AI engineering from scratch parcours IA : le cursus du dépôt

AI engineering from scratch parcours IA : 542 leçons sous licence MIT, trois façons de démarrer et un atelier de traces d’agents pour équipes SRE.
AI engineering from scratch parcours IA : le cursus du dépôt

AI engineering from scratch est un parcours d’ingénierie IA publié sous licence MIT dans le dépôt rohitg00/ai-engineering-from-scratch. Le README le présente comme un cursus gratuit et open source : implémenter les composants internes d’un modèle, des pipelines de recherche et des environnements d’exécution d’agents, les tester, inspecter les échecs et conserver le code et les résultats d’évaluation. Le dépôt affiche environ 72 200 étoiles à la mi-octobre 2026.

Le projet n’est ni un outil à installer en production ni un service : c’est un programme d’apprentissage. Cet article décrit le parcours tel que le dépôt le présente, explique comment démarrer d’après le README et propose un angle d’équipe : comment utiliser ce cursus pour former des ingénieurs à l’observabilité des agents.

span.observer n’a pas suivi ce parcours ni exécuté son code pour cet article. Les extraits et la figure viennent du dépôt, sous licence MIT.

AI engineering from scratch : ce que dit le dépôt

  • Auteur et licence : le README indique qu’il est maintenu par Rohit Ghumare et la communauté ; licence MIT, « utilisez-le comme vous voulez ».
  • Chiffres relus le 22 octobre 2026 sur la page du dépôt : environ 72 200 étoiles, environ 12 700 forks, 2 107 commits sur la branche principale.
  • Volume annoncé : 542 leçons réparties en 20 phases, en Python, TypeScript, Rust et Julia (badges et citation du README).
  • Trois façons d’apprendre : sur le site aiengineeringfromscratch.com, avec un agent de code comme tuteur, ou en exécutant le code en local.
  • Sponsors : le README affiche une bannière de sponsor et une page de soutien ; le contenu des leçons reste libre selon lui.

Le dépôt n’est pas un produit Dynatrace. Il touche pourtant à notre sujet : l’une des phases porte sur l’infrastructure et la production, et un des projets traite de traces d’agents. Ce qui suit vaut pour Dynatrace SaaS comme pour Dynatrace Managed au sens où la formation précède l’outil d’observabilité.

Le parcours : phases et chemins d’apprentissage

Le README organise les vingt phases comme un empilement : les mathématiques au sol, les agents et la production au sommet. Il liste notamment Setup et outillage (phase 0), Math (1), ML (2), Deep learning (3), Vision, NLP, Audio, Transformers, GenAI, LLMs from scratch (10), LLM Engineering (11), Tools et protocols (13), Agent Engineering (14), Autonomous systems (15), Multi-agent (16), Infrastructure et production (17), Éthique et alignement (18) et projets de synthèse (19).

Pour ne pas parcourir 542 leçons, le README propose des routes selon l’objectif et des durées estimées : environ 306 heures pour un débutant complet à partir de la phase 0, environ 60 heures pour un ingénieur senior qui ne veut que la phase 14 (agents), environ 23 heures 15 pour le seul chemin MCP. Ces durées sont celles du dépôt, pas des mesures de span.observer.

La première figure est tirée du README : une démonstration de descente de gradient sur une perte quadratique, où vingt points de départ convergent et où la perte moyenne diminue à chaque pas. Elle illustre le style du cursus, qui privilégie des visualisations dont on peut régler les paramètres.

Figure du README de ai-engineering-from-scratch : descente de gradient sur une perte quadratique, points de départ convergeant vers le minimum et courbe de la perte moyenne qui diminue par pas
Source : github.com

Chaque leçon suit la même arborescence : un dossier code/ pour les implémentations, docs/en.md pour le récit, outputs/ pour les prompts, skills, agents ou serveurs MCP produits. Le README décrit six temps (devise, problème, concept, « Build It » à la main, « Use It » avec une bibliothèque, « Ship It »).

Extrait du README de ai-engineering-from-scratch : arborescence d'une leçon avec code, docs et outputs, et commandes git clone, verify.py et vectors.py pour exécuter le code en local
Source : github.com

Démarrer pas à pas

Option 1 : sur le site

Ouvrez une leçon sur aiengineeringfromscratch.com ; selon le README, il n’y a ni installation ni clonage.

Option 2 : exécuter le code en local

Le README demande de cloner le dépôt puis de lancer la vérification d’environnement et une première leçon sans dépendance.

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

Le README décrit la vérification comme un contrôle qui sépare les prérequis nécessaires maintenant de ceux utiles plus tard, avec une commande corrective pour chaque échec.

Option 3 : un agent de code comme tuteur

Avec Node.js, npx et un agent compatible avec les skills, le README propose :

npx skills add rohitg00/ai-engineering-from-scratch

L’installateur demande l’hôte et la portée. Les skills fournis s’appellent par exemple start-learning (test de niveau et plan enregistré dans LEARNING.md), learn, course-guide et check-understanding ; la syntaxe d’appel dépend de l’hôte (/start-learning dans Claude Code).

Extrait du README de ai-engineering-from-scratch : commande npx skills add, syntaxe d'appel des skills dans Claude Code et Codex, et commandes project_test.py du projet agent-trace-debugger
Source : github.com

Projets : un exemple orienté traces d’agents

Le README propose trois projets avec correcteurs locaux. L’« Agent Trace Debugger » (TypeScript, Node.js 22.18 ou plus récent, correcteur en Python 3) part d’une trace fournie où la durée reste de 100 ms mais où la consommation totale de tokens monte de 200 et où un span échoue. Il demande de lire un JSONL, de valider les parents, de calculer les intervalles puis de produire une chronologie HTML et un rapport JSON de régression. Le README précise de conserver les tokens exclusifs par span pour ne pas compter deux fois parent et enfant.

C’est un bon support d’atelier pour une équipe SRE : il reprend la logique des traces et des spans décrite dans observer les agents MCP avec OpenTelemetry, mais sur un format maison de l’exercice, pas sur OpenTelemetry lui-même. Le troisième projet, « Tool Call Firewall » (Rust), travaille les contrôles de rôle et les reçus d’approbation ; le README précise qu’il ne fournit ni autorisation persistante ni bac à sable du système.

Limites et points ouverts

  • Volume : 542 leçons, c’est un programme de plusieurs centaines d’heures ; choisissez une route.
  • Pas de release : le contenu évolue en continu ; notez le commit suivi par votre équipe.
  • Qualité inégale possible : le contenu est communautaire ; vérifiez les leçons critiques avec une source primaire.
  • Prérequis : le README attend que vous sachiez écrire du code, le Python aidant.
  • Données et clés : certaines leçons appellent des modèles ou des API ; utilisez des clés de test et ne les écrivez jamais dans le dépôt cloné.

Observer et superviser le travail du cursus

Il n’y a rien à superviser côté dépôt : il n’héberge pas de service. Si vous utilisez le tuteur via un agent de code, la trace vient du client :

Comment vérifier que ça fonctionne

  1. verify.py --route beginner se termine sans échec requis.
  2. vectors.py s’exécute sans dépendance et affiche sa sortie, que le README invite à conserver comme première preuve.
  3. Avec le tuteur, votre agent liste les skills installés (start-learning) à l’endroit choisi à l’installation.

Bonnes pratiques

  • Choisissez une route par personne plutôt que le cursus entier.
  • Suivez la règle du dépôt : exécuter, garder la preuve (commande, sortie, artefact), puis changer un détail.
  • Travaillez dans un clone dédié et une machine sans secrets de production.
  • Relisez chaque skill installé avec npx skills add avant de l’activer : un skill est du texte qui pilote votre agent.

Questions fréquentes

Par où commencer si je connais déjà Python ?

Le README suggère la phase 1 (mathématiques) si vous découvrez le ML, ou la phase 14 si vous ne voulez que les agents.

Faut-il un compte ou un abonnement ?

Le README le décrit comme gratuit et open source ; certaines leçons peuvent utiliser des API tierces, à vérifier leçon par leçon.

Le cursus parle-t-il de MCP ?

Oui : le README indique un chemin MCP de 17 leçons. Pour les bases, voir notre explication du Model Context Protocol.

Conclusion

AI engineering from scratch est un cursus ambitieux et ouvert, dont la force est de faire écrire d’abord la version simple de chaque composant. Pour une équipe, la bonne approche est d’en extraire quelques routes ciblées et de coupler les ateliers (comme le débogueur de traces) à votre pratique d’observabilité. Source : dépôt rohitg00/ai-engineering-from-scratch.

span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC ni aux projets cités, ni à Anthropic. Les marques citées appartiennent à leurs propriétaires. Les outils évoluent vite : vérifiez les commandes et options dans leur documentation officielle.

Total
0
Shares
Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Previous Post
Anthropic financial services agents : structure et supervision

Anthropic financial services agents : structure et supervision

Next Post
ECC optimisation harnais agents : skills, hooks et sécurité

ECC optimisation harnais agents : skills, hooks et sécurité

Related Posts