Dernière mise à jour : 10/09/2026
Cette formation prépare les apprenants à concevoir, implémenter et exploiter des solutions de Machine Learning Operations (MLOps) et de Generative AI Operations (GenAIOps) sur Azure. Elle couvre la mise en place d'une infrastructure d'IA sécurisée et évolutive, la gestion du cycle de vie complet des modèles de machine learning traditionnels avec Azure Machine Learning, ainsi que le déploiement, l'évaluation, la supervision et l'optimisation d'applications et d'agents d'IA générative à l'aide de Microsoft Foundry.
Les apprenants acquerront une expérience pratique de l'automatisation, de l'intégration et du déploiement continus, de l'infrastructure as code et de l'observabilité en utilisant des outils tels que GitHub Actions, Azure CLI et Bicep. Cette formation met l'accent sur la collaboration avec les équipes de data science et de DevOps afin de fournir des systèmes d'IA fiables, prêts pour la production et conformes aux meilleures pratiques modernes en matière de MLOps et de GenAIOps.
Cette formation s'adresse aux data scientists, aux ingénieurs en machine learning et aux professionnels DevOps qui souhaitent concevoir et exploiter des solutions d'IA prêtes pour la production sur Azure. Elle convient aux apprenants disposant d'une expérience en Python, d'une compréhension fondamentale des concepts de machine learning et de notions de base des pratiques DevOps telles que le contrôle de code source, le CI/CD et les outils en ligne de commande, et qui souhaitent mettre en œuvre des workflows MLOps et GenAIOps à l'aide des services natifs Azure.
Module 1 : Découvrir le machine learning dans Azure
Dans ce module, vous apprennez à concevoir une solution d'entraînement de modèles de machine learning et sélectionner les services et ressources de calcul Azure Machine Learning adaptés.
Module 2 : Expérimenter avec Azure Machine Learning
Dans ce module, vous apprendrez à comparer des modèles à l'aide du machine learning automatisé, de MLflow et du tableau de bord Responsible AI.
Module 3 : Exécuter des scripts d'entraînement et assurer le suivi des modèles avec MLflow dans Azure Machine Learning
Dans ce module, vous apprendrez à convertir des notebooks en scripts d'entraînement, à exécuter des jobs de commande et à assurer le suivi des modèles avec MLflow.
Module 4 : Réaliser le réglage des hyperparamètres avec Azure Machine Learning
Dans ce module, vous apprendrez à optimiser l'entraînement des modèles en ajustant les hyperparamètres à l'aide des sweep jobs dans Azure Machine Learning.
Module 5 : Exécuter des pipelines dans Azure Machine Learning
Dans ce module, vous apprendrez à automatiser des workflows de machine learning en plusieurs étapes à l'aide de composants réutilisables et de pipelines Azure Machine Learning.
Module 6 : Concevoir une solution de Machine Learning Operations (MLOps)
Dans ce module, vous apprendrez à concevoir une architecture MLOps permettant de superviser et de réentraîner des modèles déployés en production.
Module 7 : Automatiser l'entraînement des modèles avec GitHub Actions
Dans ce module, vous apprendrez à automatiser et à valider l'entraînement des modèles à l'aide de GitHub Actions et des pipelines Azure Machine Learning.
Module 8 : Déployer et superviser un modèle dans Azure Machine Learning
Dans ce module, vous apprendrez à enregistrer, déployer, superviser et restaurer des modèles à une version antérieure à l'aide de GitHub Actions et d'environnements protégés.
Module 9 : Planifier et préparer une solution GenAIOps
Dans ce module, vous apprendrez à planifier et à préparer une solution d'IA générative en définissant les spécifications d'un agent, en concevant et en optimisant un agent, ainsi qu'en appliquant le cycle de vie des Generative AI Operations (GenAIOps).
Module 10 : Gérer les prompts des agents dans Microsoft Foundry avec GitHub
Dans ce module, vous apprendrez à gérer les prompts d'IA comme des artefacts versionnés à l'aide de GitHub. Vous appliquerez les bonnes pratiques de l'ingénierie logicielle pour créer, tester et promouvoir différentes versions de prompts utilisées dans Microsoft Foundry dans le cadre d'un workflow GenAIOps.
Module 11 : Évaluer et optimiser des agents d'IA à l'aide d'expérimentations structurées
Dans ce module, vous apprendrez à optimiser des agents d'IA grâce à une approche d'évaluation structurée qui remplace les décisions fondées sur l'intuition par des décisions d'ingénierie basées sur des preuves. Vous découvrirez comment concevoir des expérimentations d'évaluation à l'aide de métriques claires de qualité, de coût et de performance, organiser les expérimentations au moyen de workflows basés sur Git, créer des grilles d'évaluation pour garantir une notation cohérente et comparer les résultats afin de prendre des décisions d'optimisation éclairées.
Module 12 : Automatiser les évaluations d'IA avec Microsoft Foundry et GitHub Actions
Dans ce module, vous apprendrez à mettre en œuvre des évaluations automatisées des réponses d'agents d'IA à l'aide des évaluateurs Microsoft Foundry, à créer des jeux de données d'évaluation à partir de données de production et de données synthétiques, à exécuter des évaluations par lots à l'aide de scripts Python et à intégrer les workflows d'évaluation dans GitHub Actions afin d'assurer un contrôle qualité continu.
Module 13 : Superviser votre application d'IA générative
Dans ce module, vous apprendrez à superviser les performances de votre application d'IA générative à l'aide de Microsoft Foundry. Vous découvrirez comment suivre des métriques clés, telles que la latence et l'utilisation des tokens, afin de prendre des décisions de déploiement éclairées et optimisées en termes de coûts.
Module 14 : Analyser et déboguer votre application d'IA générative à l'aide du traçage
Dans ce module, vous apprendrez à mettre en œuvre le traçage dans vos applications d'IA générative à l'aide de Microsoft Foundry et d'OpenTelemetry. Vous découvrirez comment capturer en détail les flux d'exécution, déboguer des workflows complexes et comprendre le comportement des applications afin d'améliorer leur fiabilité et leur optimisation.
À l'issue de la formation, les participants seront en mesure de :
Intermédiaire à avancé.
Cette formation s'adresse à des professionnels ayant déjà des connaissances en développement Python, en machine learning et en pratiques DevOps de base. Elle ne constitue pas une initiation à l'intelligence artificielle ou au machine learning, mais une formation d'industrialisation, d'automatisation et d'exploitation des solutions IA sur Azure.
