À l'issue de cette formation, vous devrez être en mesure de :\n<\/p>\n
Il convient aux participants ayant une expérience dans Python, une compréhension fondamentale des concepts de Machine Learning et une connaissance de base des pratiques DevOps telles que le contrôle de code source, CI\/CD et les outils en ligne de commande, qui préparent à implémenter des flux de travail MLOps et GenAIOps à l’aide de services natifs Azure.<\/p>","audience":"
Ce cours est destiné aux data scientist, aux ingénieurs machine learning et aux professionnels DevOps qui souhaitent concevoir et exploiter des solutions IA de niveau production sur Azure.<\/p>","contents":"
Ce cours prépare les apprenants à concevoir, implémenter et exploiter des solutions Machine Learning Operations (MLOps) et Generative AI Operations (GenAIOps) sur Azure. Il couvre la création d’une infrastructure IA sécurisée et évolutive, la gestion du cycle de vie complet des modèles Machine Learning traditionnels avec des Azure Machine Learning et le déploiement, l’évaluation, la surveillance et l’optimisation des applications et agents d’IA génératives à l’aide de Microsoft Foundry. Les apprenants bénéficieront d’une connaissance pratique de l’automatisation, de l’intégration continue et de la livraison, de l’infrastructure en tant que code et de l’observabilité à l’aide d’outils tels que GitHub Actions, Azure CLI et Bicep. Le cours met l’accent sur la collaboration avec les équipes de science des données et DevOps pour fournir des systèmes IA fiables et prêts à la production alignés sur les meilleures pratiques modernes MLOps et GenAIOps.<\/p>","objective_plain":"\u00c0 l'issue de cette formation, vous devrez \u00eatre en mesure de :\n\n\n\n- Concevoir, entra\u00eener et \u00e9valuer des mod\u00e8les de machine learning avec Azure Machine Learning, notamment via AutoML et le suivi avec MLflow\n- Optimiser les performances des mod\u00e8les en r\u00e9alisant des r\u00e9glages d\u2019hyperparam\u00e8tres et en comparant les r\u00e9sultats obtenus\n- Automatiser les workflows de machine learning en cr\u00e9ant et orchestrant des pipelines dans Azure Machine Learning\n- Mettre en \u0153uvre des pratiques MLOps en int\u00e9grant GitHub Actions pour l\u2019entra\u00eenement, le test et le d\u00e9ploiement de mod\u00e8les\n- D\u00e9ployer, surveiller et maintenir des mod\u00e8les de machine learning en production de mani\u00e8re fiable et automatis\u00e9e\n- Concevoir et industrialiser des solutions d\u2019IA g\u00e9n\u00e9rative (GenAIOps) en utilisant Microsoft Foundry et des approches code-first\n- \u00c9valuer, optimiser et superviser des agents IA en s\u2019appuyant sur des m\u00e9triques, des tests automatis\u00e9s et des m\u00e9canismes de monitoring et de tra\u00e7abilit\u00e9","essentials_plain":"Il convient aux participants ayant une exp\u00e9rience dans Python, une compr\u00e9hension fondamentale des concepts de Machine Learning et une connaissance de base des pratiques DevOps telles que le contr\u00f4le de code source, CI\/CD et les outils en ligne de commande, qui pr\u00e9parent \u00e0 impl\u00e9menter des flux de travail MLOps et GenAIOps \u00e0 l\u2019aide de services natifs Azure.","audience_plain":"Ce cours est destin\u00e9 aux data scientist, aux ing\u00e9nieurs machine learning et aux professionnels DevOps qui souhaitent concevoir et exploiter des solutions IA de niveau production sur Azure.","contents_plain":"Exp\u00e9rimenter avec Azure Machine Learning\n\n\n- Pr\u00e9traiter les donn\u00e9es et configurer la caract\u00e9risation\n- Ex\u00e9cuter des exp\u00e9riences de machine learning automatis\u00e9 (AutoML)\n- \u00c9valuer et comparer les mod\u00e8les\n- Suivre les mod\u00e8les avec MLflow\n- Utiliser le tableau de bord d\u2019IA responsable pour \u00e9valuer les mod\u00e8les\n- Exercice : rechercher le meilleur mod\u00e8le de classification\nOptimisation des mod\u00e8les et r\u00e9glage des hyperparam\u00e8tres\n\n\n- D\u00e9finir un espace de recherche\n- Configurer des m\u00e9thodes d\u2019\u00e9chantillonnage\n- Mettre en place des strat\u00e9gies d\u2019arr\u00eat anticip\u00e9\n- Ex\u00e9cuter des t\u00e2ches de r\u00e9glage des hyperparam\u00e8tres\n- Exercice : ex\u00e9cuter un travail de balayage\nOrchestration et automatisation avec Azure Machine Learning\n\n\n- Cr\u00e9er des composants r\u00e9utilisables\n- Construire des pipelines de machine learning\n- Ex\u00e9cuter et planifier des pipelines\n- Automatiser les flux de travail ML\n- Exercice : ex\u00e9cuter un pipeline\nMLOps avec GitHub Actions\n\n\n- Automatiser l\u2019entra\u00eenement des mod\u00e8les avec GitHub Actions\n- Mettre en place des workflows bas\u00e9s sur les branches\n- Utiliser des environnements pour tester et d\u00e9ployer\n- D\u00e9ployer des mod\u00e8les avec Azure Machine Learning CLI\n- Exercice : automatiser un workflow ML\nIntroduction au GenAIOps\n\n\n- Identifier les cas d\u2019usage de l\u2019IA g\u00e9n\u00e9rative\n- S\u00e9lectionner les mod\u00e8les de langage adapt\u00e9s\n- Comprendre le cycle de vie des applications IA g\u00e9n\u00e9ratives\n- Explorer les outils et infrastructures GenAIOps\n- Exercice : comparer des mod\u00e8les de langage\nGestion des agents et des prompts avec Microsoft Foundry\n\n\n- Versionner les prompts avec GitHub\n- Organiser les ressources IA dans des r\u00e9f\u00e9rentiels\n- Mettre en place des workflows s\u00e9curis\u00e9s de d\u00e9ploiement\n- D\u00e9velopper des agents et leurs versions\n- Exercice : cr\u00e9er et g\u00e9rer des prompts et agents\n\u00c9valuation et optimisation des agents IA\n\n\n- D\u00e9finir des m\u00e9triques de qualit\u00e9, co\u00fbt et performance\n- Concevoir des sc\u00e9narios d\u2019\u00e9valuation\n- Utiliser des workflows Git pour tester les agents\n- Comparer diff\u00e9rentes versions d\u2019agents\n- Exercice : \u00e9valuer et optimiser un agent IA\nAutomatisation des \u00e9valuations IA\n\n\n- Mettre en place des \u00e9valuations automatis\u00e9es\n- Cr\u00e9er des jeux de donn\u00e9es d\u2019\u00e9valuation\n- Ex\u00e9cuter des \u00e9valuations par lots\n- Int\u00e9grer les \u00e9valuations dans GitHub Actions\n- Exercice : automatiser les tests d\u2019un agent IA\nSupervision et monitoring des applications IA g\u00e9n\u00e9ratives\n\n\n- Suivre les m\u00e9triques cl\u00e9s (latence, consommation, performance)\n- Mettre en place des outils de monitoring avec Azure\n- Interpr\u00e9ter les r\u00e9sultats pour optimiser les co\u00fbts et performances\n- Exercice : activer la supervision d\u2019une application IA\nAnalyse et d\u00e9bogage avec le tra\u00e7age\n\n\n- Impl\u00e9menter le tra\u00e7age avec OpenTelemetry\n- Suivre les flux d\u2019ex\u00e9cution des applications IA\n- D\u00e9boguer des workflows complexes\n- Exploiter les donn\u00e9es de trace pour optimiser les syst\u00e8mes\n- Exercice : activer le tra\u00e7age d\u2019une application IA g\u00e9n\u00e9rative","outline_plain":"Exp\u00e9rimenter avec Azure Machine Learning\n\n\n- Pr\u00e9traiter les donn\u00e9es et configurer la caract\u00e9risation\n- Ex\u00e9cuter des exp\u00e9riences de machine learning automatis\u00e9 (AutoML)\n- \u00c9valuer et comparer les mod\u00e8les\n- Suivre les mod\u00e8les avec MLflow\n- Utiliser le tableau de bord d\u2019IA responsable pour \u00e9valuer les mod\u00e8les\n- Exercice : rechercher le meilleur mod\u00e8le de classification\nOptimisation des mod\u00e8les et r\u00e9glage des hyperparam\u00e8tres\n\n\n- D\u00e9finir un espace de recherche\n- Configurer des m\u00e9thodes d\u2019\u00e9chantillonnage\n- Mettre en place des strat\u00e9gies d\u2019arr\u00eat anticip\u00e9\n- Ex\u00e9cuter des t\u00e2ches de r\u00e9glage des hyperparam\u00e8tres\n- Exercice : ex\u00e9cuter un travail de balayage\nOrchestration et automatisation avec Azure Machine Learning\n\n\n- Cr\u00e9er des composants r\u00e9utilisables\n- Construire des pipelines de machine learning\n- Ex\u00e9cuter et planifier des pipelines\n- Automatiser les flux de travail ML\n- Exercice : ex\u00e9cuter un pipeline\nMLOps avec GitHub Actions\n\n\n- Automatiser l\u2019entra\u00eenement des mod\u00e8les avec GitHub Actions\n- Mettre en place des workflows bas\u00e9s sur les branches\n- Utiliser des environnements pour tester et d\u00e9ployer\n- D\u00e9ployer des mod\u00e8les avec Azure Machine Learning CLI\n- Exercice : automatiser un workflow ML\nIntroduction au GenAIOps\n\n\n- Identifier les cas d\u2019usage de l\u2019IA g\u00e9n\u00e9rative\n- S\u00e9lectionner les mod\u00e8les de langage adapt\u00e9s\n- Comprendre le cycle de vie des applications IA g\u00e9n\u00e9ratives\n- Explorer les outils et infrastructures GenAIOps\n- Exercice : comparer des mod\u00e8les de langage\nGestion des agents et des prompts avec Microsoft Foundry\n\n\n- Versionner les prompts avec GitHub\n- Organiser les ressources IA dans des r\u00e9f\u00e9rentiels\n- Mettre en place des workflows s\u00e9curis\u00e9s de d\u00e9ploiement\n- D\u00e9velopper des agents et leurs versions\n- Exercice : cr\u00e9er et g\u00e9rer des prompts et agents\n\u00c9valuation et optimisation des agents IA\n\n\n- D\u00e9finir des m\u00e9triques de qualit\u00e9, co\u00fbt et performance\n- Concevoir des sc\u00e9narios d\u2019\u00e9valuation\n- Utiliser des workflows Git pour tester les agents\n- Comparer diff\u00e9rentes versions d\u2019agents\n- Exercice : \u00e9valuer et optimiser un agent IA\nAutomatisation des \u00e9valuations IA\n\n\n- Mettre en place des \u00e9valuations automatis\u00e9es\n- Cr\u00e9er des jeux de donn\u00e9es d\u2019\u00e9valuation\n- Ex\u00e9cuter des \u00e9valuations par lots\n- Int\u00e9grer les \u00e9valuations dans GitHub Actions\n- Exercice : automatiser les tests d\u2019un agent IA\nSupervision et monitoring des applications IA g\u00e9n\u00e9ratives\n\n\n- Suivre les m\u00e9triques cl\u00e9s (latence, consommation, performance)\n- Mettre en place des outils de monitoring avec Azure\n- Interpr\u00e9ter les r\u00e9sultats pour optimiser les co\u00fbts et performances\n- Exercice : activer la supervision d\u2019une application IA\nAnalyse et d\u00e9bogage avec le tra\u00e7age\n\n\n- Impl\u00e9menter le tra\u00e7age avec OpenTelemetry\n- Suivre les flux d\u2019ex\u00e9cution des applications IA\n- D\u00e9boguer des workflows complexes\n- Exploiter les donn\u00e9es de trace pour optimiser les syst\u00e8mes\n- Exercice : activer le tra\u00e7age d\u2019une application IA g\u00e9n\u00e9rative","summary_plain":"Ce cours pr\u00e9pare les apprenants \u00e0 concevoir, impl\u00e9menter et exploiter des solutions Machine Learning Operations (MLOps) et Generative AI Operations (GenAIOps) sur Azure. Il couvre la cr\u00e9ation d\u2019une infrastructure IA s\u00e9curis\u00e9e et \u00e9volutive, la gestion du cycle de vie complet des mod\u00e8les Machine Learning traditionnels avec des Azure Machine Learning et le d\u00e9ploiement, l\u2019\u00e9valuation, la surveillance et l\u2019optimisation des applications et agents d\u2019IA g\u00e9n\u00e9ratives \u00e0 l\u2019aide de Microsoft Foundry. Les apprenants b\u00e9n\u00e9ficieront d\u2019une connaissance pratique de l\u2019automatisation, de l\u2019int\u00e9gration continue et de la livraison, de l\u2019infrastructure en tant que code et de l\u2019observabilit\u00e9 \u00e0 l\u2019aide d\u2019outils tels que GitHub Actions, Azure CLI et Bicep. Le cours met l\u2019accent sur la collaboration avec les \u00e9quipes de science des donn\u00e9es et DevOps pour fournir des syst\u00e8mes IA fiables et pr\u00eats \u00e0 la production align\u00e9s sur les meilleures pratiques modernes MLOps et GenAIOps.","version":"1.0","duration":{"unit":"d","value":4,"formatted":"4 jours"},"pricelist":{"List Price":{"US":{"country":"US","currency":"USD","taxrate":null,"price":2595},"CA":{"country":"CA","currency":"CAD","taxrate":null,"price":2595},"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":2690},"NL":{"country":"NL","currency":"EUR","taxrate":21,"price":2095},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":2690},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":2690},"SE":{"country":"SE","currency":"EUR","taxrate":25,"price":2690},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":2690},"FR":{"country":"FR","currency":"EUR","taxrate":19.6,"price":3250},"IT":{"country":"IT","currency":"EUR","taxrate":20,"price":1690},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":2610}}},"lastchanged":"2026-04-16T11:45:28+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/fr\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/fr\/json-course-schedule\/37055","source_lang":"fr","source":"https:\/\/portal.flane.ch\/swisscom\/fr\/json-course\/microsoft-ai-300t00"}}