Ce module explore la construction d'architectures résilientes et évolutives pour les applications LLM. Vous appliquerez la méthodologie app à 12 facteurs pour concevoir des microservices portables et natifs pour le cloud, en maîtrisant la conception sans état et la gestion des dépendances. Le programme fait le lien entre la théorie et la pratique en évaluant les stratégies de déploiement multi-régions pour la tolérance aux pannes et la haute disponibilité. Vous apprendrez à analyser les mécanismes de basculement et à atténuer les risques architecturaux avant la production. À la fin du cours, vous serez équipé pour documenter des systèmes d'IA fiables et à l'épreuve du temps. Les prérequis incluent une compréhension fondamentale des concepts du cloud (régions/zones) et des bases des microservices (conteneurs/API).

Ce module enseigne comment transformer les prototypes LLM en services de production. Vous apprendrez à analyser des architectures multi-étapes comme RAG pour identifier et quantifier les goulots d'étranglement de performance en utilisant des métriques basées sur des preuves. Le programme d'études se concentre sur la maîtrise du déploiement de Kubernetes par le biais de graphiques Helm déclaratifs et la mise en œuvre de l'autoscaling horizontal des pods (HPA) pour gérer le trafic imprévisible. En étudiant les cycles de vie de déploiement, y compris les déploiements contrôlés et les retours rapides, vous acquerrez les compétences nécessaires pour transformer des prototypes fragiles en systèmes de production résilients, évolutifs et fiables, capables de gérer les charges du monde réel.

Dans le paysage dynamique des données d'aujourd'hui, les pipelines sont souvent interrompus lorsque les structures des données sources changent de façon inattendue, un problème connu sous le nom de dérive des schémas (schema drift). Ce module s'attaque de front à ce défi, en vous apprenant à concevoir et à automatiser des pipelines de données capables de gérer gracieusement l'évolution des schémas à l'aide d'Apache Airflow. À la fin du module, vous serez équipé pour créer des pipelines de données résilients, évolutifs et entièrement automatisés qui sont conçus pour résister aux complexités des environnements de données du monde réel.

Dans ce module, vous jouerez le rôle d'un ingénieur système senior chargé de diagnostiquer un service d'intelligence artificielle défaillant. Un système RAG (Retrieval-Augmented Generation) critique est affecté par une latence élevée et des pannes intermittentes, et vous devez aller à la racine du problème. À l'aide de diagrammes architecturaux, de journaux système et de mesures de performances, vous analyserez la conception du système afin d'identifier le principal goulot d'étranglement des performances et le point de défaillance unique le plus important. Votre analyse aboutira à un rapport concis de deux paragraphes destiné aux parties prenantes, mettant en évidence les problèmes critiques et recommandant des correctifs ciblés pour rétablir la stabilité et les performances.