Étude de guide pour la certification AI-102 : Conception et mise en œuvre d'une solution Microsoft Azure AI

Aperçu de l'examen

• Certification : Associé Azure AI Engineer de Microsoft
• Code d'examen : AI-102
• Public cible : Ingénieurs IA construisant, gérant et déployant des solutions IA sur Azure
• Expérience requise : Développement Python ou C#, API/SDK REST, principes d'IA responsable

Compétences évaluées (à compter du 30 avril 2025)

1. Planifier et gérer une solution IA Azure (20-25 %)

Sélectionner les services appropriés de la plateforme IA Azure

• Sélectionner le service pour une solution d'IA générative
• Sélectionner le service pour une solution de vision par ordinateur
• Sélectionner le service pour une solution de traitement du langage naturel
• Sélectionner le service pour une solution vocale
• Sélectionner le service pour une solution d'extraction d'informations
• Sélectionner le service pour une solution d'exploration des connaissances

Planifier, créer et déployer un service de la plateforme IA Azure

• Planifier une solution respectant les principes d'IA responsable
• Créer une ressource IA Azure
• Choisir les modèles IA appropriés
• Déployer les modèles IA en utilisant les options de déploiement appropriées
• Installer et utiliser les SDK et API
• Déterminer le point de terminaison par défaut du service
• Intégrer les services de la plateforme IA Azure dans un pipeline CI/CD
• Planifier et mettre en œuvre le déploiement de conteneurs

Gérer, surveiller et sécuriser un service de la plateforme IA Azure

• Surveiller la ressource IA Azure
• Gérer les coûts des services de la plateforme IA Azure
• Gérer et protéger les clés de compte
• Gérer l'authentification pour la ressource de service de la plateforme IA Azure

Mettre en œuvre des solutions IA de manière responsable

• Mettre en œuvre des solutions de modération du contenu
• Configurer les informations d'IA responsable (sécurité du contenu)
• Mettre en œuvre l'IA responsable (filtres de contenu, listes de blocage)
• Prévenir les comportements nuisibles (boucliers de suggestions, détection des dommages)
• Concevoir un cadre de gouvernance d'IA responsable

2. Mettre en œuvre des solutions d'IA générative (15-20 %)

Créer des solutions d'IA générative avec la plateforme IA Azure

• Planifier et se préparer pour une solution d'IA générative
• Déployer un hub, un projet et des ressources avec la plateforme IA Azure
• Déployer le modèle d'IA générative approprié
• Mettre en œuvre une solution de flow de suggestions
• Mettre en œuvre le modèle RAG en ancrant le modèle dans les données
• Évaluer les modèles et les flows
• Intégrer le projet dans une application avec le SDK de la plateforme IA Azure
• Utiliser des modèles de suggestions

Utiliser Azure OpenAI dans les modèles de la plateforme

• Provisionner Azure OpenAI dans la ressource Modèles de la plateforme IA
• Sélectionner et déployer le modèle Azure OpenAI
• Soumettre des suggestions pour générer du code et du langage naturel
• Utiliser le modèle DALL-E pour générer des images
• Intégrer Azure OpenAI dans des applications
• Utiliser des modèles multimodaux de grande taille
• Mettre en œuvre l'assistant Azure OpenAI

Optimiser et opérationnaliser une solution d'IA générative

• Configurer les paramètres pour contrôler le comportement génératif
• Configurer la surveillance et les diagnostics des modèles
• Optimiser et gérer les ressources de déploiement
• Activer la trace et recueillir les commentaires
• Mettre en œuvre la réflexion des modèles
• Déployer des conteneurs pour les appareils locaux et périphériques
• Mettre en œuvre l'orchestration de plusieurs modèles d'IA générative
• Appliquer des techniques d'ingénierie des suggestions
• Affiner les modèles génératifs

3. Mettre en œuvre une solution agentique (5-10 %)

Créer des agents personnalisés

• Comprendre le rôle et les cas d'utilisation des agents
• Configurer les ressources pour construire des agents
• Créer un agent avec le service Azure AI Foundry Agent
• Mettre en œuvre des agents complexes avec Semantic Kernel et Autogen
• Mettre en œuvre des workflows complexes (orchestration, multi-agent, autonome)
• Tester, optimiser et déployer des agents

4. Mettre en œuvre des solutions de vision par ordinateur (10-15 %)

Analyser les images

• Sélectionner les caractéristiques visuelles pour le traitement des images
• Détecter les objets et générer des étiquettes d'image
• Inclure des fonctionnalités d'analyse d'image dans les requêtes de traitement
• Interpréter les réponses de traitement des images
• Extraire le texte des images à l'aide d'Azure AI Vision
• Convertir le texte manuscrit

Mettre en œuvre des modèles de vision personnalisée

• Choisir entre la classification d'images et la détection d'objets
• Étiqueter les images
• Entraîner des modèles d'images personnalisés
• Évaluer les métriques des modèles de vision personnalisée
• Publier des modèles de vision personnalisée
• Consommer des modèles de vision personnalisée
• Créer des modèles de vision personnalisée de manière programmatique

Analyser les vidéos

• Utiliser Azure AI Video Indexer pour les insights sur les vidéos/flux en direct
• Utiliser Azure AI Vision Spatial Analysis pour la détection et le mouvement des personnes

5. Mettre en œuvre des solutions de traitement du langage naturel (15-20 %)

Analyser et traduire du texte

• Extraire les phrases et entités clés
• Déterminer le sentiment du texte
• Détecter la langue
• Détecter les informations d'identification personnelle (PII)
• Traduire des textes et des documents à l'aide d'Azure AI Translator

Traiter et traduire la parole

• Intégrer des capacités de parole d'IA générative
• Mettre en œuvre la conversion texte-parole et parole-texte
• Améliorer la conversion texte-parole à l'aide du SSML
• Mettre en œuvre des solutions vocales personnalisées
• Mettre en œuvre la reconnaissance d'intentions et de mots-clés
• Traduire la parole-parole et la parole-texte

Mettre en œuvre des modèles de langage personnalisés

• Créer des intentions, des entités et des énoncés
• Entraîner, évaluer, déployer et tester des modèles de compréhension du langage
• Optimiser, sauvegarder et récupérer des modèles
• Consommer des modèles de langage à partir d'applications clientes
• Créer des projets de questions-réponses personnalisés
• Ajouter des paires de questions-réponses et importer des sources
• Entraîner, tester et publier des bases de connaissances
• Créer des conversations à plusieurs tours
• Ajouter des formulations alternatives et du bavardage
• Exporter des bases de connaissances
• Créer des solutions de questions-réponses multilingues
• Mettre en œuvre une traduction personnalisée

6. Mettre en œuvre des solutions d'exploration des connaissances et d'extraction d'informations (15-20 %)

Mettre en œuvre une solution Azure AI Search

• Provisionner la ressource Azure AI Search
• Créer un index et définir un ensemble de compétences
• Créer des sources de données et des indexeurs
• Mettre en œuvre des compétences personnalisées dans les ensembles de compétences
• Créer et exécuter des indexeurs
• Interroger l'index (syntaxe, tri, filtrage, caractères génériques)
• Gérer les projections du magasin de connaissances

Mettre en œuvre des solutions de magasin sémantique et vectoriel

• Configurer la recherche sémantique
• Mettre en œuvre la recherche vectorielle
• Approches de recherche hybrides

Mettre en œuvre une solution Azure AI Document Intelligence

• Provisionner la ressource Document Intelligence
• Utiliser des modèles prêts à l'emploi pour l'extraction de données
• Mettre en œuvre des modèles d'intelligence documentaire personnalisés
• Entraîner, tester et publier des modèles personnalisés
• Créer des modèles d'intelligence documentaire composés

Extraire des informations avec Azure AI Content Understanding

• Créer un pipeline OCR pour l'extraction de texte
• Résumer, classer et détecter les attributs des documents
• Extraire des entités, des tableaux et des images
• Traiter et ingérer divers types de contenu

Principaux services IA Azure

Service Azure OpenAI

• Modèles GPT (GPT-4, GPT-3.5)
• DALL-E pour la génération d'images
• Modèles d'embeddings
• API de complétion de conversation
• Appel de fonction

Azure AI Vision

• Analyse d'image
• OCR (API Read)
• Vision personnalisée
• API Face
• Video Indexer
• Analyse spatiale

Azure AI Language

• Analyse de texte
• Compréhension du langage (LUIS)
• Questions-Réponses
• Traducteur
• Reconnaissance d'entités nommées personnalisée

Azure AI Speech

• Parole-Texte
• Texte-Parole
• Traduction vocale
• Reconnaissance du locuteur
• Parole personnalisée

Azure AI Document Intelligence

• Modèles prêts à l'emploi (factures, reçus, pièces d'identité)
• Modèles d'extraction personnalisés
• API de mise en page
• Modèle de document général

Azure AI Search

• Recherche en texte intégral
• Recherche sémantique
• Recherche vectorielle
• Enrichissement IA
• Exploration des connaissances

Concepts importants

IA responsable

• Équité : Éviter les biais
• Fiabilité et sécurité : Performances cohérentes
• Confidentialité et sécurité : Protection des données
• Inclusivité : Accessible à tous
• Transparence : IA explicable
• Responsabilité : Supervision humaine

Modèles d'IA générative

• RAG (Retrieval Augmented Generation)

  • Ancrer les modèles dans vos données
  • Réduire les hallucinations
  • Fournir un contexte

• Ingénierie des suggestions

  • Messages système
  • Apprentissage peu gourmand en données
  • Chaîne de réflexion
  • Température et top-p

Architecture des agents

• Agent unique : Un agent IA gérant les tâches
• Multi-agent : Agents spécialisés multiples
• Orchestration : Coordination des actions des agents
• Autonome : Agents autodirectionnels

Outils de développement

SDK

• SDK Azure pour Python
• SDK Azure pour .NET
• SDK Azure pour JavaScript
• SDK Azure pour Java

API REST

• Authentification (clés d'API, Azure AD)
• Formats de requête/réponse
• Limitation du débit
• Gestion des erreurs

Environnements de développement

• Azure AI Studio
• Visual Studio Code
• Blocs-notes Jupyter
• Azure Machine Learning

Meilleures pratiques

Sécurité

• Utiliser des identités managées
• Faire pivoter les clés d'API régulièrement
• Mettre en œuvre l'isolation réseau
• Activer la journalisation des diagnostics
• Utiliser Azure Key Vault

Performances

• Mettre en œuvre la mise en cache
• Utiliser le traitement par lots pour les opérations en bloc
• Configurer le niveau/SKU approprié
• Surveiller les quotas et les limites
• Optimiser la longueur des suggestions

Gestion des coûts

• Choisir le niveau tarifaire approprié
• Surveiller l'utilisation et les coûts
• Mettre en œuvre des stratégies de mise en cache
• Utiliser les engagements de niveau pour les charges de travail prévisibles
• Supprimer les ressources inutilisées

Ressources d'étude

Microsoft Learn officiel

• Parcours d'apprentissage AI-102
• Documentation sur les services IA Azure
• Laboratoires pratiques
• Évaluations de pratique

Pratique pratique

• Compte Azure gratuit
• Azure AI Studio
• Applications d'exemple
• Dépôts GitHub

Ressources communautaires

• Forums Microsoft Q&A
• Communauté technologique IA/ML
• Vidéos de l'émission AI
• Documentation et tutoriels

Détails de l'examen

• Note de passage : 700
• Format des questions : Choix multiple, études de cas, glisser-déposer
• Durée de l'examen : 120 minutes (150 minutes pour les non-anglophones)
• Langues disponibles : Plusieurs langues
• Coût de l'examen : 165 $ USD (varie selon la région)

Parcours de certification

• Prérequis : Expérience en développement, connaissances des API REST
• Renouvellement : Requis tous les 12 mois via Microsoft Learn
• Certifications connexes :
  • Associé Azure Data Scientist (DP-100)
  • Expert Azure Solutions Architect (AZ-305)
  • Associé Azure Developer (AZ-204)