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

Compétences visées

Prérequis

Public visé

Programme

  1. 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.

  2. Infrastructure as code et automatisation

    Bicep, Azure CLI, GitHub Actions, intégration GitHub, restriction réseau et gestion des sources.

  3. Entraînement des modèles

    Suivi avec MLflow, ML automatisé, notebooks, réglage des hyperparamètres, entraînement distribué et pipelines.

  4. 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.

  5. Surveillance des modèles en production

    Dérive des données, métriques de performance, alertes et déclencheurs de réentraînement.

  6. Infrastructure GenAIOps avec Microsoft Foundry

    Ressources et projets Foundry, identités managées et RBAC, réseau privé, déploiement en Bicep ; modèles de fondation, débit provisionné.

  7. Gestion des prompts

    Conception, variantes et comparaison de prompts, gestion des versions avec Git.

  8. 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.

  9. Optimisation : RAG et fine-tuning

    Réglage de la recherche (seuils, découpage, recherche hybride), modèles d'embeddings, tests A/B, fine-tuning et données synthétiques.

Prendre rendez-vous (entretien gratuit) · Nous contacter · Toutes les formations