Concevoir, développer et déployer une architecture microservices à base d'Intelligence Artificielle (IA)

Jour 1

Introduction aux architectures microservices

• Pourquoi les microservices ?
• Flexibilité
• Scalabilité
• Résilience
• Aisance de déploiement
• Qualité de service
• Microservices, agilité, et DevOps / MLOps / IAOps
• Technologies Cloud et microservices
• Conteneurisation, orchestration, IaC
• Modèles architecturaux : service-driven vs event-driven vs domain-driven
• Refactoring du monolithe
• Décomposition des fonctions
• Données
• Requêtes
• Points sensibles des AMS et comment les maîtriser
• Expérience des développeurs
• Surcharge technologique
• Diagnostic et dépannage
• Sécurité
• Technologies DevOps
• Kubernetes
• Docker
• Ansible
• Terraform
• Jenkins
• Technologies MLOps / IAOps
• MLflow
• Kubeflow
• Services Cloud
• Plateformes d'analytics
• Apports de l'IA à une AMS

Exemples de travaux pratiques (à titre indicatif)

• Prise en main d'Azure
• Conception d'une AMS
• Prise en main des outils DevOps et MLOps / IAOps
• Déploiement de l'AMS avec des microservices simples, puis ajout de fonctionnalités à base d'IA

Jour 2

Fondamentaux de l'IA

• Qu'est-ce que l'IA ?
• Similarités et différences entre l'IA et le développement d'applications traditionnelles
• Machine Learning vs Deep Learning
• 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 Azure
• Les différents services d'Azure
• Cognitive Services
• OpenAI

Exemples de travaux pratiques (à titre indicatif)

• Prise en main d'Azure Cognitives Services
• Création d'une application de reconnaissance d'images

Jour 3

Exemples de travaux pratiques (à titre indicatif) - Suite

• Prise en main d'Azure OpenAI, création d'une application à base de GPT-4
• Enrichissement de l'AMS déployée avec des fonctionnalités IA avancées

Approfondissement des API Azure Cognitive Services

• Modèles disponibles via l'API Cognitives Services
• Analyser des images et vidéos avec l'API Vision
• Traduire en temps réel dans votre application avec l'API Speech
• Obtenir du sens de textes et de modèles non-structurés avec l'API Language
• Ajouter des fonctionnalités de recherche dans votre application avec l'API Web Search
• Prendre des meilleures décisions dans votre application avec l'API Decision

Exemples de travaux pratiques (à titre indicatif)

• Développement d'applications microservices de vision par ordinateur pour le contrôle qualité, de reconnaissance vocale (speech-to-text), ou de modération de contenu

Jour 4

Approfondissement des API Azure OpenAI

• Modèles disponibles via l'API OpenAI
• Prise en main des modèles avec Playground Premiers pas avec la librairie Python d'OpenAI
• Utilisation de ChatGPT et GPT-4 : options d'inputs et résultat d'output
• Utilisation d'autres modèles de complétion de texte
• Maîtriser l'édition de texte avec GPT
• Les modèles de modération
• Aspects coûts
• Aspects sécurité et confidentialité

Exemple de travaux pratiques (à titre indicatif)

• Développement d'applications NLP à base de GPT

Jour 5

Déploiement et maintenance d'une AMS à base d'IA en environnement de production

• Introduction à DevOps / MLOps / IAOps
• Le pipeline CI : l'intégration continue
• Le pipeline CD : le déploiement continu
• Le pipeline CT : l'apprentissage continu
• Microservices, agilité, et DevOps / MLOps / IAOps
• Technologies Cloud et microservices
• Conteneurisation, orchestration, IaC

Exemples de travaux pratiques (à titre indicatif)

• Déploiement, surveillance, et réapprentissage d'un modèle IA avec les pipelines CI-CD-CT

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