Formation IA Microsoft

Leçon 1 • Qu'est-ce que l'IA et comment elle fonctionne

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

Leçon 2 • Histoire et évolution de l'IA

Retrace l'IA des premiers systèmes symboliques aux réseaux de neurones modernes. Fournit le contexte permettant de comprendre 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 intégrations. Ces termes reviennent dans chaque chapitre suivant et doivent être intégrés dès le début.

Leçon 4 • Principes d'une IA responsable

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

Leçon 1 • Services Azure de langage et de texte

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

Leçon 2 • Services Azure Computer Vision

Couvre l'analyse d'images, l'OCR, la détection des 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 des 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 Azure Speech

Couvre les API de reconnaissance vocale, de synthèse vocale et de reconnaissance du locuteur. Les étudiants construiront une interaction vocale de base en utilisant le kit SDK Azure Speech.

Leçon 1 • Surveillance et réentraînement des modèles

Présente la détection de la dérive des données, la surveillance des performances 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'espace 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 requête 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 est plus performant que le simple prompt engineering.

Leçon 3 • Introduction aux modèles de langage étendus

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

Leçon 4 • Techniques de prompt engineering

Enseigne les stratégies de prompt zero-shot, few-shot, chaîne de pensée et de prompt système. Un prompt efficace détermine directement la qualité de la sortie pour toutes les applications en aval.

Leçon 1 • Copilot dans les applications Microsoft 365

Démontre les fonctionnalités de Copilot dans Word, Excel, PowerPoint, Outlook et Teams. Les étudiants s'entraînent à utiliser des invites qui automatisent les tâches de rédaction, de synthèse et d'analyse de données.

Leçon 2 • Extension de Copilot avec des plug-ins

Couvre le développement de plug-ins, l'intégration de connecteurs et la configuration d'actions API dans Copilot Studio. Les plug-ins 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. La compréhension de l'architecture aide les utilisateurs à formuler de meilleures invites et à définir des attentes.

Leçon 4 • Principes de base de Microsoft Copilot Studio

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

Leçon 1 • Présentation et modèles d'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 correspond à un scénario d'automatisation donné.

Leçon 2 • Modèles de prédiction dans Power Apps

Crée un modèle de prédiction binaire et affiche les résultats dans une application canvas Power App. Les étudiants connectent la sortie du modèle à la logique de l'application pour une aide à la décision basée sur les données.

Leçon 3 • Copilot dans Power Platform

Démontre 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 courant.

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 des applications IA

Déploie une solution Prompt Flow sous forme de point de terminaison géré en ligne 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

Crée 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 l'entrée utilisateur de bout en bout.

Leçon 4 • Catalogue et sélection de modèles

Explorez 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

Abordez la gouvernance des données, les concepts de data mesh 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 • Création d'un centre d'excellence IA

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

Leçon 3 • Cadres de gouvernance de l'IA

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

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

Couvrez la mobilisation des parties prenantes, la montée en compétences des effectifs et la gestion de la résistance pour les déploiements de l'IA. L'adoption organisationnelle détermine si une IA techniquement solide apporte une valeur métier.