Operationalize machine learning and generative AI solutions
Operationalize machine learning and generative AI solutions
AI-300
Información del
Programa
AI-300T00 Operationalize machine learning and generative AI solutions
Este curso está orientado a profesionales que desean operacionalizar soluciones de inteligencia artificial en Microsoft Azure, aplicando prácticas de MLOps y GenAIOps. Los participantes aprenderán a diseñar, desplegar y gestionar modelos y aplicaciones de IA en entornos productivos, utilizando herramientas como Azure Machine Learning, pipelines CI/CD y servicios de IA generativa.
Al finalizar, serán capaces de automatizar el ciclo de vida de modelos, desplegar soluciones escalables y monitorizar su rendimiento en producción.
Objetivos
Diseñar e implementar soluciones de IA listas para producción en Azure.
Gestionar el ciclo de vida completo de modelos con Azure Machine Learning.
Implementar pipelines de CI/CD para automatizar el despliegue de soluciones de IA.
Desplegar y operar aplicaciones de IA generativa de forma segura y escalable.
Monitorizar y optimizar el rendimiento de modelos y aplicaciones en producción.
Temario
Módulo 1 – Experimentor con Azure Machine Learning
- Introducción
- Procesar datos y configurar características
- Ejecución de un experimento de aprendizaje automático automatizado
- Evaluación y comparación de modelos
- Configuración de MLflow para el seguimiento de modelos en cuadernos
- Entrenamiento y seguimiento de modelos en cuadernos
- Evaluación de modelos con el panel de control de IA responsable
- Ejercicio: Búsqueda del mejor modelo de clasificación con Azure Machine Learning
Módulo 2 – Realización del ajuste de hiperparámetros con Azure Machine Learning
- Introducción
- Definición de un espacio de búsqueda
- Configuración de un método de muestreo
- Configuración de la terminación anticipada
- Uso de un trabajo de barrido para el ajuste de hiperparámetros
- Ejercicio: Ejecución de un trabajo de barrido
Módulo 3 – Ejecución de canalizaciones en Azure Machine Learning
- Introducción
- Creación de componentes
- Creación de una canalización
- Ejecución de un trabajo de canalización
- Ejercicio: Ejecución de un trabajo de canalización
Módulo 4 – Desencadenamiento de trabajos de Azure Machine Learning con Acciones de GitHub
- Introducción
- Descripción del problema empresarial
- Exploración de la arquitectura de la solución
- Uso de Acciones de GitHub para el entrenamiento de modelos
- Ejercicio
Módulo 5 – Trabajar con entornos en Acciones de GitHub
- Introducción
- Descripción del problema empresarial
- Exploración de la arquitectura de la solución
- Configurar entornos
- Ejercicio
Módulo 6 – Implementación de un modelo con Acciones de GitHub
- Introducción
- Descripción del problema empresarial
- Exploración de la arquitectura de la solución
- Implementación de modelo
- Ejercicio
Módulo 7 – Planeamiento y preparación de una solución de GenAIOps
- Introducción
- Exploración de casos de uso para GenAIOps
- Selección del modelo de IA generativo adecuado
- Descripción del ciclo de vida de desarrollo de una aplicación de modelo de lenguaje
- Exploración de las herramientas y marcos disponibles para implementar GenAIOps
- Ejercicio: Comparación de modelos de lenguaje de catálogo de modelos
Módulo 8 – Gestión de indicaciones para agentes en Microsoft Foundry con GitHub
- Introducción
- Aplicar el control de versiones a las indicaciones
- Descripción de los agentes de Microsoft Foundry y solicitud de control de versiones
- Organización de avisos en repositorios de GitHub
- Desarrollo de flujos de trabajo de implementación de avisos seguros
- Ejercicio- Desarrolla las versiones de prompt y agente
Módulo 9 – Evaluación y optimización de los agentes de inteligencia artificial mediante experimentos estructurados
- Introducción
- Experimentos de evaluación de diseño
- Aplicación de flujos de trabajo basado en Git a experimentos de optimización
- Aplicación de rubrices de evaluación para la puntuación coherente
- Ejercicio: Evaluación y comparación de las versiones del agente de IA
Módulo 10 – Automatización de evaluaciones de IA con Acciones de Microsoft Foundry y GitHub
- Introducción
- Comprender por qué
- Alineación de evaluadores con criterios humanos
- Creación de conjuntos de datos de evaluación
- Implementación de evaluaciones por lotes con Python
- Integración de evaluaciones en Acciones de GitHub
- Ejercicio: Configuración de evaluaciones automatizadas
Módulo 11 – Supervisión de una aplicación de IA generativa
- Introducción
- ¿Por qué necesita supervisar?
- Descripción de las métricas clave para supervisar
- Exploración de cómo supervisar con Azure
- Integración de la supervisión en la aplicación
- Interpretación de los resultados de la supervisión
- Ejercicio: Habilitación de la supervisión de una aplicación de IA generativa
Módulo 12 – Analizar y depuración de la aplicación de IA generativa con seguimiento
- Introducción
- ¿Por qué necesita usar el seguimiento?
- Identificación de qué se debe realizar un seguimiento en las aplicaciones de IA generativas
- Implementación del seguimiento en aplicaciones de IA generativas
- Depuración de flujos de trabajo complejos con patrones de seguimiento avanzados
- Tomar decisiones fundamentadas con el análisis de datos de seguimiento
- Ejercicio: Habilitación del seguimiento de una aplicación de IA generativa
