Ce module est consacré à l’une des techniques les plus efficaces pour améliorer les modèles de langage à grande échelle (LLM) : la génération augmentée par la recherche (RAG). Vous apprendrez à ancrer les modèles dans des sources de données externes, privées ou en temps réel afin de fournir des réponses plus précises et mieux adaptées au contexte. Vous commencerez par créer un pipeline RAG de base à l’aide des services Azure, puis vous passerez à la conception et à l’optimisation de systèmes avancés grâce à des techniques telles que le classement sémantique et des stratégies sophistiquées de découpage des données. Remarque importante concernant l’interface Azure : les vidéos de démonstration et les captures d’écran ont été mises à jour pour la dernière fois fin 2025. Veuillez noter que Microsoft a peut-être mis à jour l’interface Azure depuis lors. Si les étapes présentées dans les supports de cours diffèrent de votre environnement Azure actuel, veuillez suivre l’interface la plus récente, car les concepts sous-jacents et les objectifs d’apprentissage restent les mêmes.

Ce module explore le « fine-tuning » (ajustement fin) en tant que méthode puissante permettant de personnaliser le comportement, le style ou les connaissances de base d’un modèle de langage de grande échelle (LLM) pour des tâches de spécialisation. Vous découvrirez l’ensemble du processus de fine-tuning, depuis la préparation d’un ensemble de données de haute qualité jusqu’au lancement de la tâche d’entraînement et à l’évaluation des performances du modèle personnalisé sur Azure. Vous apprendrez notamment à choisir de manière stratégique quand utiliser le « fine-tuning » plutôt que le RAG — ou une approche hybride combinant les deux — afin de créer des solutions d’IA hautement efficaces et spécifiques à un domaine. Remarque importante concernant l’interface Azure : les vidéos de démonstration et les captures d’écran ont été mises à jour pour la dernière fois fin 2025. Veuillez noter que Microsoft a peut-être mis à jour l’interface Azure depuis lors. Si les étapes présentées dans les supports de cours diffèrent de votre environnement Azure actuel, veuillez suivre l’interface la plus récente, car les concepts sous-jacents et les objectifs d’apprentissage restent les mêmes.

Ce module fait le lien entre la théorie et la pratique en vous guidant tout au long du processus complet de création et de déploiement d’une application d’IA générative. Vous apprendrez à concevoir l’architecture et le parcours utilisateur d’une application avant de l’implémenter à l’aide des outils Azure AI Foundry et Prompt Flow. Le module aborde ensuite le cycle de vie essentiel des MLOps, en vous apprenant à déployer votre application en tant que point de terminaison sécurisé, à la gérer dans un environnement de production et à mettre en place une surveillance à l’aide d’Azure Monitor pour en évaluer les performances et les coûts. Remarque importante concernant l’interface Azure : les vidéos et captures d’écran ont été mises à jour pour la dernière fois fin 2025.Veuillez noter que Microsoft a peut-être mis à jour l’interface Azure depuis lors. Si les étapes présentées dans les supports de cours diffèrent de votre environnement Azure actuel, veuillez vous référer à l’interface la plus récente, car les concepts sous-jacents et les objectifs d’apprentissage restent les mêmes.