Formation IA Microsoft

Leçon 1 • Ce qu'est l'IA et comment elle fonctionne

Couvre les définitions de base de l'IA, la différence entre l'IA, l'apprentissage automatique et l'apprentissage profond, ainsi que des analogies tirées du monde réel. Établit un vocabulaire commun utilisé tout au long du cours.

Leçon 2 • Historique et évolution de l'IA

Retrace l'IA des premiers systèmes symboliques aux réseaux de neurones modernes. Fournit le contexte expliquant pourquoi les outils Microsoft actuels existent et comment ils ont évolué.

Leçon 3 • Concepts et terminologie clés de l'IA

Définit les données d'entraînement, les modèles, l'inférence, les jetons et les incorporations. Ces termes reviennent dans chaque chapitre subséquent et doivent être intégrés tôt.

Leçon 4 • Principes d'IA responsable

Présente les six principes d'IA responsable de Microsoft et leurs implications pratiques. Établit la base éthique appliquée dans tous les chapitres pratiques ultérieurs.

Leçon 1 • Services de langage et de texte Azure

Explore l'analyse des sentiments, la reconnaissance d'entités, l'extraction d'expressions clés et la traduction. Relie les capacités d'IA textuelle au traitement de documents et aux scénarios de rétroaction client.

Leçon 2 • Services de vision Azure

Couvre l'analyse d'image, l'OCR, la détection de visages et les modèles de vision personnalisée. Les étudiants intègrent les API de vision dans des flux de travail d'exemple pour extraire des données structurées à partir d'images.

Leçon 3 • Recherche Azure AI et exploration de connaissances

Présente la recherche cognitive, les ensembles de compétences et les magasins de connaissances pour extraire des informations à partir de données non structurées. Fait le pont entre l'ingestion de données brutes et la récupération intelligente.

Leçon 4 • Services de reconnaissance vocale Azure

Couvre les API de reconnaissance vocale, de synthèse vocale et de reconnaissance du locuteur. Les étudiants créent une interaction vocale de base à l'aide du SDK Azure Speech.

Leçon 1 • Surveillance et réentraînement des modèles

Présente la détection de dérive des données, la surveillance du rendement des modèles et les déclencheurs de réentraînement automatisés. Garantit que les modèles déployés restent précis au fil du temps.

Leçon 2 • Préparation et gestion des données

Enseigne l'ingestion, le profilage, le nettoyage et le versionnage des jeux de données dans Azure ML. Des données propres et versionnées sont la condition préalable à un entraînement reproductible des modèles.

Leçon 3 • Configuration de l'espace de travail Azure Machine Learning

Couvre la création d'espaces de travail, les cibles de calcul, les magasins de données et l'interface Studio. Établit l'environnement utilisé pour toutes les expériences d'apprentissage automatique de ce chapitre.

Leçon 4 • Évaluation et déploiement de modèles

Couvre les métriques d'évaluation, l'enregistrement des modèles et le déploiement de points de terminaison en temps réel ou par lots. Les étudiants publient un point de terminaison REST fonctionnel et le testent avec des données d'exemple.

Leçon 5 • Entraînement de modèles avec Automated ML

Utilise AutoML pour exécuter automatiquement des expériences de classification, de régression et de prévision. Les étudiants interprètent les résultats d'AutoML et sélectionnent le modèle le plus performant.

Leçon 1 • Accès au service Azure OpenAI

Couvre le provisionnement, le déploiement de modèles et l'authentification API dans Azure OpenAI. Les étudiants effectuent leur premier appel API et inspectent les structures de demande et de réponse.

Leçon 2 • Réglage fin et personnalisation

Couvre les flux de travail de réglage fin, la préparation des fichiers d'entraînement et l'évaluation des modèles affinés. Les étudiants comprennent quand le réglage fin surpasse la simple ingénierie de requêtes.

Leçon 3 • Introduction aux modèles de langage de grande taille

Explique l'architecture du transformeur, la tokenisation et comment les LLM génèrent du texte. Fournit les bases conceptuelles nécessaires pour utiliser efficacement Azure OpenAI.

Leçon 4 • Techniques d'ingénierie de requêtes

Enseigne les stratégies de requêtes à zéro exemple, à quelques exemples, de chaîne de pensée et de message système. L'efficacité des requêtes détermine directement la qualité des résultats pour toutes les applications en aval.

Leçon 1 • Copilot dans les applications Microsoft 365

Présente les fonctionnalités de Copilot dans Word, Excel, PowerPoint, Outlook et Teams. Les étudiants pratiquent des requêtes qui automatisent des tâches de rédaction, de résumé et d'analyse de données.

Leçon 2 • Extension de Copilot avec des plugins

Couvre le développement de plugins, l'intégration de connecteurs et la configuration d'actions API dans Copilot Studio. Les plugins permettent à Copilot de récupérer des données en direct et d'exécuter des actions externes.

Leçon 3 • Architecture de Microsoft Copilot

Explique comment Copilot connecte Microsoft Graph, les LLM et le contexte de l'application pour générer des réponses. Comprendre l'architecture aide les utilisateurs à formuler de meilleures requêtes et à définir leurs attentes.

Leçon 4 • Notions de base de Microsoft Copilot Studio

Présente l'environnement sans code pour créer des agents et des sujets Copilot personnalisés. Les étudiants créent un agent fonctionnel qui traite une question métier définie.

Leçon 1 • Aperçu et modèles AI Builder

Passe en revue les modèles AI Builder préconstruits et personnalisés, y compris le traitement de formulaires, la prédiction et la détection d'objets. Les étudiants identifient quel type de modèle convient à un scénario d'automatisation donné.

Leçon 2 • Modèles de prédiction dans Power Apps

Construit un modèle de prédiction binaire et affiche les résultats dans une application Power App canevas. Les étudiants connectent la sortie du modèle à la logique de l'application pour un support décisionnel basé sur les données.

Leçon 3 • Copilot dans Power Platform

Présente la création d'applications et de flux en langage naturel à l'aide de Copilot dans Power Apps et Power Automate. Les étudiants créent une application fonctionnelle en décrivant les exigences en langage simple.

Leçon 4 • Traitement de formulaires et IA documentaire

Entraîne un modèle de traitement de formulaires pour extraire des champs de factures ou de contrats. Se connecte directement à Power Automate pour l'acheminement automatisé des documents et la saisie de données.

Leçon 1 • Environnement Azure AI Studio

Présente le modèle de hub, de projet et de ressource dans Azure AI Studio. Les étudiants configurent un projet connecté à Azure OpenAI, AI Search et aux ressources de stockage.

Leçon 2 • Déploiement et surveillance d'applications d'IA

Déploie une solution Prompt Flow comme point de terminaison en ligne géré et configure la surveillance. Relie les pratiques de déploiement des chapitres précédents à un flux de travail prêt pour la production.

Leçon 3 • Développement Prompt Flow

Construit des flux d'orchestration à l'aide de nœuds Prompt Flow pour les appels LLM, les outils Python et la recherche. Les étudiants créent un flux en plusieurs étapes qui traite les entrées utilisateur de bout en bout.

Leçon 4 • Catalogue et sélection de modèles

Explore le catalogue de modèles, y compris les modèles OpenAI, Meta, Mistral et Hugging Face. Les étudiants appliquent des critères de sélection basés sur le type de tâche, le coût et les exigences de latence.

Leçon 1 • Stratégie de données pour l'IA à grande échelle

Aborde la gouvernance des données, les concepts de maillage de données et la conception de plateformes de données d'entreprise pour l'IA. Une stratégie de données solide est la condition préalable à des systèmes d'IA évolutifs et dignes de confiance.

Leçon 2 • Mise en place d'un centre d'excellence en IA

Définit les rôles, le modèle de fonctionnement et la structure de gouvernance d'un centre d'excellence en IA. Les étudiants rédigent une charte de CdE alignée sur le niveau de maturité en IA de leur organisation.

Leçon 3 • Cadres de gouvernance de l'IA

Couvre la gestion des risques liés aux modèles, les pistes de vérification, les exigences d'explicabilité et les structures de politiques. Les cadres de gouvernance protègent les organisations contre les risques réglementaires et de réputation.

Leçon 4 • Gestion du changement et adoption de l'IA

Couvre la mobilisation des parties prenantes, le perfectionnement des compétences de la main-d'œuvre et la gestion de la résistance pour les déploiements d'IA. L'adoption organisationnelle détermine si une IA techniquement solide apporte une valeur commerciale.