Formation Industrialiser ses solutions de machine learning et d’IA générative sur Azure (AI-300)

– Définition du problème
– Obtention et préparation des données
– Entraînement du modèle
– Utilisation d’Azure Machine Learning studio
– Intégration d’un modèle
– Prétraitement des données et configuration de la caractérisation
– Exécution d’une expérience de machine learning automatisé
– Évaluation et comparaison des modèles
– Configuration de MLflow pour le suivi des modèles dans les notebooks
– Entraînement et suivi des modèles dans les notebooks
– Évaluation des modèles avec le tableau de bord d’IA responsable

– Conversion d’un notebook en script
– Exécution d’un script en tant que command job
– Utilisation de paramètres dans un command job
– Suivi des métriques avec MLflow
– Consultation des métriques et évaluation des modèles
– Définition d’un espace de recherche
– Configuration d’une méthode d’échantillonnage
– Configuration de l’arrêt anticipé
– Utilisation d’un sweep job pour le réglage des hyperparamètres

– Création de composants
– Création d’un pipeline
– Exécution d’un pipeline job
– Exploration d’une architecture MLOps
– Conception de la supervision
– Conception du réentraînement

– Contrôle de source pour les ressources de machine learning
– Application du développement trunk-based
– Validation des changements avec GitHub Actions
– Connexion sécurisée de GitHub Actions à Azure Machine Learning
– Déclenchement des jobs et pipelines Azure Machine Learning
– Préparation d’un modèle au déploiement
– Exploration de l’architecture de déploiement et de supervision
– Contrôle des déploiements avec les environnements GitHub
– Déploiement, promotion et restauration d’un modèle avec GitHub Actions
– Supervision du modèle déployé

– Définition des spécifications d’un agent
– Conception et optimisation de l’agent
– Exploration du cycle de vie GenAIOps
– Exploration des outils et frameworks pour implémenter GenAIOps
– Application du contrôle de version aux prompts
– Agents Microsoft Foundry et versionnement des prompts
– Organisation des prompts dans les dépôts GitHub
– Développement de workflows de déploiement sécurisé des prompts

– Conception d’expérimentations d’évaluation
– Application de workflows Git aux expérimentations d’optimisation
– Application de grilles d’évaluation pour une notation cohérente
– Intérêt des évaluations automatisées
– Alignement des évaluateurs sur les critères humains
– Création de jeux de données d’évaluation
– Implémentation d’évaluations par lots avec Python
– Intégration des évaluations dans GitHub Actions

– Enjeux du monitoring
– Métriques clés à superviser
– Supervision avec Azure
– Intégration du monitoring dans l’application
– Interprétation des résultats de monitoring
– Enjeux du traçage
– Identification des éléments à tracer dans les applications d’IA générative
– Implémentation du traçage dans les applications d’IA générative
– Débogage de workflows complexes avec les patterns de traçage avancés
– Analyse des données de trace pour la prise de décision

– Modalités de l’examen : AI-300 — 120 minutes, examen surveillé pouvant comporter des composants interactifs, seuil de réussite 700/1000, nombre de questions non publié par l’éditeur, examen en anglais uniquement
– Évaluation de préparation Microsoft : passage du practice assessment officiel
– Stratégies de réponse : gestion du temps, lecture des questions, élimination des distracteurs
– Révision ciblée : synthèse des points clés par domaine de compétences de l’examen
– Planification : inscription auprès de Pearson VUE et conseils de préparation post-formation — le voucher d’examen n’est pas inclus dans la formation