Informations, communications, conseils en infrastructure

Facebook Twitter Youtube Instagram

AI-900 – Concepts de base de Microsoft Azure AI

Par Remy Non classé
Liste de souhaits Partager
Partager le cours
Lien de la page
Partager sur les réseaux sociaux

À propos du cours

Plongez dans l’Univers de l’Intelligence Artificielle avec Azure AI !

Êtes-vous prêt à explorer le futur ? Rejoignez notre formation « AI-900 – Concepts de base de Microsoft Azure AI » et découvrez comment l’intelligence artificielle transforme le monde qui nous entoure !

– Développez votre curiosité** : Apprenez les concepts essentiels de l’IA et comment ils s’appliquent dans des scénarios réels.
– Explorez les outils puissants d’Azure** : Familiarisez-vous avec les services Azure AI qui rendent l’innovation accessible à tous.
– Libérez votre créativité** : Découvrez comment créer des solutions intelligentes en utilisant le Machine Learning, la vision par ordinateur et le traitement du langage naturel.

Ne manquez pas cette opportunité de vous positionner à la pointe de la technologie ! Inscrivez-vous dès aujourd’hui et devenez un acteur clé de la révolution numérique. L’avenir vous attend !

Afficher plus

Contenu du cours

1. Décrire les charges de travail et les considérations de l’intelligence artificielle (15 à 20 %)
Introduction** La section sur les charges de travail et les considérations de l'intelligence artificielle (IA) dans la certification AI-900 aborde les différents types d'applications d'IA, leurs caractéristiques, et les facteurs à considérer lors de leur mise en œuvre. Cette partie est essentielle pour comprendre comment l'IA peut être intégrée dans des solutions concrètes et comment elle peut répondre à des besoins spécifiques. #### **Concepts Clés** Les charges de travail d'IA incluent plusieurs domaines principaux : - **Apprentissage Automatique (Machine Learning)** : Utilisation d'algorithmes pour analyser des données, apprendre de celles-ci, et faire des prédictions ou des classifications. - **Vision par Ordinateur (Computer Vision)** : Techniques permettant aux machines de comprendre et d'interpréter le contenu visuel. - **Traitement du Langage Naturel (Natural Language Processing)** : Interactions entre ordinateurs et langage humain, permettant la compréhension et la génération de texte. - **IA Générative** : Modèles capables de créer du contenu nouveau, comme des textes ou des images, en se basant sur des données d'entraînement. #### **Configuration et Gestion** Pour configurer et gérer des charges de travail d'IA sur Azure, il est crucial de : - **Choisir le bon service Azure** : Par exemple, Azure Machine Learning pour l'apprentissage automatique, ou Azure Cognitive Services pour des tâches spécifiques comme la reconnaissance d'images ou l'analyse de texte. - **Déployer des modèles** : Utiliser Azure pour déployer des modèles d'IA afin qu'ils soient accessibles via des API. - **Surveiller les performances** : Mettre en place des outils pour suivre la performance des modèles en production et ajuster les paramètres si nécessaire. #### **Meilleures Pratiques** Les meilleures pratiques incluent : - **Utilisation de données de qualité** : Assurer que les données utilisées pour entraîner les modèles sont pertinentes et bien étiquetées. - **Évaluation continue** : Tester régulièrement les modèles avec des données nouvelles pour éviter la dérive du modèle (model drift). - **Documentation** : Maintenir une documentation complète sur le développement et l'utilisation des modèles pour faciliter la maintenance future. #### **Considérations de Sécurité** Lors de l'implémentation de solutions IA, il est essentiel de considérer : - **Protection des données** : S'assurer que toutes les données utilisées sont sécurisées et conformes aux réglementations sur la protection des données. - **Éthique de l'IA** : Évaluer l'impact éthique des décisions prises par les algorithmes, notamment en matière de biais et d'équité. #### **Dépannage Courant** Les problèmes courants peuvent inclure : - **Modèles sous-performants** : Identifier si le problème provient d'un manque de données ou d'une mauvaise configuration du modèle. - **Difficultés d'intégration** : Vérifier la compatibilité entre différents services Azure lors de l'intégration. #### **Intégration avec d'autres fonctionnalités Teams** L'intégration avec Microsoft Teams permet d'utiliser l'IA pour : - **Améliorer la collaboration** : Utiliser des chatbots alimentés par IA pour répondre aux questions fréquentes au sein des équipes. - **Automatiser les tâches** : Déployer des solutions IA qui automatisent certaines tâches administratives. #### **Évolutions Récentes et Futures** Les évolutions récentes dans le domaine incluent : - L'amélioration continue des algorithmes d'apprentissage profond. - L'émergence de modèles pré-entraînés qui simplifient le processus d'intégration de l'IA dans diverses applications. #### **Exemple de Question d'Examen AI-900** Une question typique pourrait être : > Quel type d'application utiliseriez-vous pour analyser les sentiments dans un ensemble de commentaires clients ? > - A) Apprentissage supervisé > - B) Traitement du langage naturel > - C) Vision par ordinateur > - D) Apprentissage non supervisé **Réponse correcte : B) Traitement du langage naturel.** Cette documentation offre un aperçu complet sur la fonctionnalité "Décrire les charges de travail et les considérations de l’intelligence artificielle", fournissant ainsi une base solide pour aborder cette section lors de la préparation à l'examen AI-900.

  • 1.1 Identifier les caractéristiques des charges de travail courantes de l’IA
    00:00
  • 1.2 Identifier les caractéristiques de modération du contenu et des charges de travail de personnalisation
    00:00
  • 1.3 Identifier les charges de travail de la vision par ordinateur
    00:00
  • 1.4 Identifier les charges de travail de traitement du langage naturel
    00:00
  • 1.5 Identifier les charges de travail d’exploration des connaissances
    00:00
  • 1.6 Identifier les charges de travail d’intelligence documentaire
    00:00
  • 1.7 Identifier les caractéristiques des charges de travail d’IA générative
    00:00
  • 1.8 Identifier les principes fondamentaux d’une IA responsable
    00:00
  • 1.8.1 Décrire les considérations relatives à l’impartialité dans une solution d’IA
    00:00
  • 1.8.2 Décrire les considérations relatives à la fiabilité et à la sécurité dans une solution d’IA
    00:00
  • 1.8.3 Décrire les considérations relatives à la confidentialité et à la sécurité dans une solution d’IA
    00:00
  • 1.8.4 Décrire les considérations relatives à l’inclusion dans une solution d’IA
    00:00
  • 1.8.5 Décrire les considérations relatives à la transparence dans une solution d’IA
    00:00
  • 1.8.6 Décrire les considérations relatives à la responsabilité dans une solution d’IA
    00:00

2. Décrire les principes fondamentaux du Machine Learning sur Azure (20 à 25 %)
Introduction** Le Machine Learning (ML) sur Azure fournit une plateforme robuste pour développer, entraîner et déployer des modèles d'intelligence artificielle. En intégrant divers outils et services, Azure facilite la mise en œuvre de solutions de ML tout en garantissant la scalabilité, la sécurité et la conformité. Cette section aborde les principes fondamentaux du Machine Learning sur Azure, y compris sa configuration, ses meilleures pratiques et ses considérations de sécurité. #### **Concepts Clés** 1. **Machine Learning sur Azure** : Un service cloud qui permet aux utilisateurs de créer des modèles de ML à partir de données, d'entraîner ces modèles et de les déployer pour des prédictions. 2. **Composants Principaux** : - **Azure Machine Learning Studio** : Interface utilisateur pour gérer le cycle de vie des projets ML. - **Environnements** : Conteneurs qui encapsulent les dépendances nécessaires pour exécuter des modèles. - **Modèles Automatisés (AutoML)** : Fonctionnalité qui automatise le processus d'entraînement des modèles en testant plusieurs algorithmes. 3. **Flux de Travail du ML** : - **Préparation des Données** : Nettoyage et transformation des données pour les rendre exploitables. - **Entraînement du Modèle** : Utilisation d'algorithmes pour apprendre à partir des données. - **Évaluation** : Mesure de la performance du modèle sur un ensemble de test. - **Déploiement** : Mise en production du modèle pour effectuer des prédictions. #### **Configuration et Gestion** - **Outils et Technologies** : - Utilisation d'Azure Machine Learning SDK pour Python pour gérer les environnements, entraîner des modèles et déployer des services. - Intégration avec Azure Data Lake ou Azure Blob Storage pour le stockage des données. - **Étapes de Configuration** : 1. **Création d'un Espace de Travail** : Configurer un espace de travail Azure Machine Learning qui servira de conteneur pour tous les artefacts ML. 2. **Définition des Environnements** : Créer ou sélectionner des environnements prédéfinis contenant les dépendances nécessaires. 3. **Configuration du Cluster de Calcul** : Choisir le type et la taille du cluster qui exécutera les tâches d'entraînement. #### **Meilleures Pratiques** - **Utilisation d'AutoML** : Profiter d'AutoML pour automatiser la sélection des algorithmes et l'optimisation des hyperparamètres. - **Versionnage des Modèles** : Maintenir un historique des versions de modèles pour faciliter le suivi et la gestion. - **Documentation Complète** : Documenter chaque étape du processus, y compris les décisions prises lors du développement. #### **Considérations de Sécurité** - **Contrôle d'Accès** : Limiter l'accès aux ressources par utilisateur ou groupe via Azure Role-Based Access Control (RBAC). - **Chiffrement des Données** : Chiffrer les données en transit et au repos pour protéger les informations sensibles. - **Surveillance et Audit** : Mettre en place une surveillance continue pour détecter toute activité suspecte ou non conforme. #### **Dépannage Courant** - **Problèmes Fréquents** : - Échecs d'entraînement dus à une mauvaise qualité ou à un format inapproprié des données. - Problèmes de déploiement causés par des dépendances manquantes dans l'environnement. - **Solutions Potentielles** : - Vérifier et prétraiter les données avant l'entraînement pour garantir leur qualité. - S'assurer que toutes les dépendances nécessaires sont incluses dans l'environnement avant le déploiement. #### **Intégration avec d'autres fonctionnalités Teams** - L'intégration avec Microsoft Teams peut inclure des outils permettant aux équipes de collaborer sur le développement de modèles, facilitant ainsi le partage d'idées et la gestion de projets ML. #### **Évolutions Récentes et Futures** - Les avancées récentes dans Azure Machine Learning incluent l'amélioration continue des outils AutoML, rendant le processus d'entraînement plus accessible aux utilisateurs non techniques. - À l'avenir, on peut s'attendre à une intégration accrue avec d'autres services Azure, permettant une automatisation encore plus poussée dans le cycle de vie du ML. #### **Exemple de Question d'Examen AI-900** Une question typique pourrait être : > Quel composant est essentiel pour gérer les dépendances lors du développement d'un modèle ML sur Azure ? > - A) Azure Blob Storage > - B) Environnement Azure Machine Learning > - C) Azure Virtual Machines > - D) Azure SQL Database **Réponse correcte : B) Environnement Azure Machine Learning.** Cette documentation fournit une vue complète sur "Décrire les principes fondamentaux du Machine Learning sur Azure", offrant ainsi une base solide pour aborder cette section lors de la préparation à l'examen AI-900.

3. Décrire les caractéristiques des charges de travail de la vision par ordinateur sur Azure (15 à 20 %)
*Introduction** La vision par ordinateur est un domaine clé de l'intelligence artificielle qui permet aux machines de "voir" et d'interpréter le monde visuel. Azure Machine Learning offre une variété de services et d'outils pour développer et déployer des modèles de vision par ordinateur, allant de la classification d'images à la détection d'objets. Cette section explore les caractéristiques des charges de travail de la vision par ordinateur sur Azure, y compris les concepts clés, la configuration, les meilleures pratiques et plus encore. #### **Concepts Clés** 1. **Définition de la Vision par Ordinateur** : La vision par ordinateur utilise des algorithmes pour traiter et analyser des images ou des vidéos afin d'extraire des informations significatives. 2. **Types de Tâches en Vision par Ordinateur** : - **Classification d'Images** : Attribuer une étiquette à une image (ex. : chat, chien). - **Détection d'Objets** : Identifier et localiser des objets dans une image en utilisant des boîtes englobantes. - **Segmentation d'Instances** : Identifier chaque pixel dans une image comme appartenant à un objet spécifique. 3. **Services Azure pour la Vision par Ordinateur** : - **Azure Computer Vision** : Fournit des API pour l'analyse d'images, y compris l'OCR (reconnaissance optique de caractères) et l'analyse de contenu. - **Custom Vision Service** : Permet aux utilisateurs de créer et d'entraîner leurs propres modèles de classification d'images. - **Azure Machine Learning AutoML** : Automatiser le processus de création et d'entraînement de modèles pour des tâches de vision par ordinateur. #### **Configuration et Gestion** - **Outils et Technologies** : - Utilisation du SDK Python d'Azure Machine Learning pour interagir avec les services de vision par ordinateur. - Configuration via l'interface Azure ML Studio pour gérer les projets liés à la vision par ordinateur. - **Étapes de Configuration** : 1. **Création d'un Espace de Travail** : Configurer un espace dédié dans Azure pour gérer les projets de vision par ordinateur. 2. **Préparation des Données** : Rassembler et étiqueter les données pertinentes pour l'entraînement du modèle. 3. **Configuration du Modèle** : Choisir le type de modèle approprié en fonction du type de tâche (classification, détection, segmentation). #### **Meilleures Pratiques** - **Étiquetage Précis des Données** : Assurer que les données sont correctement étiquetées pour garantir la performance du modèle. - **Utilisation d'un Échantillon Représentatif** : S'assurer que l'échantillon utilisé pour entraîner le modèle couvre toutes les variations possibles présentes dans les données réelles. - **Tests A/B** : Effectuer des tests A/B pour comparer différentes versions du modèle afin d'optimiser les performances. #### **Considérations de Sécurité** - **Protection des Données Sensibles** : Chiffrer toutes les données utilisées dans le modèle pour protéger les informations personnelles. - **Contrôle d'Accès** : Mettre en œuvre un contrôle d'accès basé sur les rôles (RBAC) pour limiter l'accès aux ressources critiques. - **Conformité Réglementaire** : S'assurer que tous les processus respectent les réglementations en matière de protection des données (ex. RGPD). #### **Dépannage Courant** - **Problèmes Fréquents** : - Échecs lors du déploiement dus à une mauvaise qualité ou à un format inapproprié des données. - Modèles sous-performants en raison d'un manque de diversité dans l'échantillon d'entraînement. - **Solutions Potentielles** : - Vérifier la qualité et le format des données avant le déploiement. - Utiliser des techniques d'augmentation des données pour enrichir le jeu d'apprentissage. #### **Intégration avec d'autres fonctionnalités Teams** - L'intégration avec Microsoft Teams permet aux équipes de collaborer sur le développement et l'évaluation des modèles, facilitant ainsi le partage d'idées et la gestion de projets. #### **Évolutions Récentes et Futures** - Les avancées récentes incluent une meilleure intégration avec des outils AutoML qui rendent le processus plus accessible aux utilisateurs non techniques. - À l'avenir, on peut s'attendre à voir davantage d'améliorations dans l'automatisation du traitement des données visuelles et dans l'explicabilité des modèles générés. #### **Exemple de Question d'Examen AI-900** Une question typique pourrait être : > Quel service Azure est principalement utilisé pour créer des modèles personnalisés pour la classification d'images ? > - A) Azure Computer Vision > - B) Azure Custom Vision > - C) Azure Machine Learning > - D) Azure Blob Storage **Réponse correcte : B) Azure Custom Vision.** Cette documentation fournit une vue complète sur "Décrire les caractéristiques des charges de travail de la vision par ordinateur sur Azure", offrant ainsi une base solide pour aborder cette section lors de la préparation à l'examen AI-900.

4. Décrire les caractéristiques des charges de travail du traitement du langage naturel (NLP) sur Azure (15 à 20 %)
Introduction** Le traitement du langage naturel (NLP) est une branche de l'intelligence artificielle qui permet aux machines de comprendre, interpréter et générer le langage humain. Azure propose une variété de services et d'outils pour faciliter le développement d'applications NLP, allant de l'analyse de sentiments à la reconnaissance d'entités nommées. Cette section examine les caractéristiques des charges de travail NLP sur Azure, y compris les concepts clés, la configuration, les meilleures pratiques et plus encore. #### **Concepts Clés** 1. **Définition du NLP** : Le NLP englobe les techniques et méthodes qui permettent aux ordinateurs d'analyser et de comprendre le langage humain sous forme écrite ou parlée. 2. **Services Azure pour le NLP** : - **Text Analytics API** : Permet d'extraire des informations clés telles que les entités, les phrases clés et les sentiments à partir de textes. - **Language Understanding Intelligent Service (LUIS)** : Aide à créer des modèles personnalisés qui comprennent les intentions des utilisateurs et extraient des entités. - **Azure Bot Service** : Facilite la création de chatbots intelligents capables de dialoguer avec les utilisateurs en langage naturel. 3. **Types de Tâches NLP** : - **Analyse de Sentiments** : Évaluation des émotions exprimées dans un texte. - **Reconnaissance d'Entités Nommées (NER)** : Identification des entités spécifiques dans un texte (personnes, lieux, dates). - **Classification de Texte** : Attribution d'étiquettes ou de catégories à des documents textuels. #### **Configuration et Gestion** - **Outils et Technologies** : - Utilisation du portail Azure pour gérer les ressources liées au NLP. - Intégration avec le SDK Python ou REST APIs pour automatiser les appels aux services. - **Étapes de Configuration** : 1. **Création d'une Ressource Azure Cognitive Services** : Configurer un service pour le traitement du langage naturel dans le portail Azure. 2. **Intégration avec les Applications** : Utiliser les API fournies pour intégrer les fonctionnalités NLP dans les applications existantes. 3. **Gestion des Résultats** : Traiter et stocker les résultats extraits selon les besoins opérationnels. #### **Meilleures Pratiques** - **Prétraitement des Données Textuelles** : Nettoyer et normaliser le texte avant l'analyse pour améliorer la précision des résultats. - **Utilisation d'un Échantillon Représentatif** : S'assurer que l'échantillon utilisé pour entraîner le modèle couvre toutes les variations possibles présentes dans les données réelles. - **Tests A/B** : Effectuer des tests A/B pour comparer différentes versions du modèle afin d'optimiser les performances. #### **Considérations de Sécurité** - **Protection des Données Sensibles** : Chiffrer toutes les données utilisées dans le modèle pour protéger les informations personnelles. - **Contrôle d'Accès** : Mettre en œuvre un contrôle d'accès basé sur les rôles (RBAC) pour limiter l'accès aux ressources critiques. - **Conformité Réglementaire** : S'assurer que tous les processus respectent les réglementations en matière de protection des données (ex. RGPD). #### **Dépannage Courant** - **Problèmes Fréquents** : - Échecs lors du traitement de textes dues à une mauvaise qualité ou à un format inapproprié. - Résultats peu précis en raison de données mal étiquetées ou incomplètes. - **Solutions Potentielles** : - Vérifier la qualité et le format des données avant le traitement. - Utiliser des techniques d'amélioration du texte pour optimiser les résultats avant l'extraction. #### **Intégration avec d'autres fonctionnalités Teams** - L'intégration avec Microsoft Teams permet aux équipes de collaborer sur le développement et l'évaluation des modèles NLP, facilitant ainsi le partage d'idées et la gestion de projets. #### **Évolutions Récentes et Futures** - Les avancées récentes incluent une amélioration continue dans l'efficacité des algorithmes grâce à l'apprentissage profond, rendant ces solutions plus accessibles aux utilisateurs non techniques. - À l'avenir, on peut s'attendre à voir davantage d'améliorations dans l'automatisation du traitement textuel et dans l'explicabilité des modèles générés par Azure AI. #### **Exemple de Question d'Examen AI-900** Une question typique pourrait être : > Quel service Azure est principalement utilisé pour effectuer une analyse approfondie du texte ? > - A) Azure Cognitive Services > - B) Text Analytics API > - C) Azure Machine Learning > - D) Azure Functions **Réponse correcte : B) Text Analytics API.** Cette documentation fournit une vue complète sur "Décrire les caractéristiques des charges de travail du traitement du langage naturel (NLP) sur Azure", offrant ainsi une base solide pour aborder cette section lors de la préparation à l'examen AI-900.

5 Décrire les fonctionnalités des charges de travail d’IA générative sur Azure (15 à 20 %)
Introduction** L'intelligence artificielle générative (IA générative) est une branche de l'IA qui utilise des modèles pour créer du contenu nouveau et original, tel que du texte, des images, de la musique et plus encore. Azure propose une suite de services et d'outils pour faciliter le développement d'applications basées sur l'IA générative. Ces outils permettent aux développeurs de tirer parti de modèles pré-entraînés et d'infrastructures puissantes pour créer des solutions innovantes. Cette section examine les fonctionnalités des charges de travail d'IA générative sur Azure. #### **Concepts Clés** 1. **Fonctionnalités Principales** : - **Modèles Pré-entraînés** : Accès à des modèles de fondation tels que ceux fournis par OpenAI, Hugging Face et d'autres partenaires. - **Génération de Contenu** : Capacité à créer du texte, des images ou d'autres types de contenu en fonction des prompts fournis par les utilisateurs. - **Personnalisation des Modèles** : Possibilité d'affiner les modèles pré-entraînés avec des données spécifiques à un domaine pour améliorer la pertinence et la précision. 2. **Outils et Services Azure** : - **Azure OpenAI Service** : Fournit un accès à des modèles avancés comme GPT-3 et DALL-E pour la génération de texte et d'images. - **Azure Machine Learning** : Permet aux utilisateurs de créer, entraîner et déployer leurs propres modèles génératifs. - **Azure AI Studio** : Un environnement intégré pour développer, évaluer et déployer des solutions d'IA générative. 3. **Utilisations Pratiques** : - **Création de Contenu Marketing** : Génération automatique de textes publicitaires ou d'articles de blog. - **Développement de Chatbots** : Utilisation de modèles génératifs pour créer des réponses naturelles dans les interactions utilisateur. - **Art Génératif** : Création d'œuvres d'art numériques basées sur des descriptions textuelles. #### **Configuration et Gestion** - **Outils et Technologies** : - Utilisation du portail Azure pour configurer et gérer les ressources liées à l'IA générative. - Intégration avec le SDK Azure pour différents langages (Python, C#, Java) afin de faciliter les appels API. - **Étapes de Configuration** : 1. **Création d'une Ressource Azure OpenAI** : Configurer un service dans le portail Azure pour accéder aux modèles génératifs. 2. **Envoi de Requêtes API** : Utiliser l'API REST ou les bibliothèques clientes pour envoyer des prompts aux modèles génératifs. 3. **Gestion des Résultats** : Traiter et stocker les résultats générés selon les besoins opérationnels. #### **Meilleures Pratiques** - **Prétraitement des Prompts** : Formuler clairement les prompts pour obtenir des résultats pertinents et précis. - **Utilisation d'un Échantillon Représentatif** : Tester les modèles avec différents types de données pour s'assurer qu'ils fonctionnent bien dans divers scénarios. - **Évaluation Continue** : Mettre en place un processus pour évaluer régulièrement la performance du modèle afin d'ajuster les paramètres si nécessaire. #### **Considérations de Sécurité** - **Protection des Données Sensibles** : Chiffrer toutes les données utilisées dans le modèle pour protéger les informations personnelles. - **Contrôle d'Accès** : Mettre en œuvre un contrôle d'accès basé sur les rôles (RBAC) pour limiter l'accès aux ressources critiques. - **Conformité Réglementaire** : S'assurer que tous les processus respectent les réglementations en matière de protection des données (ex. RGPD). #### **Dépannage Courant** - **Problèmes Fréquents** : - Résultats peu pertinents ou incohérents en raison de prompts mal formulés. - Échecs lors du traitement dus à une surcharge du service ou à une mauvaise qualité des données. - **Solutions Potentielles** : - Réviser et affiner les prompts avant l'envoi au modèle. - Vérifier l'état du service Azure pour s'assurer qu'il n'y a pas de problèmes connus. #### **Intégration avec d'autres fonctionnalités Teams** - L'intégration avec Microsoft Teams permet aux équipes d'utiliser ces technologies dans leurs réunions, facilitant ainsi une communication fluide entre participants distants et présents. #### **Évolutions Récentes et Futures** - Les avancées récentes incluent une amélioration continue dans l'efficacité des algorithmes grâce à l'apprentissage profond, rendant ces solutions plus accessibles aux utilisateurs non techniques. - À l'avenir, on peut s'attendre à voir davantage d'améliorations dans l'automatisation du traitement textuel et dans l'explicabilité des modèles générés par Azure AI. #### **Exemple de Question d'Examen AI-900** Une question typique pourrait être : > Quel service Azure est principalement utilisé pour accéder aux modèles génératifs comme GPT-3 ? > - A) Azure Cognitive Services > - B) Azure OpenAI Service > - C) Text Analytics API > - D) Language Understanding Intelligent Service (LUIS) **Réponse correcte : B) Azure OpenAI Service.** Cette documentation fournit une vue complète sur "Décrire les fonctionnalités des charges de travail d’IA générative sur Azure", offrant ainsi une base solide pour aborder cette section lors de la préparation à l'examen AI-900.

Notes et avis de l’apprenant

Encore aucun avis !
Encore aucun avis !

KEYSONCLOUD

Nous suivre sur les réseaux

Facebook Twitter Youtube Instagram