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.

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

Comprendre les enjeux, architectures et cas d'usage du Big Data en entreprise.

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.

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

Découvrir l'écosystème Big Data et les métiers associés.

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

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

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.

Mesurer les impacts business et organisationnels des technologies data et IA.

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

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.

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

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

Comprendre les modèles data-driven des fintechs et grandes plateformes.

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

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

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

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

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

Découvrir le rôle, les livrables et la boîte à outils du data analyst en entreprise.

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

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

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

S'initier aux modèles de données : entités, relations, schémas en étoile et bonnes pratiques.

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

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.

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.

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

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

Cartographier les métiers de la donnée et leurs interactions : analyst, scientist, engineer, MLOps.

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