Fondamentaux de l’IA sur Microsoft Azure AI-900
On this page… (hide)
- 1. L’examen
- 2. Le programme
- 2.1 charges de travail et des considérations liées à l’intelligence artificielle (15–20%) ;
- 2.2 principes fondamentaux de l’apprentissage automatique sur Azure (20–25%) ;
- 2.3 fonctionnalités des charges de travail de vision par ordinateur sur Azure (15–20%) ;
- 2.4 fonctionnalités des charges de travail de traitement du langage naturel (NLP, Natural Language Processing) sur Azure (15–20%) ;
- 2.5 fonctionnalités des charges de travail d’intelligence artificielle générative sur Azure (15–20%).
La certification AI-900 : Fondamentaux de l’IA sur Microsoft Azure est destinée aux candidats qui cherchent à démontrer leur connaissance des concepts d’apprentissage automatique et d’intelligence artificielle, ainsi que des services associés de Microsoft Azure. Il s’adresse aux candidats ayant des antécédents techniques ou non techniques. Même si l’expérience en data science ou en ingénierie logicielle n’est pas requise, il est recommandé d’avoir une compréhension des concepts de base du cloud et des applications client-serveur.
1. L’examen
Les conditions de l’examen sont les suivantes :
Langue(s) disponible(s) : français, anglais
Durée : 45–60 min.
Nombre de questions : 52
Option 2nd chance (retake) : possible 24h après la première tentative
Lieu de passage de l’examen : en ligne, dans vos locaux ou dans un centre agréé
2. Le programme
Les objectifs de la formation sont les suivants :
2.1 charges de travail et des considérations liées à l’intelligence artificielle (15–20%) ;
- Identifier les caractéristiques des charges de travail courantes en IA
- Identifier les caractéristiques des charges de travail de modération de contenu et de personnalisation
- Identifier les charges de travail en vision par ordinateur
- Identifier les charges de travail en traitement du langage naturel
- Identifier les charges de travail d’extraction de connaissances
- Identifier les charges de travail en intelligence documentaire
- Identifier les caractéristiques des charges de travail en IA générative
- Identifier les principes directeurs pour une IA responsable
- Décrire les considérations pour l’équité dans une solution d’IA
- Décrire les considérations pour la fiabilité et la sécurité dans une solution d’IA
- Décrire les considérations pour la confidentialité et la sécurité dans une solution d’IA
- Décrire les considérations pour l’inclusivité dans une solution d’IA
- Décrire les considérations pour la transparence dans une solution d’IA
- Décrire les considérations pour la responsabilité dans une solution d’IA
2.2 principes fondamentaux de l’apprentissage automatique sur Azure (20–25%) ;
- Identifier les techniques courantes d’apprentissage automatique
- Identifier les scénarios de régression en apprentissage automatique
- Identifier les scénarios de classification en apprentissage automatique
- Identifier les scénarios de clustering en apprentissage automatique
- Identifier les caractéristiques des techniques d’apprentissage profond
- Décrire les concepts de base de l’apprentissage automatique
- Identifier les caractéristiques et les étiquettes dans un ensemble de données pour l’apprentissage automatique
- Décrire comment les ensembles de données de formation et de validation sont utilisés en apprentissage automatique
- Décrire les capacités d’Azure machine learning
- Décrire les capacités du machine learning automatisé
- Décrire les services de données et de calcul pour la science des données et l’apprentissage automatique
- Décrire les capacités de gestion et de déploiement de modèles dans Azure machine learning
2.3 fonctionnalités des charges de travail de vision par ordinateur sur Azure (15–20%) ;
- Identifier les types courants de solutions de vision par ordinateur
- Identifier les caractéristiques des solutions de classification d’images
- Identifier les caractéristiques des solutions de détection d’objets
- Identifier les caractéristiques des solutions de reconnaissance de caractères optiques
- Identifier les caractéristiques des solutions de détection et d’analyse faciale
- Identifier les outils et services Azure pour les tâches de vision par ordinateur
- Décrire les capacités du service “Azure AI Vision”
- Décrire les capacités du service “Azure AI Face detection”
2.4 fonctionnalités des charges de travail de traitement du langage naturel (NLP, Natural Language Processing) sur Azure (15–20%) ;
- Identifier les caractéristiques des scénarios de charges de travail NLP courants
- Identifier les caractéristiques et les usages de l’extraction de phrases clés
- Identifier les caractéristiques et les usages de la reconnaissance d’entités
- Identifier les caractéristiques et les usages de l’analyse des sentiments
- Identifier les caractéristiques et les usages de la modélisation de langage
- Identifier les caractéristiques et les usages de la reconnaissance et de la synthèse vocale
- Identifier les caractéristiques et les usages de la traduction
- Identifier les outils et services Azure pour les charges de travail NLP
- Décrire les capacités du service “Azure AI Language””
- Décrire les capacités du service “Azure AI Speech”
2.5 fonctionnalités des charges de travail d’intelligence artificielle générative sur Azure (15–20%).
- Identifier les caractéristiques des solutions d’IA générative
- Identifier les caractéristiques des modèles d’IA générative
- Identifier les scénarios courants pour l’IA générative
- Identifier les considérations pour une IA responsable dans le cadre de l’IA générative
- Identifier les capacités du service “Azure OpenAI”
- Décrire les capacités de génération de langage naturel du service “Azure OpenAI”
- Décrire les capacités de génération de code du service “Azure OpenAI”
- Décrire les capacités de génération d’images du service “Azure OpenAI”
