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

Qualiopi
À partir de 2550 €
Durée 21h en 3 jours
Localisation Partout en France
Logo de M2I - Architectures de données (data architecture) pour le Machine Learning et l'Intelligence Artificielle (IA)

Proposé par

M2I

Prérequis

Avoir des connaissances en SI (Systèmes d'Information) et en bases de données.

Public admis

  • Salarié en Poste
  • Entreprise

Demandeur d'emploi et Etudiant non admis

Financement

  • Votre OPCO
  • Financement personnel

Financement CPF non pris en charge

Modalités

  • En centre
  • À distance

Objectifs pédagogiques

A l'issue de cette formation, vous serez capable de :

  • Concevoir une plateforme "Cloud-native" ou hybride pour le Machine Learning et l'IA (Intelligence Artificielle)
  • Consolider les actifs Data de l'organisation data-driven dans une seule plateforme
  • Démocratiser l'accès aux données et permettre aux équipes métier de produire des modèles de ML (Machine Learning) et d'IA en self-service
  • Automatiser la prise de décision dans l'organisation grâce à des pipelines de streaming
  • Ajouter des capabilités prédictives et prescriptives aux capabilités descriptives de la BI (Business Intelligence).

Programme de la formation

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
Logo de M2I - Formation Architectures de données (data architecture) pour le Machine Learning et l'Intelligence Artificielle (IA)

Proposé par

M2I

"Un leadership dans le domaine de la formation"

Voir la fiche entreprise
À partir de 2550 €
Logo de M2I - Architectures de données (data architecture) pour le Machine Learning et l'Intelligence Artificielle (IA)

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

0 ville proposant cette formation
Logo

La 1ère plateforme pour trouver une formation, choisir son orientation ou construire son projet de reconversion.

© 2024 France Carrière. Tous droits réservés.