Formation Certification Microsoft MLOps Engineer Associate (AI-300)

Programme de notre formation certification Microsoft Machine Learning Operations Engineer Associate

[Jour 1 – Matin]

Construire une infrastructure MLOps avec Azure Machine Learning

• Comprendre l’architecture MLOps et le rôle d’Azure Machine Learning dans le cycle de vie des modèles
• Créer et configurer les workspaces, datastores et cibles de calcul Azure Machine Learning
• Gérer les Data Assets, environnements et composants nécessaires aux projets ML
• Partager et versionner les assets entre plusieurs workspaces avec les registres Azure Machine Learning
• Configurer les identités, rôles RBAC et restrictions réseau nécessaires à la sécurisation des environnements ML

[Jour 1 – Après-midi]

Automatiser l’infrastructure ML avec Git et Infrastructure as Code

• Structurer les projets Machine Learning et gérer leur code source avec Git
• Déployer les workspaces et ressources Azure Machine Learning avec Bicep et Azure CLI
• Configurer l’intégration sécurisée entre GitHub et Azure Machine Learning
• Automatiser le provisioning des ressources avec GitHub Actions
• Organiser les environnements de développement, validation et production d’une solution ML
• Atelier pratique : provisionner et sécuriser l’infrastructure MLOps du projet fil rouge avec Bicep, Azure CLI et GitHub Actions

[Jour 2 – Matin]

Industrialiser l’entraînement et le suivi des modèles Machine Learning

• Exécuter des scripts et jobs d’entraînement avec Azure Machine Learning
• Suivre les expériences, paramètres et métriques avec MLflow
• Automatiser l’optimisation des hyperparamètres et comparer les performances des modèles
• Exploiter AutoML lorsque son utilisation répond aux besoins du projet
• Construire des pipelines d’entraînement réutilisables et gérer les scénarios d’entraînement distribué
• Évaluer les modèles selon leurs performances et les principes de Responsible AI

[Jour 2 – Après-midi]

Versionner, déployer et superviser les modèles en production

• Enregistrer et versionner les modèles avec MLflow et Azure Machine Learning
• Gérer le cycle de vie des modèles depuis leur validation jusqu’à leur archivage
• Déployer des modèles sur des endpoints d’inférence temps réel et batch
• Mettre en œuvre des stratégies de déploiement progressif, de test et de rollback sécurisé
• Détecter la dérive des données et surveiller les performances des modèles en production
• Atelier pratique : industrialiser le modèle du projet fil rouge, automatiser son déploiement et déclencher son réentraînement selon les métriques observées

[Jour 3 – Matin]

Construire une infrastructure GenAIOps avec Microsoft Foundry

• Comprendre les principes du GenAIOps et leurs différences avec le cycle MLOps traditionnel
• Créer et configurer les ressources et projets Microsoft Foundry
• Sécuriser les environnements avec Managed Identities, RBAC et connectivité réseau privée
• Provisionner les ressources Foundry avec Bicep et Azure CLI
• Sélectionner et déployer des foundation models avec des endpoints serverless ou des ressources de calcul managées
• Configurer les stratégies de versioning, déploiement et capacité pour les workloads GenAI

[Jour 3 – Après-midi]

Industrialiser les applications et agents d’IA générative

• Concevoir et versionner les prompts dans les dépôts Git
• Créer plusieurs variantes de prompts et comparer leurs performances
• Structurer le cycle de livraison des applications et agents IA avec les pratiques GenAIOps
• Automatiser les tests, validations et déploiements des composants GenAI
• Gérer les versions des modèles, prompts et configurations entre les différents environnements
• Atelier pratique : étendre le projet fil rouge avec une application GenAI versionnée et intégrée à une chaîne de livraison automatisée

[Jour 4 – Matin]

Évaluer et superviser les applications et agents GenAI

• Créer des jeux de données de test pour évaluer les applications et agents d’IA générative
• Mesurer le groundedness, la pertinence, la cohérence et la fluidité des réponses
• Évaluer les risques, la sécurité et la présence de contenus nuisibles
• Automatiser les évaluations avec des métriques intégrées et personnalisées
• Superviser la latence, le débit, les temps de réponse et la consommation de tokens
• Configurer la journalisation, le tracing et le debugging nécessaires au diagnostic des applications GenAI en production

[Jour 4 – Après-midi]

Optimiser les systèmes GenAI et préparer la certification AI-300

• Optimiser une architecture RAG en ajustant chunking, seuils de similarité et stratégies de retrieval
• Sélectionner et optimiser les modèles d’embeddings selon les données et le domaine métier
• Combiner recherche sémantique et recherche par mots-clés avec les approches de recherche hybride
• Évaluer les performances RAG avec des métriques de pertinence et des stratégies de test A/B
• Mettre en œuvre le fine-tuning, les données synthétiques et le cycle de vie des modèles personnalisés
• Réviser les domaines du référentiel et les scénarios représentatifs de l’examen AI-300
• Atelier final : optimiser, évaluer et superviser le système GenAI du projet puis analyser un scénario.