Formation Training Challenge
Formation Training Challenge
Formation Training Challenge
Microsoft Azure est une plateforme de cloud computing offrant un ensemble croissant de services
pour vous aider à créer des solutions répondant à vos objectifs commerciaux. Les services Azure
prennent en charge tous les aspects, du plus simple au plus complexe. Azure propose des services
web simples pour héberger votre présence commerciale dans le Cloud. mais prend également en
charge la gestion de solutions logicielles personnalisées sur des ordinateurs entièrement
virtualisés. Azure offre une multitude de services basés sur le Cloud, tels que le stockage distant,
l'hébergement de bases de données et la gestion centralisée de comptes. Azure propose également
de nouvelles fonctionnalités axées sur l'intelligence artificielle (IA) et l'Internet des objets (IoT).
Le cloud computing consiste à fournir des services informatiques sur Internet. Les services
informatiques comprennent l’infrastructure informatique courante, telle que les machines
virtuelles, le stockage, les bases de données et le réseau. Les services cloud étendent également
les offres informatiques classiques pour inclure des éléments tels que l’IoT (Internet des objets),
le ML (machine learning) et l’IA (intelligence artificielle).
Dans la mesure où le cloud computing utilise Internet pour fournir ces services, il n’est pas
contraint par une infrastructure physique de la même manière qu’un centre de données classique.
Cela signifie que si vous avez besoin d'augmenter rapidement votre infrastructure informatique,
vous n'avez pas besoin d'attendre de construire un nouveau centre de données. Vous pouvez
utiliser le cloud pour étendre rapidement votre empreinte informatique.
Les services sont en lignes et le stockage peut être ajusté en fonction des besoins.
Les entreprises qui gèrent ce système s’assure des mises à jour et du
fonctionement du système.
Vous avez peut-être entendu parler du modèle de responsabilité partagée, mais vous ne
comprenez peut-être pas ce que cela signifie ou comment cela affecte l'informatique en nuage.
Avec le modèle de responsabilité partagée, ces responsabilités sont partagées entre le fournisseur
de services Cloud et le client. La sécurité physique, l'alimentation électrique, le refroidissement et
la connectivité réseau sont de la responsabilité du fournisseur de services Cloud. Le client n'est
pas colocalisé avec le centre de données, il n'aurait donc aucun sens pour lui d'avoir ces
responsabilités.
Dans le même temps, le client est responsable des données et des informations stockées dans le
cloud. (Vous ne souhaitez pas que le fournisseur de cloud puisse lire vos informations.) Le client
est également responsable de la sécurité d’accès, ce qui signifie que vous donnez l’accès
uniquement à ceux qui en ont besoin.
Ensuite, pour certaines choses, la responsabilité dépend de la situation. Si vous utilisez une base
de données SQL cloud, le fournisseur de services Cloud est responsable de la maintenance de la
base de données réelle. Toutefois, vous restez responsable des données ingérées dans la base de
données. Si vous avez déployé une machine virtuelle et installé une base de données SQL sur
celle-ci, vous seriez responsable des patchs et des mises à jour de la base de données ainsi que de
la maintenance des données et des informations stockées dans la base de données.
Avec un centre de données local, vous seriez responsable de tout. Avec le cloud computing, ces
responsabilités changent. Le modèle de responsabilité partagée est fortement lié aux types de
service cloud (couverts plus loin dans ce parcours d’apprentissage) : IaaS (infrastructure as a
service), PaaS (platform as a service) et SaaS (software as a service). Le type de service IaaS
place la majeure partie des responsabilités entre les mains du consommateur, le fournisseur de
cloud étant responsable de la sécurité physique, de l’alimentation électrique et de la connectivité
au niveau de base. À l’autre extrémité du spectre, le type de service SaaS place la majeure partie
des responsabilités entre les mains du fournisseur de services Cloud. Le type de service PaaS, qui
est un intermédiaire entre l’IaaS et le SaaS, se situe quelque part au milieu et répartit
uniformément les responsabilités entre le fournisseur de cloud et le client.
Lorsque vous utilisez un fournisseur de cloud, vous restez responsable des opérations suivantes :
Systèmes d’exploitation
Contrôles de réseau
Applications
Identité et infrastructure
Cloud privé
Commençons par le cloud privé. Un cloud privé est, à certains égards, l’évolution naturelle d’un
centre de données d’entreprise. Il s’agit d’un cloud (fournissant des services informatiques sur
Internet) qui est utilisé par une seule entité. Le cloud privé offre un contrôle beaucoup plus
important à l’entreprise et à son service informatique. Toutefois, il implique également plus de
coûts et moins d’avantages par rapport à un déploiement de cloud public. Enfin, un cloud privé
peut être hébergé dans votre centre de données local. Il peut également être hébergé dans un
centre de données dédié hors site, notamment par un tiers qui le réserve exclusivement à votre
entreprise.
Cloud public
Un cloud public est créé, contrôlé et géré par un fournisseur de cloud tiers. Avec un cloud public,
toute personne qui souhaite acheter des services cloud peut accéder aux ressources et les utiliser.
La disponibilité publique générale est une différence clé entre le cloud public et le cloud privé.
Cloud hybride
Un cloud hybride est un environnement informatique qui utilise à la fois les clouds public et privé
dans un environnement interconnecté. Un environnement de cloud hybride peut permettre à un
cloud privé de répondre à une demande temporaire accrue via le déploiement de ressources de
cloud public. Le cloud hybride peut être utilisé pour fournir une couche de sécurité
supplémentaire. Par exemple, les utilisateurs ont toute latitude pour choisir les services à
conserver dans le cloud public, et ceux à déployer sur leur infrastructure de cloud privé.
Le tableau suivant met en évidence quelques aspects comparatifs clés entre les modèles de cloud.
Multi-cloud
Un quatrième scénario, de plus en plus probable, est un scénario multicloud. Dans un scénario
multicloud, vous utilisez plusieurs fournisseurs de cloud public. Vous utilisez peut-être
différentes fonctionnalités de divers fournisseurs de cloud. Ou vous avez peut-être commencé
votre parcours vers le cloud avec un fournisseur, et vous êtes en train de migrer vers un autre
fournisseur. Quoi qu’il en soit, dans un environnement multicloud, vous disposez de deux (ou
plus) fournisseurs de cloud public, et vous gérez les ressources ainsi que la sécurité dans les deux
environnements.
Azure Arc
Azure Arc est un ensemble de technologies qui vous permettent de gérer votre environnement
cloud. Azure Arc peut vous aider à gérer votre environnement cloud, qu’il s’agisse d’un cloud
public uniquement sur Azure, d’un cloud privé dans votre centre de données, d’une configuration
hybride, voire d’un environnement multicloud s’exécutant sur plusieurs fournisseurs de cloud à la
fois.
Les CapEx sont généralement des dépenses uniques et initiales pour l’achat ou la sécurisation de
ressources tangibles. L'achat d'un nouveau bâtiment, le repavage du parking, la construction d'un
centre de données ou l'achat d'un véhicule d'entreprise sont des exemples de CapEx.
En revanche, l'OpEx consiste à dépenser de l'argent sur des services ou des produits au fil du
temps. La location d’un centre de conventions, le crédit-bail d’un véhicule de société ou
l’abonnement à des services cloud sont autant d’exemples d’OpEx.
Le cloud computing relève des OpEx, car il fonctionne selon un modèle basé sur la
consommation. Avec le cloud computing, vous ne payez pas pour l’infrastructure physique,
l’électricité, la sécurité ou tout ce qui est associé à la maintenance d’un centre de données. À la
place, vous payez pour les ressources informatiques que vous utilisez. Si vous n’utilisez aucune
ressource informatique ce mois-ci, vous ne payez pas pour ces dernières.
Avec un centre de données classique, vous essayez d’estimer les besoins futurs en ressources. En
cas de surestimation de vos calculs, vous dépensez plus que nécessaire pour votre centre de
données, et vous risquez de perdre de l’argent. En cas de sous-estimation de vos calculs, votre
centre de données atteindra rapidement sa capacité maximale, et vos applications et services
risquent de souffrir d’une baisse de performances. La correction d’un centre de données sous-
dimensionné peut prendre beaucoup de temps. Vous devrez peut-être commander, recevoir et
installer davantage de matériel. Vous devrez également ajouter de l'alimentation électrique, de la
climatisation et des connexions réseau pour le matériel supplémentaire.
Dans un modèle basé sur le cloud, vous n’avez pas à vous soucier de l’obtention des ressources
nécessaires. Si vous constatez que vous avez besoin de plus de machines virtuelles, ajoutez-en. Si
la demande diminue et si vous n’avez pas besoin d’autant de machines virtuelles, supprimez les
machines selon les besoins. Dans tous les cas, vous ne payez que pour les machines virtuelles que
vous utilisez, et non pour la « capacité supplémentaire » dont dispose le fournisseur de cloud.
Au lieu de maintenir des processeurs et des espaces de stockage dans votre centre de données,
vous les louez pour la durée dont vous en avez besoin. Le fournisseur Cloud s'occupe de la
maintenance de l'infrastructure sous-jacente pour vous. Le Cloud vous permet de résoudre
rapidement vos défis commerciaux les plus difficiles et de proposer des solutions innovantes à
vos utilisateurs.
Décrire les avantages de l’utilisation des services cloud
Durant la création ou le déploiement d’une application cloud, deux des aspects les plus
importants à prendre en compte sont la durée de bon fonctionnement (ou disponibilité) et la
capacité à gérer la demande (ou scalabilité).
Haute disponibilité
Quand vous déployez une application, un service ou une ressource informatique, il est important
que les ressources soient disponibles en cas de besoin. La haute disponibilité vise à garantir une
disponibilité maximale, quels que soient les interruptions ou les événements susceptibles de se
produire.
Quand vous concevez l’architecture de votre solution, vous devez tenir compte des garanties de
disponibilité du service. Azure est un environnement cloud hautement disponible dont les
garanties de durée de bon fonctionnement varient selon le service. Ces garanties font partie des
accords de niveau de service (SLA) (contrats de niveau de service).
Cette courte vidéo décrit les accords de niveau de service (SLA) Azure de manière plus détaillée.
Le contrat inclut les down time. Cela est compliqué car il faut des temps de mises
à jour, des plateformes de secours.
Fiabilité
La fiabilité est la capacité d’un système à reprendre son activité après une défaillance et à
continuer à fonctionner. C'est également l'un des piliers du cadre Microsoft Azure Well-
Architected.
Prévisibilité
La prévisibilité dans le cloud vous permet d’avancer en toute confiance. La prévisibilité peut être
axée sur la prévisibilité des performances ou la prévisibilité des coûts. La prévisibilité des
performances et des coûts est fortement influencée par le cadre Microsoft Azure Well-
Architected. Déployez une solution basée sur cette infrastructure et vous obtiendrez une solution
dont le coût et les performances sont prévisibles.
Performances
La prévisibilité des performances se concentre sur la prédiction des ressources nécessaires pour
offrir une expérience positive à vos clients. La autoscaling, l’équilibrage de charge et la haute
disponibilité sont quelques-uns des concepts Cloud qui prennent en charge la prévisibilité des
performances. Si vous avez soudainement besoin de plus de ressources, la autoscaling peut
déployer des ressources supplémentaires pour répondre à la demande, puis se réduire lorsque la
demande diminue. Ou, si le trafic est fortement concentré dans une zone, l'équilibrage de charge
aidera à rediriger une partie de la surcharge vers des zones moins stressées" in the Performance
section.
Coût
La prévisibilité des coûts est axée sur la prédiction ou la prédiction des coûts pour les dépenses
cloud. Avec le cloud, vous pouvez suivre votre utilisation des ressources en temps réel, surveiller
les ressources pour vérifier que vous les utilisez de manière optimale, et appliquer une analyse de
données afin de rechercher des modèles et des tendances qui permettent de mieux planifier les
déploiements de ressources. En opérant dans le cloud, et en utilisant l’analytique ainsi que les
informations liées au cloud, vous pouvez prédire les coûts futurs et ajuster vos ressources selon
les besoins selon les besoins. Vous pouvez même utiliser des outils tels que le coût total de
possession (TCO) (coût total de possession) ou la calculatrice de prix pour obtenir une estimation
des dépenses cloud potentielles.
Qu’il s’agisse d’un déploiement de type infrastructure as a service ou software as a service, les
fonctionnalités cloud prennent en charge la gouvernance et la conformité. Les éléments tels que
des modèles prédéfinis permettent de garantir que toutes vos ressources déployées sont
conformes aux standards d’entreprise et aux impératifs réglementaires du secteur public. De plus,
vous pouvez mettre à jour toutes vos ressources déployées en fonction de nouveaux standards au
fur et à mesure de l’évolution des besoins. L’audit basé sur le cloud permet de signaler les
ressources non conformes aux standards de l’entreprise et de fournir des stratégies d'atténuation.
Selon votre modèle opérationnel, des patchs et mises à jour logiciels peuvent également être
appliqués automatiquement, ce qui contribue à la fois à la gouvernance et à la sécurité.
Au niveau de la sécurité, vous pouvez trouver une solution cloud correspondant à vos besoins. Si
vous souhaitez un contrôle maximal de la sécurité, le modèle infrastructure as a service vous
fournit les ressources physiques mais vous laisse gérer les systèmes d’exploitation et les logiciels
installés ainsi que les patchs et la maintenance. Si vous souhaitez que les patchs et la maintenance
soient pris en charge automatiquement, les déploiements de type platform as a service ou
software as a service sont peut-être les meilleures stratégies cloud.
De plus, dans la mesure où le cloud est conçu en tant que plateforme de fourniture de ressources
informatiques via Internet, les fournisseurs de cloud sont généralement bien placés pour gérer des
aspects tels que les attaques DDoS (attaques par déni de service distribué), ce qui rend votre
réseau plus robuste et plus sécurisé.
En établissant dès le départ une empreinte de bonne gouvernance, vous pouvez maintenir à jour
votre empreinte cloud, tout en la sécurisant et en la gérant de manière appropriée.
Gestion du cloud
La gestion du cloud correspond à la gestion de vos ressources cloud. Dans le cloud, vous pouvez :
2 minutes
Le modèle IaaS (infrastructure as a service) est la catégorie de services cloud la plus flexible, car
il vous offre un contrôle maximal sur vos ressources cloud. Dans un modèle IaaS, le fournisseur
de cloud est responsable de la maintenance du matériel, de la connectivité réseau (accès à
l'internet) et de la sécurité physique. Vous êtes responsable de tout le reste : l’installation, la
configuration et la maintenance du système d’exploitation, la configuration réseau, la
configuration de la base de données et du stockage, et ainsi de suite. Avec le modèle IaaS, vous
louez essentiellement du matériel dans un centre de données cloud, mais ce que vous en faites est
entre vos mains.
Scénarios
Voici quelques scénarios courants où le choix du modèle IaaS peut être judicieux :
2 minutes
Le modèle PaaS (platform as a service) est un compromis entre la location d’espace dans un
centre de données (infrastructure as a service) et le paiement d’une solution complète et déployée
(software as a service). Dans un environnement PaaS, le fournisseur de cloud gère l’infrastructure
physique, la sécurité physique et la connexion à Internet. Il gère également les systèmes
d’exploitation, les middlewares (intergiciels), les outils de développement ainsi que les services
d'intelligence d'affaires qui constituent une solution cloud. Dans un scénario PaaS, vous n’avez
pas à vous soucier des licences ni des mises à jour correctives des systèmes d’exploitation et des
bases de données.
Le modèle PaaS est bien adapté, car il vous permet de disposer d’un environnement de
développement complet sans avoir à vous préoccuper de toute l’infrastructure de développement.
Selon la configuration, vous ou le fournisseur de cloud pouvez être responsable des paramètres de
mise en réseau et de la connectivité au sein de votre environnement cloud, de la sécurité du
réseau et des applications ainsi que de l’infrastructure de répertoire.
Scénarios
Voici quelques scénarios courants où le choix du modèle PaaS peut être pertinent :
Machine learning : souvent à la base des systèmes d’IA, c’est le machine learning qui
nous permet d’apprendre à un modèle d’ordinateur à faire des prédictions et à tirer des
conclusions à partir de données.
Vision par ordinateur : les capacités de l’IA à interpréter visuellement le monde à
travers des caméras, des vidéos et des images.
Traitement automatique du langage naturel : les capacités de l’IA permettant à un
ordinateur à interpréter une langue écrite ou parlée, et à y répondre.
Intelligence des documents : les capacités de l’IA qui traitent de la gestion, du traitement
et de l’utilisation de volumes élevés de données trouvées dans des formulaires et des
documents.
Exploration des connaissances : les capacités de l’IA à extraire des informations à partir
de grands volumes de données souvent non structurées pour créer une base de
connaissances pouvant faire l’objet d’une recherche.
IA générative : les capacités de l’IA qui créent du contenu d’origine dans divers formats,
notamment le langage naturel, l’image, le code, etc.
4 minutes
L’apprentissage automatique est la base de la plupart des solutions d’IA. Depuis les années 1950,
les chercheurs, souvent connus sous le nom de scientifiques des données, ont travaillé sur
différentes approches de l'IA. La plupart des applications modernes de l'IA ont leurs origines
dans le Machine Learning, une branche de l'IA qui combine la science informatique et les
mathématiques.
Commençons par examiner un exemple concret de la façon dont le machine learning peut être
utilisé pour résoudre un problème difficile.
Les techniques agricoles durables sont essentielles pour maximiser la production alimentaire tout
en protégeant un environnement fragile. The Yield est une société spécialisée en technologies
agricoles située en Australie. Elle utilise des capteurs, des données et le machine learning pour
aider les agriculteurs à prendre des décisions éclairées concernant la météo, le sol et les
conditions des plantes.
La réponse est : à partir de données. Aujourd’hui, nous créons d’énormes volumes de données
lors de nos activités quotidiennes. Qu’il s’agisse des messages texte, des e-mails et des
publications que nous envoyons sur les réseaux sociaux, ou qu’il s’agisse des photos et des
vidéos que nous prenons sur nos téléphones, la quantité d’informations que nous générons est
énorme. Il y a aussi les données qui sont générées par les millions de capteurs situés dans nos
maisons, nos voitures, nos villes, nos infrastructures de transport public et nos usines.
Les scientifiques des données peuvent utiliser toutes ces données pour entraîner des modèles
Machine Learning capables de faire des prédictions et des inférences en fonction des relations
qu’ils découvrent dans les données.
Les modèles Machine Learning tentent de capturer la relation entre les données. Par exemple,
supposons qu’une organisation de conservation de l’environnement souhaite que des volontaires
identifient et cataloguent différentes espèces de fleurs sauvages à l’aide d’une application sur leur
téléphone portable. L’animation suivante montre comment le machine learning peut être utilisé
pour permettre ce scénario.
1. Une équipe de botanistes et de scientifiques collecte des données sur des échantillons de
fleurs sauvages.
2. L’équipe étiquette les échantillons avec le nom correct de l’espèce.
3. Les données étiquetées sont traitées à l’aide d’un algorithme qui trouve des relations entre
les caractéristiques des échantillons et les espèces données sur les étiquettes.
4. Les résultats de l’algorithme sont encapsulés dans un modèle.
5. Lorsque de nouveaux échantillons sont trouvés par des bénévoles, le modèle peut
identifier l’étiquette d’espèce correcte.
Les approches de l'IA ont progressé pour accomplir des tâches d'une complexité accrue. Ces
modèles complexes constituent la base des fonctionnalités d'IA.
5 minutes
La vision par ordinateur est un domaine de l’intelligence artificielle qui concerne le traitement
visuel. Voyons certaines des possibilités que la vision par ordinateur apporte.
4 minutes
Le traitement du langage naturel (NLP) est le domaine de l’IA qui traite de la création de
logiciels capables de comprendre le langage parlé et écrit.
Le traitement du langage naturel vous permet de créer des logiciels qui peuvent :
Analyser et interpréter du texte dans des documents, des e-mails et d’autres sources.
Interpréter le langage parlé et synthétiser les réponses vocales.
Traduire automatiquement des phrases parlées ou écrites entre différentes langues.
Interpréter des commandes et déterminer des actions appropriées.
Par exemple, Starship Commander est un jeu de réalité virtuelle de Human Interact qui se déroule
dans un univers de science-fiction. Le jeu utilise le traitement du langage naturel pour permettre
aux joueurs de contrôler la narration et d’interagir avec les personnages et les systèmes du
vaisseau spatial.
Azure AI Speech de Microsoft est un autre service qui peut être utilisé pour générer des
solutions de traitement en langage naturel. Les caractéristiques d'Azure AI Speech incluent la
reconnaissance vocale et la synthèse vocale, les traductions en temps réel, les transcriptions de
conversation, etc.
Vous pouvez explorer les caractéristiques Azure AI Language dans Azure Language Studio et
celles d'Azure AI Speech dans Azure Speech Studio. Les caractéristiques de service sont
disponibles pour l'utilisation et les tests dans les studios et d'autres langages de programmation.
3 minutes
La Recherche Azure AI peut utiliser les fonctionnalités d’IA intégrées d’Azure AI services,
comme le traitement d’images, l’intelligence documentaire et le traitement du langage naturel
pour extraire des données. Les fonctionnalités d’IA du produit rendent possible l’indexation de
documents auparavant non consultables et l’extraction et la mise en évidence d’informations à
partir de grandes quantités de données rapidement.
2 minutes
L’IA générative fait référence à une catégorie de fonctionnalités au sein de l’IA qui créent du
contenu original. Les personnes interagissent généralement avec l’IA générative qui est intégrée
aux applications de conversation. Les applications d’IA générative acceptent les entrées en
langage naturel et retournent des réponses appropriées dans divers formats, dont le langage
naturel, les images, le code, et l’audio.
Azure OpenAI prend en charge de nombreux choix de modèles de base qui peuvent répondre à
différents besoins. Les caractéristiques du service peuvent être utilisées et testées dans Azure
OpenAI Studio et dans d'autres langages de programmation. Vous pouvez utiliser l’interface
utilisateur d’Azure OpenAI Studio pour gérer, développer et personnaliser des modèles IA
générative.
10 minutes
Chez Microsoft, le développement de logiciels d’IA est guidé par un ensemble de six principes
conçus pour garantir que les applications d’IA offrent des solutions remarquables à des
problèmes complexes sans aucun effet indésirable non intentionnel.
Équité
Les systèmes d’IA doivent être équitables. Par exemple, supposons que vous deviez créer un
modèle Machine Learning pour prendre en charge une demande d’approbation de prêt pour une
banque. Le modèle doit prédire si le prêt doit être approuvé ou refusé sans biais. Ce biais peut
être basée sur le genre, l’ethnicité ou d’autres facteurs susceptibles de donner un avantage injuste
ou un désavantage pour des groupes spécifiques de demandeurs.
Azure Machine Learning inclut la capacité d’interpréter des modèles et de quantifier dans quelle
mesure chaque caractéristique des données influence la prédiction du modèle. Cette
fonctionnalité aide les scientifiques des données et les développeurs à identifier et à atténuer les
biais d’un modèle.
Un autre exemple est l’implémentation de Microsoft de l’IA responsable dans le service Visage,
qui retire les fonctionnalités de reconnaissance faciale pouvant être utilisées pour essayer de
déduire des états émotionnels et des attributs identitaires. Si ces fonctionnalités sont mal utilisées,
les gens peuvent faire l’objet de stéréotypes, de discriminations ou de refus de services injustes.
Fiabilité et sécurité
Les systèmes d’IA doivent fonctionner de manière fiable et sécurisée. Prenons par exemple un
système logiciel basé sur l’IA conçu pour un véhicule autonome, ou un modèle Machine
Learning qui diagnostique les symptômes des patients et recommande des médicaments. Le
manque de fiabilité de ces types de systèmes peut entraîner un risque important pour la vie
humaine.
Le développement d’applications logicielles basées sur l’IA doit être soumis à des tests rigoureux
et à des processus de gestion du déploiement visant à garantir qu’elles fonctionnent comme prévu
avant leur publication.
Confidentialité et sécurité
Les systèmes d’IA doivent être sécurisés et respecter la vie privée. Les modèles Machine
Learning sur lesquels les systèmes d’IA sont basés s’appuient sur de gros volumes de données qui
peuvent contenir des informations personnelles qui doivent rester confidentielles. Même une fois
que les modèles sont entraînés et que le système est en production, la confidentialité et la sécurité
doivent être prises en compte. À mesure que le système utilise de nouvelles données pour faire
des prédictions ou prendre des mesures, les données et les décisions prises à partir des données
peuvent faire l’objet de problèmes de confidentialité ou de sécurité.
Inclusivité
Les systèmes d’IA doivent impliquer tout le monde et intéresser les gens. L’IA doit apporter des
avantages à toutes les parties de la société, sans discriminer les capacités physiques, le genre,
l’orientation sexuelle, l’origine ethnique ou autres facteurs.
Transparence
Les systèmes d’IA doivent être compréhensibles. Les utilisateurs doivent être pleinement
conscients de la finalité du système, de son fonctionnement et des limites auxquelles ils doivent
s’attendre.
Responsabilité
La responsabilité des systèmes d’IA doit être imputable à des personnes. Les concepteurs et les
développeurs de solutions basées sur l’IA doivent travailler dans un cadre de gouvernance et de
principes organisationnels afin de garantir que la solution respecte des normes éthiques et
juridiques clairement définies.
Les principes de l’IA responsable peuvent vous aider à comprendre certaines des difficultés
auxquelles font face les développeurs lorsqu’ils essaient de créer des solutions d’intelligence
artificielle éthiques.
Le Machine Learning trouve son origine dans la modélisation statistique et mathématique des
données. L’idée fondamentale du Machine Learning est d’utiliser les données des observations
passées pour prédire des résultats ou des valeurs inconnus. Par exemple :
Le propriétaire d’un magasin de crème glacée peut utiliser une application combinant
l’historique des ventes et les enregistrements météorologiques pour prédire le nombre de
glaces susceptible d’être vendu un jour donné, en fonction des prévisions
météorologiques.
Un médecin peut utiliser des données cliniques antérieures des patients pour exécuter des
tests automatisés qui prédisent si un nouveau patient risque de développer un diabète en
fonction de facteurs tels que le poids, le niveau de glycémie et d’autres mesures.
Un chercheur en Antarctique peut utiliser les observations passées pour automatiser
l’identification de différentes espèces de manchots (comme Adelie, Gentoo ou À
jugulaire) en fonction des dimensions des nageoires, des billes et d’autres attributs
physiques d’un oiseau.
o Dans le scénario de vente de crème glacée, notre objectif est de former un modèle
pouvant prédire le nombre de ventes de crème glacée en fonction de la météo. Les
mesures météorologiques pour la journée (température, pluie, vitesse du vent, etc.)
vont être les caractéristiques (x) et le nombre quotidien de glaces vendues va être
l’étiquette (y).
o Dans le scénario médical, l’objectif est de prédire le risque pour un patient de
développer un diabète en fonction de ses données cliniques. Les données sur le
patient (poids, glycémie, etc.) sont les caractéristiques (x) et la probabilité de
développer un diabète (par exemple, 1 pour à risque, 0 pour non à risque) est
l’étiquette (y).
o Dans le scénario de recherche en Antarctique, nous voulons prédire l’espèce d’un
manchot en fonction de ses attributs physiques. Les principales mesures du
manchot (longueur de ses nageoires, largeur de son bec, etc.) sont les
caractéristiques (x) et l’espèce (0 pour Adelie, 1 pour Gentoo ou 2 pour À
jugulaire) est l’étiquette (y).
2. Un algorithme est appliqué aux données pour essayer de déterminer une relation entre les
caractéristiques et l’étiquette, puis généraliser cette relation sous la forme d’un calcul à
effectuer sur x pour calculer y. L’algorithme spécifique utilisé dépend du type de
prédiction que vous essayez d’obtenir (plus d’informations à ce sujet plus loin), mais le
principe de base est d’essayer d’ajuster une fonction aux données dans lesquelles les
valeurs des fonctionnalités peuvent être utilisées pour calculer l’étiquette.
3. Le résultat de l’algorithme est un modèle qui encapsule le calcul dérivé de l’algorithme en
tant que fonction. Appelons-là f. En notation mathématique :
y = f(x)
4. La phase d’apprentissage étant terminée, le modèle entraîné peut être utilisé pour
l’inférence. Le modèle est essentiellement un programme qui encapsule la fonction
générée par le processus d’entraînement. Vous pouvez entrer un ensemble de valeurs de
fonctionnalité et recevoir comme sortie une prédiction de l’étiquette correspondante. La
sortie du modèle étant une prédiction calculée par la fonction, pas une valeur observée,
vous voyez souvent la sortie de la fonction affichée sous la forme ŷ (qui est
délicieusement verbalisée comme « y-hat »).
régression ;
La régression est une forme de Machine Learning supervisé dans laquelle l’étiquette prédite par
le modèle est une valeur numérique. Par exemple :
Classification
La classification est une forme de Machine Learning supervisé dans laquelle l’étiquette
représente une catégorisation ou une classe. Il existe deux scénarios courants de classification.
Classification binaire
Dans la classification binaire, l’étiquette détermine si l’élément observé est (ou non) l’instance
d’une classe spécifique. Autrement dit, les modèles de classification binaire prédisent l’un des
deux résultats qui s’excluent mutuellement. Par exemple :
Dans tous ces exemples, le modèle établit une prédiction binaire vrai/faux ou positive/négative
pour une seule classe possible.
Classification multiclasse
La classification multiclasse étend la classification binaire pour prédire une étiquette qui
représente l’une des nombreuses classes possibles. Par exemple,
Dans la plupart des scénarios qui impliquent un ensemble connu de classes, la classification
multiclasse sert à prédire les étiquettes qui s’excluent mutuellement. Par exemple, un manchot ne
peut pas être à la fois un Gentoo et un Adelie. Toutefois, il existe également des algorithmes que
vous pouvez utiliser pour entraîner des modèles de classification multiétiquette et dans lesquels il
peut y avoir plusieurs étiquettes valides pour une unique observation. Par exemple, un film
pourrait être classé à la fois comme science-fiction et comédie.
Clustering
La plus courante forme de Machine Learning non supervisé est le clustering. Un algorithme de
clustering identifie les similitudes entre les observations, en fonction de leurs caractéristiques, et
les regroupe en clusters discrets. Par exemple :
Dans certains cas, le clustering sert à déterminer l’ensemble des classes qui existent avant
l’apprentissage d’un modèle de classification. Par exemple, vous pouvez utiliser un clustering
pour scinder vos clients en groupes, puis analyser ces groupes pour identifier et créer différentes
classes de clients (valeur élevée – faible volume, petit acheteur fréquent, etc.). Vous pouvez
ensuite utiliser vos catégorisations pour étiqueter les observations dans vos résultats de clustering,
puis utiliser les données étiquetées pour entraîner un modèle de classification qui prédit la
catégorie à laquelle un nouveau client peut appartenir.
Services IA sur la plateforme Azure
Effectué 100 XP
4 minutes
Les services Azure AI services sont des fonctionnalités d’IA qui peuvent être intégrées à des
applications web ou mobiles, d’une manière simple à implémenter. Ces services IA incluent la
reconnaissance d’images, le traitement du langage naturel, la reconnaissance vocale, la recherche
basée sur l’IA, etc. Il existe plus d’une douzaine de services différents qui peuvent être utilisés
séparément ou ensemble pour ajouter la puissance de l’IA aux applications.
Examinons quelques exemples de ce qui peut être fait avec les services Azure AI services. Le
service Azure AI Sécurité du Contenu peut être utilisé pour détecter le contenu dangereux dans
du texte ou des images, y compris du contenu violent ou haineux, et signaler sa gravité. Le
service Azure AI Language peut être utilisé pour synthétiser du texte, classifier des informations
ou extraire des expressions clés. Le service Azure AI Speech fournit de puissantes fonctionnalités
de reconnaissance vocale et de synthèse vocale, ce qui permet de transcrire avec précision la
parole en texte ou de texte en audio avec une voix naturelle.
Les services Azure AI services sont basés sur trois principes qui améliorent considérablement la
vitesse au marché :
Les services Azure AI services sont un portefeuille de services, avec des fonctionnalités adaptées
à des cas d’usage dans de multiples secteurs et industries.
Par exemple, dans l’éducation, Immersive Reader est utilisé pour soutenir les étudiants en
s’adaptant à leurs besoins. Les apprenants peuvent avoir des besoins variés, comme vouloir lire
plus lentement, obtenir des mots ou du texte traduits dans une autre langue, ou voir des images
pour faciliter leur compréhension. Immersive Reader aide les étudiants ayant des besoins
différents à apprendre à leur propre rythme, et de leur propre manière.
Bien que les services Azure AI services puissent être utilisés sans modification, certains services
IA peuvent être personnalisés pour mieux répondre à des exigences spécifiques. Les
fonctionnalités de personnalisation dans Azure AI Vision, Azure AI Speech et Azure OpenAI
vous permettent d’ajouter des données à des modèles existants.
Par exemple, dans le sport, les athlètes et les entraîneurs personnalisent Azure AI Vision pour
améliorer les performances et réduire les blessures. Une application permet aux surfeurs de
charger une vidéo et de recevoir des insights et des analyses générés par l’IA. Ces informations
peuvent ensuite être utilisées par les entraîneurs, les médecins, les arbitres et les diffuseurs
d’événements.
Les services Azure AI sont basés sur le cloud, et comme tous les services Azure, vous devez
créer une ressource pour les utiliser. Il existe deux types de ressources de service IA :
multiservices ou service unique. Vos exigences en matière de développement et la manière dont
vous souhaitez que les coûts soient facturés déterminent les types de ressources dont vous avez
besoin.
Ressource multiservices : ressource créée dans le portail Microsoft Azure qui fournit
l’accès à plusieurs services Azure AI avec une clé et un point de terminaison uniques.
Utilisez la ressource Azure AI services lorsque vous avez besoin de plusieurs services IA
ou explorez les fonctionnalités d’IA. Lorsque vous utilisez une ressource de services
Azure AI, tous vos services IA sont facturés ensemble.
Ressources à service unique : ressource créée dans le portail Microsoft Azure qui fournit
l’accès à un seul service Azure AI, tel que Speech, Vision, Language, etc. Chaque service
Azure AI a une clé et un point de terminaison uniques. Ces ressources peuvent être
utilisées lorsque vous avez besoin d’un seul service IA ou que vous souhaitez afficher des
informations de coût séparément.
Vous pouvez créer une ressource de plusieurs façons, comme dans le portail Microsoft Azure.
Pour créer une ressource à service unique, recherchez le service Azure AI spécifique tel que
Visage, Langage ou Sécurité du contenu, etc. La plupart des services IA disposent d’un niveau de
prix gratuit pour vous permettre d’explorer leurs fonctionnalités. Après avoir cliqué sur Créer
pour la ressource dont vous avez besoin, vous serez invité à compléter les détails de votre
abonnement, le groupe de ressources pour contenir la ressource, la région, un nom unique et le
niveau de prix.
L’IA générative fait référence à une catégorie de fonctionnalités au sein de l’IA qui créent du
contenu original. Les personnes interagissent généralement avec l’IA générative qui est intégrée
aux applications de conversation. Un exemple de telles applications est le populaire ChatGPT, un
chatbot créé par OpenAI, une société de recherche en IA qui travaille en étroite collaboration
avec Microsoft.
Les applications d’IA générative acceptent les entrées en langage naturel et retournent des
réponses appropriées dans divers formats (langage naturel, images, code, etc.).
Une application d’IA générative peut répondre à une telle demande comme ceci :
2. Pain grillé aux poivrons et à l’avocat : faites griller une tranche de pain complet et garnissez-
la de poivrons coupés en tranches et de purée d’avocat. Ajoutez une pincée de sel et de poivre.
Voici un excellent moyen de consommer les bonnes matières grasses de l’avocat avec la
vitamine C des poivrons.
3. Burrito aux poivrons pour le petit-déjeuner : faites sauter des poivrons coupés en dés, des
oignons hachés et des œufs brouillés dans une poêle. Ensuite, à l’aide d’une cuillère, déposez la
préparation sur une tortilla complète et garnissez-la de salsa ou de sauce piquante. Roulez la
tortilla, et vous avez là un petit-déjeuner délicieux et nutritif.
Une application d’IA générative peut répondre à une telle demande comme ceci :
1. Œufs brouillés aux poivrons : coupez des poivrons en dés et faites-les sauter dans une poêle
jusqu’à ce qu’ils soient légèrement ramollis. Ajoutez ensuite quelques œufs battus et mélangez le
tout. Pour un petit-déjeuner nutritif, servez cette préparation avec du pain grillé complet.
2. Pain grillé aux poivrons et à l’avocat : faites griller une tranche de pain complet et garnissez-
la de poivrons coupés en tranches et de purée d’avocat. Ajoutez une pincée de sel et de poivre.
Voici un excellent moyen de consommer les bonnes matières grasses de l’avocat avec la
vitamine C des poivrons.
3. Burrito aux poivrons pour le petit-déjeuner : faites sauter des poivrons coupés en dés, des
oignons hachés et des œufs brouillés dans une poêle. Ensuite, à l’aide d’une cuillère, déposez la
préparation sur une tortilla complète et garnissez-la de salsa ou de sauce piquante. Roulez la
tortilla, et vous avez là un petit-déjeuner délicieux et nutritif.
Génération d’images
Certaines applications d’IA générative peuvent interpréter une demande en langage naturel et
générer une image appropriée. Par exemple, vous pouvez soumettre une demande du type « Crée
une image d’un éléphant mangeant un hamburger ».
Une application d’IA générative peut ensuite retourner une nouvelle image originale basée sur la
description que vous avez fournie, comme ceci :
Génération de code
Certaines applications d’IA générative sont conçues pour aider les développeurs de logiciels à
écrire du code. Par exemple, vous pouvez soumettre une demande du type « Montre-moi
comment coder un jeu de morpion avec Python » et obtenir la réponse suivante :
10 minutes
Les applications d’IA générative utilisent la technologie des grands modèles de langage (LLM),
qui sont un type spécialisé de modèle de machine learning que vous pouvez utiliser pour effectuer
des tâches de traitement en langage naturel, notamment :
Bien que les principes mathématiques qui sous-tendent ces grands modèles de langage puissent
être complexes, une compréhension de base de l’architecture utilisée pour les implémenter peut
vous aider à acquérir une compréhension conceptuelle de leur fonctionnement.
3 minutes
Azure OpenAI Service est la solution cloud de Microsoft pour le déploiement, la personnalisation
et l’hébergement de grands modèles de langage. Elle combine les meilleurs modèles et API de
pointe d’OpenAI avec la sécurité et la scalabilité de la plateforme cloud Azure. Le partenariat
entre Microsoft et OpenAI permet aux utilisateurs d’Azure OpenAI d’accéder aux dernières
innovations en matière de modèles de langage.
Azure OpenAI prend en charge de nombreux modèles qui peuvent répondre à différents besoins.
Ces modèles comprennent les éléments suivants :
Les modèles GPT-4 sont la dernière génération de modèles préentraînés génératifs (GPT)
qui peuvent générer des saisies semi-automatique de langage naturel et de code basées
sur des invites en langage naturel.
Les modèles GPT 3.5 peuvent générer des saisies semi-automatique de langage naturel
et de code basées sur des invites en langage naturel. En particulier, les modèles GPT-35-
turbo sont optimisés pour les interactions basées sur la conversation et fonctionnent
bien dans la plupart des scénarios d’IA générative.
Les modèles Embeddings convertissent du texte en vecteurs numériques et sont utiles
dans les scénarios d’analytique du langage, tels que la comparaison de sources de texte
pour rechercher des similitudes.
Les modèles DALL-E sont utilisés pour générer des images basées sur des invites en
langage naturel. Actuellement, les modèles DALL-E sont en préversion. Les modèles
DALL-E ne sont pas listés dans l’interface Azure OpenAI Studio et n’ont pas besoin d’être
déployés explicitement.
Les modèles diffèrent par la vitesse, le coût et la façon dont ils effectuent des tâches spécifiques.
Vous pouvez en savoir plus sur les différences et les derniers modèles proposés dans la
documentation Azure OpenAI Service.
Dans bien des cas, les modèles peuvent être utilisés en l’état. Par exemple, dans Azure OpenAI
Service, vous pouvez déployer un modèle GPT-4 et commencer immédiatement à l’utiliser à
partir d’une application. Toutefois, vous pouvez également utiliser un modèle existant comme
modèle de base et l’entraîner avec vos propres données. Cette approche, appelée « réglage » ou
« fine-tuning », vous permet d’entraîner un modèle personnalisé qui repose sur le modèle
préentraîné et de le régler avec des données propres à votre scénario. Par exemple, un cabinet
d’avocats peut régler un modèle avec le texte de contrats existants et d’autres documents
juridiques propriétaires afin d’entraîner un modèle optimisé pour générer du contenu contractuel.
4 minutes
La disponibilité des LLM a conduit à l’émergence d’une nouvelle catégorie de calcul appelée
« copilotes ». Les copilotes sont souvent intégrés à d’autres applications et permettent aux
utilisateurs de bénéficier de l’aide d’un modèle d’IA générative sur des tâches courantes. Les
copilotes étant basés sur une architecture commune, les développeurs peuvent créer des copilotes
personnalisés pour divers services et applications propres à l’entreprise.
Des copilotes peuvent apparaître dans les produits que vous utilisez déjà. Par exemple, une
fonctionnalité d’écran de conversation peut s’ouvrir à côté de votre fichier. Les copilotes utilisent
le contenu créé ou recherché dans le produit comme informations spécifiques pour les résultats.
Il est utile de réfléchir à la façon dont la création d’un grand modèle de langage est liée au
processus de création d’une application copilote :
1. Une grande quantité de données est utilisée pour entraîner un grand modèle de langage.
2. Des services tels qu’Azure OpenAI Service mettent à disposition des modèles
préentraînés. Les développeurs peuvent utiliser ces modèles préentraînés tels quels ou
les régler avec des données personnalisées.
3. Le déploiement d’un modèle permet son utilisation dans des applications.
4. Les développeurs peuvent créer des copilotes qui envoient des prompts aux modèles et
génèrent du contenu à utiliser dans des applications.
5. Les utilisateurs professionnels peuvent utiliser des copilotes pour améliorer leur
productivité et leur créativité avec du contenu généré par IA.
Les copilotes ont le potentiel de révolutionner la façon dont nous travaillons en aidant avec les
premiers brouillons, la synthèse de l’information, la planification stratégique, et bien plus encore.
3 minutes
La qualité des réponses retournées par une application d’IA générative dépend non seulement du
modèle lui-même, mais aussi des types de prompts reçus. Le terme « prompt engineering » décrit
le processus d’amélioration des prompts. Les développeurs qui conçoivent des applications et les
consommateurs qui utilisent ces applications peuvent améliorer la qualité des réponses de l’IA
générative en recourant au prompt engineering.
Les prompts sont les moyens par lesquels nous indiquons à une application ce que nous voulons
qu’elle fasse. Un ingénieur peut ajouter des instructions pour le programme avec des prompts.
Par exemple, les développeurs peuvent créer une application d’IA générative pour des
enseignants afin de créer des questions à choix multiples en rapport avec un texte lu par les
élèves. Pendant le développement de l’application, les développeurs peuvent ajouter d’autres
règles sur ce que le programme doit faire avec les prompts qu’il reçoit.
Messages système
Les techniques de prompt engineering incluent la définition d’un message système. Le message
définit le contexte du modèle en décrivant les attentes et les contraintes. Par exemple : « Vous
êtes un assistant utile qui répond de manière enjouée et conviviale ». Ces messages système
déterminent les contraintes et les styles pour les réponses du modèle.
Spécification d’exemples
Les grands modèles de langage prennent généralement en charge l’apprentissage sans exemple
(« zero-shot learning) dans lequel des réponses peuvent être générées sans exemples préalables.
Toutefois, vous pouvez également fournir des prompts comprenant un exemple (« one-shot
learning ») ou plusieurs exemples de la sortie dont vous avez besoin. Par exemple : « Visiter le
château le matin avant l’arrivée de la foule ». Le modèle peut ensuite générer d’autres réponses
dans le même style que les exemples fournis dans le prompt.
Données d’ancrage
Les prompts peuvent inclure des données d’ancrage (« grounding ») pour fournir un contexte.
Vous pouvez utiliser les données d’ancrage comme technique de prompt engineering pour
bénéficier des nombreux avantages du réglage sans avoir à entraîner un modèle personnalisé.
Pour appliquer cette technique, incluez des données contextuelles dans le prompt afin que le
modèle puisse les utiliser pour générer une sortie appropriée. Par exemple, supposons que vous
souhaitiez utiliser un grand modèle de langage pour générer un résumé d’un e-mail. Vous pouvez
inclure le texte de l’e-mail dans le prompt avec une instruction pour le résumer.