenus à grande échelle avec Elasticsearch.