Ce cours intègre Coursera Coach ! Une façon plus intelligente d'apprendre avec des conversations interactives en temps réel qui vous aident à tester vos connaissances, à remettre en question vos hypothèses et à approfondir votre compréhension à mesure que vous progressez dans le cours. Dans ce cours, vous acquerrez des connaissances approfondies et une expérience pratique avec les agents d'IA et les MLOps, des composants cruciaux pour le développement et le déploiement de solutions d'IA prêtes pour la production. Vous commencerez par explorer divers agents d'IA, notamment AutoGen, IBM Bee, LangGraph, CrewAI et AutoGPT. Le cours fournit des aperçus pratiques sur la façon dont ces cadres peuvent automatiser les flux de travail d'IA et créer des agents d'IA autonomes. Vous aurez l'occasion de mettre en œuvre ces agents, en développant des systèmes pilotés par l'IA qui peuvent effectuer des tâches telles que la prise de décision, l'automatisation et l'optimisation. La deuxième partie du cours se penche sur les MLOps, en se concentrant sur l'opérationnalisation des modèles d'apprentissage automatique. Vous explorerez les concepts MLOps tels que le versionnage, l'automatisation et la surveillance, et comment ils s'intègrent dans le contexte plus large du déploiement de l'apprentissage automatique. Grâce à des exercices pratiques, vous apprendrez à mettre en place des environnements MLOps à l'aide d'outils tels que Git, Docker et Kubernetes, et à développer des pipelines d'apprentissage automatique de bout en bout. Le cours met l'accent sur les différences critiques entre l'expérimentation et la production dans l'apprentissage automatique, en vous apprenant à construire des systèmes robustes qui peuvent passer en toute transparence du développement au déploiement. Le cours couvre également l'infrastructure nécessaire pour les MLOps, y compris les plates-formes de cloud comme AWS, GCP et Azure, et comment conteneuriser les modèles à l'aide de Docker. Vous acquerrez des compétences pratiques dans le déploiement et la gestion des modèles d'apprentissage automatique à l'échelle à l'aide de Kubernetes, en veillant à ce que vos modèles soient prêts pour la production et évolutifs. Ce parcours complet vous fournira les outils pour gérer les flux de travail ML, optimiser les processus de déploiement et intégrer des agents d'IA dans les environnements de production. Ce cours est conçu pour les praticiens de l'IA, les scientifiques de données et les ingénieurs intéressés à prendre leurs systèmes d'apprentissage automatique et d'IA à la production. Une compréhension de base des concepts d'apprentissage automatique et de la programmation est recommandée, car le cours se concentre sur l'application de ces concepts dans des environnements de production réels. À la fin du cours, vous serez en mesure de mettre en œuvre des agents d'IA à l'aide de cadres avancés, de mettre en place des pipelines MLOps, de conteneuriser et de déployer des modèles, et de gérer des modèles d'apprentissage automatique dans des environnements en nuage et sur site.