Format : distanciel, en classes virtuelles en direct sur Microsoft Teams
Langue : français
Certification visée : Microsoft Certified: Machine Learning Operations Engineer Associate
Cette formation prépare à l'examen AI-300 : Operationalizing Machine Learning and Generative AI Solutions, qui remplace l'examen DP-100 retiré par Microsoft, et à la certification Microsoft Certified: Machine Learning Operations Engineer Associate. Elle couvre la mise en production et l'exploitation des solutions d'IA sur Azure (MLOps et GenAIOps) : infrastructure Azure Machine Learning en infrastructure as code (Bicep, Azure CLI, GitHub Actions), entraînement, enregistrement, déploiement et surveillance des modèles avec MLflow, environnements Microsoft Foundry, déploiement de modèles de fondation, gestion des versions des prompts, évaluation, observabilité, optimisation des RAG et fine-tuning. À noter : l'examen AI-300 est proposé uniquement en anglais.
Prix
2 800 € TTC. Exonéré de TVA (article 261-4-4° a du CGI) : aucun montant ne s'ajoute. Financement par votre employeur ou un OPCO : contactez-nous pour étudier les possibilités.
Objectifs
Concevoir et automatiser une infrastructure MLOps sur Azure
Gérer le cycle de vie des modèles de machine learning
Concevoir une infrastructure GenAIOps avec Microsoft Foundry
Évaluer, superviser et optimiser des solutions d'IA générative
Préparer efficacement l'examen AI-300
Compétences visées
Déployer un espace de travail Azure Machine Learning avec Bicep et GitHub Actions
Gérer données, environnements, composants et registres
Suivre les expériences avec MLflow et automatiser l'entraînement
Enregistrer, versionner et évaluer des modèles
Déployer des points de terminaison en temps réel ou par lots avec déploiement progressif
Détecter la dérive des données et déclencher un réentraînement
Déployer des modèles de fondation et gérer les versions des prompts
Mettre en place évaluations de qualité et de sécurité
Superviser latence, coûts et jetons
Optimiser un RAG et réaliser un fine-tuning
Prérequis
Bases en science des données et en machine learning
Expérience de la programmation en Python
Notions de DevOps : Git, GitHub Actions, ligne de commande
Connaissances de base d'Azure
Public visé
Ingénieurs MLOps
Data scientists
Ingénieurs IA
Ingénieurs DevOps orientés IA
Programme
Espace de travail Azure Machine Learning
Créer et gérer espace de travail, magasins de données, cibles de calcul, identités et accès ; données, environnements, composants et registres.
Infrastructure as code et automatisation
Bicep, Azure CLI, GitHub Actions, intégration GitHub, restriction réseau et gestion des sources.
Entraînement des modèles
Suivi avec MLflow, ML automatisé, notebooks, réglage des hyperparamètres, entraînement distribué et pipelines.
Enregistrement et déploiement des modèles
Enregistrer et versionner des modèles MLflow, évaluation responsable, points de terminaison temps réel et par lots, déploiement progressif et retour arrière.
Surveillance des modèles en production
Dérive des données, métriques de performance, alertes et déclencheurs de réentraînement.
Infrastructure GenAIOps avec Microsoft Foundry
Ressources et projets Foundry, identités managées et RBAC, réseau privé, déploiement en Bicep ; modèles de fondation, débit provisionné.
Gestion des prompts
Conception, variantes et comparaison de prompts, gestion des versions avec Git.
Évaluation et observabilité de l'IA générative
Jeux de test, métriques d'ancrage, pertinence, cohérence et fluidité, évaluations de sécurité, supervision des coûts, de la latence et traçage.
Optimisation : RAG et fine-tuning
Réglage de la recherche (seuils, découpage, recherche hybride), modèles d'embeddings, tests A/B, fine-tuning et données synthétiques.