Architectures de données (data architecture) pour le Machine Learning et l'Intelligence Artificielle (IA)

Jour 1

Fondamentaux de l'IA et des architectures Data

• Qu'est-ce que l'IA ?
• Similarités et différences entre IA et le développement d'applications traditionnelles
• Machine Learning vs Deep Learning
• Batch vs temps réel vs streaming
• De la BI (Business Intelligence) au Big Data aux Business Analytics
• Evolution des plateformes d'analytics unifiées : Data Warehouse vs Data Lake vs lakehouse vs Data Mesh
• Les différents types d'apprentissage de modèles
• Les grands modèles de langage
• De GPT-1 à GPT-4
• Etudes de cas d'utilisation des grands modèles de langage et des modèles génératifs
• Avantages et limites
• Vue d'ensemble de l'offre IA sur le Cloud Azure
• Les différents services :
• D'Azure Cognitive Services
• D'Azure OpenAI

Concevoir une plateforme d'analytiques moderne

• Cycle de vie de la Data
• Gouvernance et sécurité
• Apports des offres Cloud
• Offres Cloud classiques (Azure, AWS, GCP) et offres multi-Cloud (Databricks, Snowflake, Fivetran, dbt)
• Moderniser les workflows Data

Exemples de travaux pratiques (à titre indicatif)

• Prise en main d'Azure Cognitives Services, création d'une application de reconnaissance d'images
• Prise en main d'Azure OpenAI, création d'une application à base de GPT-4

Jour 2

Développer la Data team

• Définir les besoins clés de l'organisation
• Les DADO (data-Analytics Driven Organizations)
• Les DEDO (data-Engineering Driven Organizations)
• Les DSDO (data-Science Driven Organizations)

Frameworks de migration

• La migration en quatre étapes :
• Prepare / discover
• Assess / plan
• Execute
• Optimize
• Estimation des coûts :
• Audit de l'existant
• Devis
• PoC
• MVP
• Mettre en place la sécurité et la gouvernance
• Schéma, pipeline, migration des données

Exemples de travaux pratiques (à titre indicatif)

• Etudes de cas de conception de plateformes d'analytics mettant en oeuvre les principes abordés

Architecture d'un Data Lake

• Spécificités d'un Data Lake
• Etapes d'un projet de Data Lake
• Data Lake On-Premise vs sur le Cloud : solutions technologiques et avantages / inconvénients
• Intégration du Data Lake au SI (Système d'Information)
• Zonage et gouvernance du Data Lake
• Le Data Lake en self-service
• Importance du catalogue de données
• Le Data Lake au service des Data Scientists

Exemples de travaux pratiques (à titre indicatif)

• Déploiement d'un Data Lake sur le Cloud et exécution d'analytics

Jour 3

Architecture d'un Data Warehouse

• Spécificités d'un Data Warehouse
• Variantes architecturales d'un Data Warehouse (ETL, intégrateurs, magasins de données...)
• Etapes d'un projet de Data Warehouse
• Data Warehouse On-Premise vs sur le Cloud : solutions technologiques et avantages / inconvénients
• Intégration du Data Warehouse au SI
• Gouvernance du Data Warehouse
• Le Data Warehouse au service des Data Scientists

Exemples de travaux pratiques (à titre indicatif)

• Déploiement d'un Data Warehouse sur le Cloud et exécution d'analytics

Architecture d'un lakehouse

• Spécificités d'un Data Lakehouse : le meilleur de deux mondes
• Variantes architecturales d'un lakehouse
• Etapes d'un projet de Data Lakehouse
• Offres de lakehouses sur le Cloud
• Intégration du lakehouse au SI
• Gouvernance du lakehouse
• Le lakehouse au service des Data Scientists

Exemples de travaux pratiques (à titre indicatif)

• Déploiement d'un lakehouse sur le Cloud et exécution d'analytics

Architectures de streaming

• L'intérêt du streaming
• Streaming ingest (ETL, ELT, Insert, IoT, Sink)
• Tableaux de bord en temps réel, live querying
• Analytics de traitement de flux de données
• Apprentissage d'un modèle sur des données en streaming
• Démonstration d'analytics sur un flux de données

Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

Modalités d’évaluation des acquis

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation