AI-300: Operationalize machine learning and generative AI solutions

Aprende a realizar ajustes de hiperparámetros con una tarea de exploración en Azure Machine Learning.

• Información general
• 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

Aprende a crear y usar componentes para compilar canalizaciones en Azure Machine Learning. Ejecuta y programa canalizaciones de Azure Machine Learning para automatizar flujos de trabajo de aprendizaje automático.

• Introducción
• Crear componentes
• Crear una canalización
• Ejecución de un trabajo de canalización
• Ejercicio: Ejecución de un trabajo de canalización

Aprende a automatizar los flujos de trabajo de aprendizaje automático mediante 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

Obtén información sobre cómo proteger la rama principal y cómo desencadenar tareas en el flujo de trabajo de aprendizaje automático según cambios en el código.

• Introducción
• Descripción del problema empresarial
• Exploración de la arquitectura de la solución
• Desencadenamiento de un flujo de trabajo
• Ejercicio

Aprende a entrenar, probar e implementar un modelo de aprendizaje automático mediante entornos como parte de su estrategia de operaciones de aprendizaje automático (MLOps).

• Introducción
• Descripción del problema empresarial
• Exploración de la arquitectura de la solución
• Configurar entornos
• Ejercicio

Aprende a automatizar y probar la implementación de modelos con acciones de GitHub y la CLI de Azure Machine Learning (v2).

• Introducción
• Implementación de modelo
• Automatización del despliegue
• Validación del modelo desplegado
• Uso de Azure CLI (v2)

Obtén información sobre cómo desarrollar aplicaciones de chat con modelos de lenguaje mediante un enfoque de desarrollo de código primero. Mediante el desarrollo de aplicaciones de IA generativas orientadas al código, puedes crear flujos sólidos y reproducibles que sean integrales para las operaciones de IA generativa, o 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
• Explore las herramientas y marcos disponibles para implementar GenAIOps
• Ejercicio: Comparación de modelos de lenguaje del catálogo de modelos

Aprende cómo administrar indicaciones de inteligencia artificial como activos versionados usando GitHub. Aplica los procedimientos recomendados de ingeniería de software para crear, probar y promover versiones de aviso usadas en Microsoft Foundry como parte de un flujo de trabajo de GenAIOps.

• 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: Desarrollar versiones de indicaciones y agente

Aprende a optimizar los agentes de inteligencia artificial mediante la evaluación estructurada que transforma las estimaciones en decisiones de ingeniería basadas en evidencia. Explorarás cómo diseñar experimentos de evaluación con métricas claras para la calidad, el coste y el rendimiento; organizar experimentos mediante flujos de trabajo basados en Git; crear rubricas de evaluación para la puntuación coherente y comparar los resultados para tomar decisiones de optimización fundamentadas.

• Introducción
• Experimentos de evaluación de diseño
• Aplicación de flujos de trabajo basados 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

Aprende a implementar evaluaciones automatizadas para las respuestas del agente de IA mediante evaluadores de Microsoft Foundry, crear conjuntos de datos de evaluación a partir de datos de producción y generación sintética, ejecutar evaluaciones por lotes con scripts de Python e integrar flujos de trabajo de evaluación en Acciones de GitHub para garantizar la calidad continua.

• Introducción
• Comprender por qué importan las evaluaciones automatizadas
• 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

Obtén información sobre cómo supervisar el rendimiento de la aplicación de IA generativa mediante Microsoft Foundry. Este módulo te enseña a realizar un seguimiento de las métricas clave, como la latencia y el uso de tokens, para tomar decisiones de implementación fundamentadas y rentables.

• Introducción
• ¿Por qué necesitas 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

Aprenda a implementar el seguimiento en las aplicaciones de IA generativas mediante Microsoft Foundry y OpenTelemetry. Este módulo le enseña a capturar flujos de ejecución detallados, depurar flujos de trabajo complejos y comprender el comportamiento de la aplicación para mejorar la confiabilidad y la optimización.

• 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