Les architectures microservices offrent la flexibilite et la scalabilite necessaires pour deployer des modeles d’IA en production a grande echelle. Cette formation de cinq jours vous guide de la conception a la mise en production, en integrant Kubernetes, Docker, les API Azure Cognitive Services et OpenAI, avec les pratiques MLOps et CI/CD pour maintenir vos modeles dans la duree.
Public visé
Développeurs, Data Scientists, analystes de données, ingénieurs Data, ingénieurs DevOps, chefs de projets, Product Managers IA, consultants BI/Big Data.
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Décrire les avantages des architectures microservices et leur valeur ajoutée
- Développer et tester des architectures selon les meilleures pratiques
- Migrer des applications monolithiques
- Décrire le cycle de vie avec agilité et DevOps/MLOps/IAOps
Programme
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
Travaux pratiques
- 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
Travaux pratiques
- Prise en main d’Azure Cognitives Services
- Création d’une application de reconnaissance d’images
Jour 3
Travaux pratiques
- 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
Travaux pratiques
- 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
Travaux pratiques
- 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
Travaux pratiques
- Déploiement, surveillance, et réapprentissage d’un modèle IA avec les pipelines CI-CD-CT
Modalités d’évaluation des acquis
En cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation.
Voir aussi
Vous serez peut-être intéressés par les formations suivantes :
- Développer des microservices
- AWS - Developing Generative AI Applications
- IA et architecture Cloud applicative
- Déployer une IA open source en local
Formation EAI-MICRO-100 — Architecture microservices à base d’IA. Domaine : Intelligence Artificielle. Niveau : Initiation. Durée : 5 jours (35 heures). Mots-clés : intelligence-artificielle, microservices, devops, mlops, kubernetes, docker. Cylian Formation, Dijon.