Conception et mise en œuvre d’une solution de Data Science sur Azure (DP-100)

L’espace de travail Azure Machine Learning pour centraliser vos projets
Ressources clés du workspace (expériences, modèles et endpoints)
Comprendre les composants de base : expériences, runs, modèles, données et environnements
Utiliser Azure Machine Learning Studio pour gérer visuellement vos projets
Interagir avec Azure Machine Learning via le SDK Python et Azure CLI
Connecter des sources de données grâce aux banques de données et aux ressources de données
Comprendre et utiliser les URI pour accéder aux données
Choisir entre une instance de calcul et un cluster selon les besoins du projet
Créer et gérer des ressources de calcul pour exécuter vos tâches
Comprendre les environnements pour garantir la reproductibilité des exécutions
Utiliser des environnements organisés ou créer des environnements personnalisés adaptés à vos besoins

Introduction à Azure Machine Learning et à ses principales fonctionnalités
Création et configuration d’un espace de travail Azure ML : étapes, paramètres essentiels
Identification des ressources clés de l’espace de travail (compute targets, data stores, pipelines)
Les actifs Azure ML : datasets, modèles, endpoints, environnements
Exécution de l’entraînement de modèles à partir de l’espace de travail
Pratique guidée : navigation dans l’interface et exploration des ressources
Éléments d’évaluation pour vérifier la compréhension des concepts
Points à retenir et ressources complémentaires pour approfondir

Introduction aux principes de l’AutoML et de la classification
Prétraitement des données (nettoyage, transformation, sélection des caractéristiques)
Configuration de la caractérisation à l’aide du SDK Python (v2) d’Azure ML
Lancer une expérience de Machine Learning automatisé pour la classification
Évaluer les performances des modèles générés (précision, rappel, F1-score…)
Comparer différents modèles pour sélectionner le plus adapté
[Exercice] Utiliser AutoML pour rechercher le meilleur modèle de classification
Synthèse et évaluation des compétences acquises

Présentation des concepts liés à l’exécution de scripts dans Azure ML
Conversion d’un notebook en script pour une meilleure portabilité
Exécution d’un script en tant que tâche de commande (command job) dans l’environnement Azure Machine Learning
Utilisation des paramètres pour personnaliser les travaux de commande
Démonstration pratique : exécuter un script d’entraînement en tant que travail de commande [étapes guidées]
Les bonnes pratiques pour la gestion des sorties et du suivi d’exécution
Évaluation de la compréhension des étapes clés, suivi d’un résumé synthétique

Le rôle de MLflow dans la gestion des modèles (journalisation, versionnage, partage)
Journaliser un modèle dans Azure ML grâce à MLflow
Comprendre le format standard d’un modèle MLflow (structure, métadonnées, portabilité)
Inscrire un modèle MLflow pour le rendre accessible dans Azure Machine Learning
Stockage et organisation des fichiers de modèle dans le workspace Azure ML
Utiliser des outils d’IA responsable pour évaluer la performance et l’équité des modèles
Créer un tableau de bord d’IA responsable pour analyser l’explicabilité des modèles
Explorer les fonctionnalités du tableau de bord (explications, analyse d’erreurs, contrefactuels, analyse causale)
Générer le tableau de bord via le SDK Python v2 dans un pipeline Azure ML
Interpréter les résultats et améliorer les modèles à partir du tableau de bord
Évaluer régulièrement les modèles pour garantir la conformité et la transparence

Introduction au déploiement de modèles sur Azure Machine Learning
Explorer les points de terminaison en ligne managés pour l’inférence (temps réel)
Déployer un modèle MLflow sur un endpoint en ligne managé
Déployer un modèle personnalisé sur un point de terminaison en ligne
Tester les prédictions via un endpoint managé (inférence temps réel)
Exercice pratique : déploiement d’un modèle MLflow sur un endpoint en ligne
Comprendre les points de terminaison de traitement par lots
Création et configuration d’un endpoint batch (traitement différé)
Déployer un modèle MLflow sur un point de terminaison batch
Déployer un modèle personnalisé pour le traitement par lots
Lancer un job de scoring par lots et analyser les résultats
Dépanner les endpoints batch (erreurs courantes et solutions)
Exercice pratique : déploiement d’un modèle sur un point de terminaison batch

Aperçu de l’IA générative et des principaux services Azure AI (Foundry, Studio, SDK)
Les étapes clés pour planifier et préparer un projet IA sur Azure
Exploration du catalogue de modèles de langage dans Azure AI Foundry
Déployer, tester et optimiser des modèles de langage pour des cas d’usage variés
Maîtrise de l’utilisation du SDK Azure AI Foundry en Python ou C# lors du développement d’applications IA
Comprendre le flux d’invite et ses composants essentiels pour structurer l’interaction avec les LLM
La génération augmentée par récupération (RAG) : intégration de données spécifiques et ancrage des réponses
Ajuster un modèle de langage : quand et comment affiner un modèle pour sa propre organisation
Les principes de l’IA responsable : identification et gestion proactive des risques de générations inappropriées
Outils d’évaluation de performance des applications IA génératives disponibles dans Azure AI Studio