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).

Qu’est ce que le cloud computing ?

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.

Cette courte vidéo fournit une introduction rapide au Cloud computing.

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.

Décrire le modèle de Responsabilité partagée

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.

Commencez par un centre de données d'entreprise traditionnel. La société est responsable de la

maintenance de l'espace physique, de la sécurité, et de la maintenance ou du remplacement des
serveurs en cas de problème. Le service informatique est responsable de la maintenance de toute
l'infrastructure et des logiciels nécessaires pour maintenir le centre de données opérationnel. Ils
sont également susceptibles d'être responsables de la mise à jour de tous les systèmes et de leur
maintien sur la version correcte.

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.

Le diagramme suivant met en évidence la façon dont le modèle de responsabilité partagée

indique qui est responsable de quoi, en fonction du type de service cloud.

Lorsque vous utilisez un fournisseur de cloud, vous restez responsable des opérations suivantes :

 Informations et données stockées dans le cloud

 Appareils autorisés à se connecter à votre cloud (téléphones portables, ordinateurs, etc.)
 Comptes et identités des personnes, services et appareils au sein de votre organisation

Le fournisseur de services Cloud est toujours responsable de ce qui suit :

 Centre de données physique

 Réseau physique
 Hôtes physiques
Votre modèle de service détermine la responsabilité associée aux éléments suivants :

 Systèmes d’exploitation
 Contrôles de réseau
 Applications
 Identité et infrastructure

Définir les modèles de Cloud

VMware est un logiciel de machien virtuel

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.

Azure VMware Solution

Que se passe-t-il si vous êtes déjà établi avec VMware dans un environnement de cloud privé, et
si vous souhaitez migrer vers un cloud public ou hybride ? Azure VMware Solution vous permet
d’exécuter vos charges de travail VMware dans Azure avec une intégration et une scalabilité
transparentes.

Décrire le modèle basé sur la consommation

Lorsqu'on compare les modèles d'infrastructure informatique, il y a deux types de dépenses à

considérer. Dépenses d’investissement (CapEx) et dépenses d’exploitation (OpEx).

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.

Ce modèle basé sur la consommation présente de nombreux avantages, notamment :

 Pas de frais initiaux.

  Nul besoin d’acheter et de gérer une infrastructure coûteuse que les utilisateurs
n’exploitent pas toujours au maximum.
 Possibilité de payer pour des ressources supplémentaires quand elles sont nécessaires.
 Possibilité de cesser de payer pour les ressources qui ne sont plus nécessaires.

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.

Comparer les modèles de tarification Cloud

Le cloud computing consiste à fournir des services informatiques sur Internet en utilisant un
modèle tarifaire de type paiement à l’utilisation. Vous payez généralement uniquement pour les
services Cloud que vous utilisez, ce qui vous aide à :

 Planifier et gérer vos coûts d’exploitation.

 D’exécuter votre infrastructure plus efficacement
 Adapter la mise à l'échelle à l'évolution de vos besoins commerciaux

En d’autres termes, L'informatique en nuage est un moyen de louer de la puissance de calcul et

du stockage à partir du centre de données de quelqu'un d'autre. Vous pouvez utiliser les
ressources cloud de la même façon que les ressources dans votre propre centre de données.
Toutefois, contrairement à votre propre centre de données, quand vous avez fini d’utiliser les
ressources cloud, vous les rendez. Vous êtes facturé uniquement pour ce que vous utilisez.

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.

SLA = contrat de pourcentage de disponibilité

Le contrat inclut les down time. Cela est compliqué car il faut des temps de mises
à jour, des plateformes de secours.

Décrire les avantages de la fiabilité et de la prévisibilité dans

le cloud
a fiabilité et la prévisibilité sont deux avantages essentiels du cloud, qui vous aident à développer
des solutions en toute confiance.

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.

Le Cloud, grâce à sa conception décentralisée, prend en charge naturellement une infrastructure

fiable et résiliente. Avec une conception décentralisée, le cloud vous permet de déployer des
ressources dans différentes régions du monde. À l’échelle mondiale, même si une région est
touchée par une catastrophe, d’autres régions sont toujours opérationnelles. Vous pouvez
concevoir vos applications pour tirer parti automatiquement de cette fiabilité accrue. Dans
certains cas, votre environnement Cloud se déplacera automatiquement vers une autre région,
sans action de votre part. Vous en saurez davantage sur la façon dont Azure tire parti de la mise à
l’échelle au niveau à l'échelle mondiale pour garantir la fiabilité, plus loin dans cette série.

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.

Décrire les avantages de la sécurité et de la gouvernance

dans le cloud
Décrire les avantages de la sécurité et de la gouvernance dans le cloud
Effectué 100 XP
  2 minutes

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.

Décrire les avantages de la facilité de gestion dans le cloud

L’un des principaux avantages du cloud computing réside dans les options de facilité de gestion.
Il existe deux types de facilité de gestion pour le cloud computing, comme vous allez le découvrir
dans cette série, qui présentent tous les deux d’excellents avantages.

Gestion du cloud
La gestion du cloud correspond à la gestion de vos ressources cloud. Dans le cloud, vous pouvez :

 Mettre à l’échelle automatiquement le déploiement des ressources selon les besoins.

 Déployer les ressources en fonction d’un modèle préconfiguré, ce qui permet d’éliminer
le recours à une configuration manuelle.
 Effectuer le monitoring de l’intégrité des ressources et le remplacement automatique des
ressources défaillantes.
 Recevoir des alertes automatiques basées sur des métriques configurées, ce qui vous
permet de connaître les performances en temps réel.
Gestion dans le cloud
La gestion dans le cloud indique la façon dont vous pouvez gérer votre environnement et vos
ressources cloud. Vous pouvez les gérer :

 Via un portail web.

 Via une interface de ligne de commande.
 Via des API.
 En utilisant PowerShell.

Décrire l’infrastructure as a service :

Décrire l’infrastructure as a service

Effectué 100 XP

 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.

Modèle de responsabilité partagée

Le modèle de responsabilité partagée s’applique à tous les types de service cloud. L’IaaS place la
plus grande part de responsabilité entre vos mains. Le fournisseur de cloud est responsable de la
maintenance de l’infrastructure physique et de son accès à l'internet. Vous êtes responsable de
l’installation et de la configuration, de la mise à jour et du patching ainsi que de la sécurité.

Scénarios
Voici quelques scénarios courants où le choix du modèle IaaS peut être judicieux :

 Migration « lift-and-shift » : Vous configurez des ressources cloud similaires à celles de

votre centre de données local, puis vous transférez simplement les éléments qui
s’exécutent localement afin qu’ils s’exécutent dans l’infrastructure IaaS.
  Test et développement : vous avez établi des configurations pour les environnements de
développement et de test que vous devez répliquer rapidement. Vous pouvez rapidement
démarrer ou arrêter les différents environnements avec une structure IaaS, tout en
conservant un contrôle total.

Décrire le platform as a service

Effectué 100 XP

 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.

Modèle de responsabilité partagée

Le modèle de responsabilité partagée s’applique à tous les types de service cloud. Le modèle
PaaS est un partage de responsabilité entre vous et le fournisseur de cloud. Le fournisseur de
cloud est responsable de la maintenance de l’infrastructure physique et de son accès à Internet,
comme dans le modèle IaaS. Dans le modèle PaaS, le fournisseur de cloud se charge également
de la maintenance des systèmes d’exploitation, des bases de données et des outils de
développement. Considérez le modèle PaaS comme une machine jointe à un domaine : le service
informatique gère les mises à jour, les patchs et les actualisations de l’appareil de manière
régulière.

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 :

 Framework de développement : PaaS fournit un framework sur lequel les développeurs

peuvent s’appuyer pour développer ou personnaliser des applications basées sur le cloud.
 De la même manière que vous créez une macro Excel, PaaS permet aux développeurs de
créer des applications à l’aide de composants logiciels intégrés. Des fonctionnalités cloud
telles que la scalabilité, la haute disponibilité et la multilocation étant incluses, la quantité
de codage que les développeurs doivent effectuer est réduite.
 Analytique ou décisionnel : les outils fournis en tant que service dans le cadre du modèle
PaaS permettent aux organisations d’analyser et d’explorer leurs données, de trouver des
insights et des modèles, et de prédire les résultats afin d’améliorer les prévisions, les
décisions de conception relatives aux produits, les rendements d'investissement et d'autres
décisions commerciales.

Concepts et fondamentaux de l’IA

Qu’est-ce que l’IA ?

En bref, l’IA est un logiciel qui imite les capacités et les comportements humains. Les charges de
travail clés sont les suivantes :

 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.

Comprendre le machine learning

Effectué 100 XP

 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.

Pour en savoir plus, regardez la vidéo suivante.

Fonctionnement du machine learning

Comment les machines apprennent-elles ?

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.

Machine learning dans Microsoft Azure

Microsoft Azure fournit le service Azure Machine Learning, qui est une plateforme cloud
permettant de créer, gérer et publier des modèles Machine Learning. Azure Machine Learning
Studio offre plusieurs expériences de création comme :

 Machine Learning automatisé : cette caractéristique permet aux non-experts de créer

rapidement un modèle Machine Learning efficace à partir de données.
 Concepteur Azure Machine Learning : interface graphique permettant le
développement sans code de solutions Machine Learning.
 Visualisation des métriques de données : analysez et optimisez vos expériences avec la
visualisation.
 Notebooks : écrivez et exécutez votre propre code dans les serveurs Jupyter Notebook
managés directement intégrés au studio.

Qu’est-ce que la vision par ordinateur ?

Effectué 100 XP

 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.

L’application Seeing AI illustre parfaitement la puissance de la vision par ordinateur. Conçue

pour la communauté des personnes aveugles et malvoyantes, l’application Seeing AI exploite la
puissance de l’IA pour ouvrir le monde visuel et décrire les personnes, le texte et les objets à
proximité.

Regardez la vidéo suivante pour en savoir plus sur Seeing AI.

Modèles et fonctionnalités de la vision par ordinateur

La plupart des solutions de vision par ordinateur sont basées sur des modèles Machine Learning
qui peuvent être appliqués à l’entrée visuelle des caméras, des vidéos ou des images. Le tableau
suivant décrit les tâches qui sont couramment effectuées avec la vision par ordinateur.

Services de vision par ordinateur dans Microsoft Azure

Vous pouvez utiliser Azure AI Vision de Microsoft pour développer des solutions de vision par
ordinateur. Les caractéristiques du service peuvent être utilisées et testées dans Azure Vision
Studio et dans d'autres langages de programmation. Parmi les caractéristiques d'Azure AI Vision
figurent les suivantes :

 analyse d'images : capacités d'analyse d'images et de vidéos et d'extraction de

descriptions, de balises, d'objets et de texte.
 visage : capacités de création de solutions de détection et de reconnaissance des visages.
 Reconnaissance optique des caractères (OCR) : capacités d'extraction de texte imprimé
ou manuscrit à partir d'images, permettant d'accéder à une version numérique du texte
numérisé.

Comprendre le traitement du langage naturel

Effectué 100 XP

 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.

Regardez la vidéo suivante pour en savoir plus.

Traitement du langage naturel dans Microsoft Azure

Vous pouvez utiliser Azure AI Language pour créer des solutions de traitement du langage
naturel. Certaines caractéristiques d'Azure AI Language incluent la compréhension et l'analyse du
texte, des modèles de langage conversationnel de formation qui peuvent comprendre les
commandes parlées ou textuelles et générer des applications intelligentes.

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.

Comprendre l’intelligence documentaire et l’exploration des

connaissances
Effectué 100 XP

 3 minutes

L’Intelligence documentaire représente la partie de l’IA qui s’occupe de la gestion, du

traitement et de l’utilisation de volumes élevés d’une variété de données trouvées dans des
formulaires et des documents. L’intelligence documentaire vous permet de créer des logiciels qui
peuvent automatiser le traitement des contrats, des documents d’intégrité, des formulaires
financiers et bien plus encore

L’intelligence documentaire dans Microsoft Azure

Vous pouvez utiliser Azure AI Intelligence documentaire de Microsoft pour créer des solutions
qui gèrent et accélèrent la collecte de données à partir de documents analysés. Les fonctionnalités
d’Azure AI Intelligence documentaire permettent d’automatiser le traitement des documents dans
des applications et flux de travail, d’améliorer les stratégies pilotées par les données et d’enrichir
les fonctionnalités de recherche de documents. Vous pouvez utiliser des modèles prédéfinis pour
ajouter un traitement intelligent des documents pour les factures, les reçus, les cartes d’assurance
maladie, les formulaires fiscaux, etc. Vous pouvez également utiliser Azure AI Intelligence
documentaire pour créer des modèles personnalisés avec vos propres jeux de données étiquetés.
Les fonctionnalités du service peuvent être utilisées et testées dans le Studio Intelligence
documentaire et dans d'autres langages de programmation.

Exploration des connaissances

L’Exploration des connaissances est le terme utilisé pour décrire les solutions qui impliquent
l’extraction d’informations dans de grands volumes de données souvent non structurées afin de
créer une base de connaissances qui peut faire l’objet d’une recherche.

Exploration des connaissances dans Microsoft Azure

Une solution Microsoft d’exploration des connaissances est la Recherche Azure AI, une solution
de recherche privée, en entreprise, offrant des outils de création d’index. Les index peuvent
ensuite être utilisés à usage interne uniquement ou pour permettre la recherche de contenu sur des
ressources Internet publics.

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.

Comprendre l’IA générative

Effectué 100 XP

 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.

IA générative dans Microsoft Azure

Dans Microsoft Azure, vous pouvez utiliser Azure OpenAI Service pour créer des solutions
d’IA génératives. Azure OpenAI Service est la solution cloud de Microsoft pour le déploiement,
la personnalisation et l’hébergement de modèles d’IA générative. Elle combine les meilleurs
modèles et API de pointe d’OpenAI avec la sécurité et la scalabilité de la plateforme cloud
Azure.

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.

Comprendre ce qu’est l’IA responsable

Effectué 100 XP

 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.

Pour plus d’informations sur l’équité, regardez la vidéo su

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.

Pour plus d’informations sur la fiabilité et la sécurité, regardez la vidéo suivante.

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.

Machine Learning en tant que fonction

Le Machine Learning étant basé sur les mathématiques et les statistiques, il est courant de penser
aux modèles Machine Learning en termes mathématiques. Fondamentalement, un modèle
Machine Learning est une application qui encapsule une fonction pour calculer une valeur de
sortie basée sur une ou plusieurs valeurs d’entrée. Le processus pour définir cette fonction est
appelé entraînement. Une fois la fonction définie, vous pouvez l’utiliser pour prédire de
nouvelles valeurs dans un processus appelé inférence.

Explorons les étapes de la formation et de l’inférence.

1. Les données d’entraînement se composent d’observations passées. Dans la plupart des

cas, les observations comprennent les attributs observés ou caractéristiques des éléments
 observée et la valeur connue des éléments que vous souhaitez entraîner un modèle à
prédire (appelée étiquette).

En termes mathématiques, vous voyez souvent les fonctionnalités référencées à l’aide du

nom de variable abrégé x et de l’étiquette y. En général, une observation se compose de
plusieurs valeurs de caractéristiques, de sorte que x est en fait un vecteur (un tableau avec
plusieurs valeurs). Par exemple : [x1,x2,x3,...].

Pour plus de clarté, prenons les exemples décrits précédemment :

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 »).

Machine learning supervisé

Le Machine Learning supervisé est un terme général pour des algorithmes de Machine Learning
dans lesquels les données d’apprentissage comprennent à la fois des valeurs de fonctionnalité et
des valeurs d’étiquette connues. Le Machine Learning supervisé sert à entraîner des modèles, en
déterminant une relation entre les caractéristiques et les étiquettes dans les observations passées,
afin que des étiquettes inconnues puissent être prédites pour des fonctionnalités des futurs cas.

régression ;

La régression est une forme de Machine Learning supervisé dans laquelle l’étiquette prédite par
le modèle est une valeur numérique. Par exemple :

 Le nombre de glaces vendues une journée donnée, en fonction de la température, des

précipitations et de la vitesse du vent.
 Le prix de vente d’une propriété en fonction de sa taille en mètres carrés, de son nombre
de chambres et des métriques socio-économiques pour son emplacement.
 Le rendement énergétique (en miles par litre) d’une voiture en fonction de sa taille du
moteur, de son poids, de sa largeur, de sa hauteur et de la longueur.

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 :

 Si un patient est à risque concernant le diabète, en fonction des métriques cliniques

comme le poids, l’âge, le niveau de glucose dans le sang, etc.
 Si un client de la banque va faire défaut sur un prêt en fonction du revenu, des
antécédents de crédit, de l’âge et d’autres facteurs.
 Si un client de liste de diffusion va répondre positivement à une offre marketing en
fonction des attributs démographiques et des achats passés.

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,

 L’espèce d’un manchot (Adelie, Gentoo, ou À jugulaire) en relative à des mesures

physiques.
  Le genre d’un film (comédie, épouvante, romance, aventure ou science-fiction) basé sur
sa distribution, son réalisateur et son budget.

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.

Machine learning non supervisé

Le Machine Learning non supervisé implique l’apprentissage de modèles à l’aide de données qui
se composent uniquement des valeurs de caractéristiques sans étiquette connue. Les algorithmes
Machine Learning non supervisés déterminent les relations entre les caractéristiques des
observations dans les données d’apprentissage.

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 :

 Regrouper des fleurs semblables en fonction de leur taille, du nombre de feuilles et de

pétales.
 Identifiez les groupes de clients semblables en fonction des attributs démographiques et
du comportement d’achat.

À certains égards, le clustering est semblable à la classification multiclasse. En ce sens qu’il

classe les observations en groupes discrets. La différence est que lorsque vous utilisez la
classification, vous connaissez déjà les classes auxquelles appartiennent les observations dans les
données d’apprentissage. Ainsi, l’algorithme fonctionne en déterminant la relation entre les
caractéristiques et l’étiquette de classification connue. Dans le clustering, il n’existe au préalable
aucune étiquette de cluster connue et l’algorithme regroupe les observations de données en
fonction de la similarité des fonctionnalités.

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 :

 Intégré et prêt à être utilisé

 Accessible via des API
 Disponible sur Azure

Les services Azure AI services sont intégrés et prêts à être

utilisés
L’IA a été prohibitive pour tous, à l’exception des plus grandes entreprises technologiques en
raison de plusieurs facteurs, y compris les grandes quantités de données requises pour former des
modèles, la quantité massive de puissance de calcul nécessaire et le budget pour embaucher des
programmeurs spécialisés. Les services Azure AI services rendent l’IA accessible aux entreprises
de toutes tailles en utilisant des modèles Machine Learning préformés pour fournir l’IA en tant
que service. Les services Azure AI services utilisent le calcul Azure hautes performances pour
déployer des modèles IA avancés en tant que ressources, rendant des décennies de recherche
disponibles pour les développeurs de tous les niveaux de compétence.

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 services sont accessibles via des API

Les services Azure AI services sont conçus pour être utilisés dans différents environnements de
développement, avec un codage minimal. Les développeurs peuvent accéder aux services IA via
des API REST, des bibliothèques clientes ou les intégrer à des outils tels que Logic Apps et
Power Automate. Les API sont des interfaces de programmation d’applications qui définissent les
informations requises pour qu’un composant utilise les services de l’autre. Les API permettent
aux composants logiciels de communiquer, afin qu’un côté puisse être mis à jour sans empêcher
l’autre de fonctionner. Découvrez plus d’informations sur les options de développement pour les
services Azure AI services ici.

Les services Azure AI services sont disponibles sur Azure

Les services IA sont basés sur le cloud et accessibles via une ressource Azure. Cela signifie qu’ils
sont gérés de la même façon que d’autres services Azure, tels que PaaS (platform as a service),
IaaS (infrastructure as a service) ou un service de base de données managé. La plateforme Azure
et Resource Manager fournissent une infrastructure cohérente pour tous vos services Azure, de la
création ou de la suppression de ressources, à la disponibilité et à la facturation.

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.

Comment utiliser le portail Microsoft Azure pour créer une

ressource Azure AI Services
Pour créer une ressource Azure AI Services, connectez-vous au portail Microsoft Azure avec
l’accès Contributeur, puis sélectionnez Créer une ressource. Pour créer une ressource
multiservice, recherchez Azure AI services sur marketplace.

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’intelligence artificielle (IA) imite le comportement humain en utilisant le Machine Learning

pour interagir avec l’environnement et exécuter des tâches sans instructions explicites sur ce qu’il
faut produire.

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.).

Génération de langage naturel

Pour générer une réponse en langage naturel, vous pouvez soumettre une demande du type
« Donne-moi trois idées de petit-déjeuner sain avec des poivrons. »

Une application d’IA générative peut répondre à une telle demande comme ceci :

D’accord, voici trois petits-déjeuners sains avec des poivrons :

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 de langage naturel

Pour générer une réponse en langage naturel, vous pouvez soumettre une demande du type
« Donne-moi trois idées de petit-déjeuner sain avec des poivrons. »

Une application d’IA générative peut répondre à une telle demande comme ceci :

D’accord, voici trois petits-déjeuners sains avec des poivrons :

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 :

Grands modèles de langage

Effectué 100 XP

 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 :

 Déterminer un sentiment ou classifier autrement du texte en langage naturel.

 Résumer un texte.
 Comparer plusieurs sources de texte pour y rechercher une similarité sémantique.
 Générer du langage naturel nouveau.

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.

Qu’est-ce qu’Azure OpenAI ?

Effectué 100 XP

 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.

Azure OpenAI Studio

Les développeurs peuvent utiliser ces modèles dans Azure OpenAI Studio, un environnement
web dans lequel les professionnels de l’IA peuvent déployer, tester et gérer de grands modèles de
langage qui prennent en charge le développement d’applications d’IA générative sur Azure.

En quoi consistent les copilotes ?

Effectué 100 XP

 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.

Améliorer les réponses de l’IA générative avec le prompt engineering

Effectué 100 XP

 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.

Écriture de bons prompts

Pour obtenir les complétions les plus utiles, soyez explicite sur le type de réponse que vous
souhaitez obtenir. Par exemple : « Créer une liste de 10 choses à faire à Édimbourg en août ».
Vous pouvez obtenir de meilleurs résultats quand vous envoyez des prompts clairs et spécifiques.

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.