AI-900 : les fondamentaux de Microsoft Azure AI (1 jour)

Module 1 : les charges de travail et les spécificités de l'intelligence artificielle

• Identification des spécificités des charges de travail IA communes :
  • les spécificités des charges de travail liées à la surveillance des données et à la détection des anomalies ;
  • les spécificités de modération du contenu et des charges de travail personnalisées ;
  • les charges de travail pour la vision par ordinateur ;
  • les charges de travail pour le traitement du langage naturel ;
  • les charges de travail d'exploration des connaissances ;
  • les charges de travail d’intelligence documentaire ;
  • les spécificités des charges de travail de l'IA générative.
• Identification des concepts de base pour une IA responsable :
  • les éléments à prendre en compte pour favoriser un traitement équitable ;
  • les éléments à prendre en compte pour garantir une fiabilité et une sécurité accrue ;
  • les éléments à prendre en compte pour garantir le respect de la vie privée et la sécurité des données ;
  • les éléments à prendre en compte pour l'inclusivité ;
  • les éléments à prendre en compte pour la transparence d'une solution IA ;
  • les éléments à prendre en compte sur les responsabilités d'une solution IA.

Module 2 : les fondamentaux du machine learning sur Azure

• Identification des techniques de machine learning communes :
  • les scénarios de machine learning de régression ;
  • les scénarios de machine learning de classification ;
  • les scénarios de machine learning de clustering ;
  • les techniques de Deep Learning.
• Présentation des principaux concepts du machine learning :
  • les particularités et les libellés d'un ensemble de données ;
  • l'utilisation des ensembles de données d'apprentissage et de validation.
• Présentation des spécificités d’Azure Machine Learning :
  • les fonctionnalités du Machine Learning automatisé ;
  • les services de calcul et de données pour la science des données et le Machine Learning ;
  • les fonctionnalités de gestion et de déploiement des modèles dans Azure Machine Learning.

Module 3 : les spécificités des charges de travail pour la vision par ordinateur

• Identification des principales solutions :
  • les spécificités pour une solution par classification d'images ;
  • les spécificités pour une solution par détection d'objets ;
  • les spécificités pour une solution par reconnaissance optique des caractères ;
  • les spécificités pour une solution par détection faciale.
• Présentation des outils et des services Azure :
  • les fonctionnalités du service Azure AI Vision ;
  • les fonctionnalités du service de détection des visages Azure AI ;
  • les fonctionnalités du service Face ;
  • les fonctionnalités du service Azure AI Video Indexer.

Module 4 : les spécificités des charges de travail pour le traitement automatique des langues (NLP)

• Identification des scénarios de charge de travail NLP communs :
  • les spécificités et les usages pour l'extraction d'expressions clés ;
  • les spécificités et les usages pour la reconnaissance d'entités ;
  • les spécificités et les usages pour l'analyse des sentiments ;
  • les spécificités et les usages pour la modélisation du langage ;
  • les spécificités et les usages pour la reconnaissance et de la synthèse vocales ;
  • les spécificités et les usages pour la traduction.
• Présentation des outils et des services Azure :
  • les fonctionnalités du service Azure AI Language ;
  • les fonctionnalités du service Azure AI Speech ;
  • les fonctionnalités du service Azure AI traduction.

Module 5 : les fonctionnalités des charges de travail d'IA générative

• Identification des spécificités des solutions IA génératives :
  • les spécificités des modèles IA génératifs ;
  • les scénarios communs pour une IA générative ;
  • les éléments à prendre en compte pour l'IA générative.
• Identification des fonctionnalités du service Azure OpenAI :
  • les fonctionnalités de génération de langage naturel ;
  • les fonctionnalités de génération de code du service ; 
  • les fonctionnalités de génération d'images du service.

AI-102 : la conception et la mise en œuvre de solutions Azure AI (4 jours)

Module 1 : la planification et la gestion d'une solution Azure AI

• Choisir le service Azure AI adapté :
  • le choix du service pour la vision par ordinateur ;
  • le choix du service pour le traitement du langage naturel ;
  • le choix du service pour l'aide à la décision ;
  • le choix du service pour le traitement de la parole ;
  • le choix du service pour l'IA générative ;
  • le choix du service  pour l'intelligence documentaire ;
  • le choix du service pour l'exploration des connaissances.
• Planifier, créer et déployer un service Azure AI :
  • la planification d'une solution conforme aux principes de l'IA responsable ;
  • la création d'une ressource ;
  • l'identification d'un point de terminaison par défaut pour un service ;
  • l'intégration des services Azure AI dans un pipeline d'intégration  continue et de livraison continue (CI/CD) ;
  • la planification et la mise en œuvre d'un déploiement de conteneurs.
• Gérer, surveiller et sécuriser un service Azure AI :
  • la configuration de la journalisation des diagnostics ;
  • la supervision d'une ressource ;
  • la gestion des coûts d'un service ;
  • la gestion des clés de compte ;
  • la protection des clés de compte à l'aide d'Azure Key Vault ;
  • la gestion de l'authentification pour une ressource du service ;
  • la gestion des communications privées.

Module 2 : la mise en œuvre de solutions d'aide à la décision

• Créer des solutions d'aide à la décision pour la surveillance des données et la détection des anomalies :
  • l'implémentation d'une solution de détection d'anomalies univariées et multivariées avec Azure AI Anomaly Detector ;
  • l'implémentation d'une solution de surveillance des données avec Azure AI Metrics Advisor.
• Créer des solutions d'aide à la décision pour la distribution de contenu :
  • l'implémentation d'une solution de modération de texte et d'images avec Azure AI Content Security ;
  • l'implémentation d'une solution de personnalisation de contenu avec Azure AI Personalizer.

Module 3 : la mise en œuvre de solutions pour la vision par ordinateur

• Analyser les images :
  • le choix des fonctionnalités visuelles pour répondre aux exigences du traitement de l'image ;
  • la détection d'objets dans les images et la création d'étiquettes pour les images ;
  • l'intégration de fonctionnalités d'analyse d'images dans une demande de traitement d'images ;
  • l'interprétation des réponses du traitement d'images ;
  • l'extraction et la la conversion de texte à partir d'images en utilisant Azure AI Vision.
• Implémenter des modèles de vision par ordinateur personnalisés avec Azure AI Vision :
  • le choix entre des modèles de classification d'images et de détection d'objets ;
  • l'étiquetage des images ;
  • l'entraînement d'un modèle d'image personnalisé, incluant la classification d'images et la détection d'objets ;
  • l'évaluation des métriques d'un modèle de vision personnalisé ;
  • la publication et  la consommation d'un modèle de vision personnalisé.
• Analyser les vidéos :
  • l'utilisation d'Azure AI Video Indexer pour extraire des informations d'une vidéo ou d'un flux en direct ;
  • l'utilisation de l'analyse spatiale d'Azure AI Vision pour détecter la présence et le mouvement des personnes dans une vidéo.

Module 4 : la mise en œuvre de solutions pour le traitement du langage naturel

• Analyser du texte avec Azure AI Language :
  • l'extraction de phrases et de mots clés ;
  • l'identification du sentiment dans le texte ;
  • la détection de la langue utilisée dans le texte ;
  • la détection des informations personnelles identifiables (PII).
• Traiter la voix à l'aide d'Azure AI Speech :
  • l'implémentation de la synthèse vocale et de la reconnaissance vocale ;
  • l'amélioration de la synthèse vocale à l'aide du langage SSML (Speech Synthesis Markup Language) ;
  • l'implémentation de solutions vocales personnalisées ;
  • l'implémentation de la reconnaissance d'intention et de la reconnaissance des mots-clés.
• Traduire les langues :
  • la traduction des textes et des documents en utilisant Azure AI Translator ;
  • l'implémentation de la traduction personnalisée, incluant le développement, l'amélioration et la publication d'un modèle personnalisé ;
  • la traduction de la parole en parole et en texte en utilisant Azure AI Speech ;
  • la traduction simultanée en plusieurs langues.
• Implémenter et gérer un modèle de compréhension du langage avec Azure AI Language :
  • la création d'intentions et l'ajout d'énoncés ;
  • la création des entités ;
  • l'entraînement, l'évaluation, le déploiement et le test d'un modèle de compréhension du langage ;
  • l'optimisation d'un modèle linguistique ;
  • la consommation d'un modèle de langage à partir d'une application client
  • la sauvegarde et la récupération des modèles de langage.
• Créer une solution de réponse aux questions avec Azure AI Language :
  • la création d'un projet de réponse aux questions ;
  • l'ajout manuel de combinaisons question-réponse ;
  • l'importation des sources ;
  • l'entraînement et le test d'une base de connaissances ;
  • la publication de la base de connaissances ;
  • la création d'un message d'incitation à plusieurs étapes ;
  • l'ajout d'un autre libellé ;
  • l'ajout de bavardages à une base de connaissances ;
  • l'exportation d'une base de connaissances ;
  • la création d'une solution de réponse aux questions multilingues.

Module 5 : la mise en œuvre de solutions pour l'exploration des connaissances et de l'intelligence documentaire

• Implémenter une solution Azure Cognitive Search :
  • le provisionnement d'une ressource Cognitive Search ;
  • la création de sources de données ;
  • la création d'un index ;
  • la création d'un ensemble de compétences dans un pipeline d'enrichissement ;
  • l'implémentation de compétences personnalisées et leur inclusion dans un ensemble de compétences ;
  • la création et l'exécution d'un indexeur ;
  • l'interrogation d'un index, incluant la syntaxe, le tri, le filtrage et les caractères génériques ;
  • la gestion des projections de la base de connaissances, incluant les projections de fichiers, d'objets et de tables.
• Implémenter une solution Azure AI Document Intelligence :
  • l'approvisionnement d'une ressource Document Intelligence ;
  • l'utilisation de modèles prédéfinis pour extraire des données à partir de documents ;
  • l'implémentation d'un modèle d'intelligence documentaire personnalisé ;
  • l'entraînement, le test et la publication d'un modèle d'intelligence documentaire personnalisé ;
  • la création d'un modèle composite d'intelligence documentaire ;
  • l'implémentation d'un modèle d'intelligence documentaire en tant que compétence personnalisée d'Azure Cognitive Search.

Module 6 : la mise en œuvre de solutions d'IA générative

• Utiliser Azure OpenAI Service pour générer du contenu :
  • le provisionnement d'une ressource Azure OpenAI Service ;
  • le choix et le déploiement d'un modèle Azure OpenAI ;
  • l'envoi d'invite pour générer du langage naturel et du code ;
  • l'utilisation du modèle DALL-E pour générer des images ;
  • l'utilisation des API d'Azure OpenAI pour envoyer des invites et recevoir des réponses.
• Optimiser l'IA générative :
  • la configuration des paramètres pour contrôler le comportement de l'IA générative ;
  • l'utilisation de techniques d'ingénierie des invites pour améliorer les réponses ;
  • l'utilisation de données personnelles avec un modèle Azure OpenAI ;
  • l'ajustement d'un modèle Azure OpenAI.