概述
展現您自動化、監控及管理企業級 AI 的能力。
本課程準備學習者設計、實作及操作 Azure 上的機器學習運維(MLOps)與生成式 AI 運維(GenAIOps)解決方案。
課程涵蓋建立安全且可擴展的 AI 基礎架構、使用 Azure Machine Learning 管理傳統機器學習模型的全生命週期,以及使用 Microsoft Foundry 部署、評估、監控與優化生成式 AI 應用與代理。
學習者將透過 GitHub Actions、Azure CLI 及 Bicep 等工具,獲得自動化、持續整合與交付、基礎架構即程式碼及可觀察性的實務知識。
課程強調與資料科學及 DevOps 團隊合作,交付可靠且可上環境的 AI 系統,並符合現代 MLOps 與 GenAIOps 最佳實務。
為什麼選擇 KORNERSTONE
- 經認證、由實務人員主導的專家證書培訓師,提供高品質的培訓
- 官方訓練資料包含
- 實務、情境導向學習——著重應用,而非僅理論
- 優秀的通過率
涵蓋技能
- 設計並實作 MLOps 基礎架構
- 實作機器學習模型生命週期與作業
- 設計並實作 GenAIOps 基礎架構
- 實作生成式 AI 品質保證與可
- 優化生成式 AI 系統與模型效能
觀察性
先決條件
- Python 或 R
- 開發與訓練機器學習模型
- 熟悉 Azure 機器學習的基本概念
程式設計經驗
的經驗
目標受眾
本課程適合資料科學家、機器學習工程師及 DevOps 專業人士,協助他們在 Azure 上設計並操作生產級 AI 解決方案。
適合具備 Python 經驗、具備機器學習概念基礎,並對 DevOps 實務(如原始碼控制、CI/CD 及命令列工具)有基本熟悉的學習者,準備使用 Azure 原生服務實作 MLOps 與 GenAIOps 工作流程。
培訓大綱
模組一:Azure 機器學習實驗
- 簡介
- 資料前處理與特徵化
- 執行自動化機器學習實驗
- 評估與比較模型
- 在筆記本
中配置 MLflow 以追蹤模型 - 在筆記本
- 使用 Responsible AI 儀表板
- 練習 – 使用 Azure 機器學習尋找最佳分類模型
- 模組評量
配置
中訓練並追蹤模型
評估模型
模組 2:使用 Azure 機器學習
-
執行超參數調校
- 簡介
- 定義搜尋空間
- 配置取樣方法
- 設定早期終止
- 使用掃描工作進行超參數調整
- 練習 – 執行掃描工作
- 模組評估
模組 3:在 Azure 機器學習
-
中執行管線
- 導言
- 建立元件
- 建立管線
- 執行管線工作
- 練習- 執行管線工作
- 模組評估
模組 4:使用 GitHub Actions 觸發 Azure 機器學習工作
- 導論
- 了解商業問題
- 探索解決方案架構
- 使用 GitHub Actions 進行模型訓練
- 練習
- 模組評估
- 模組 5:以功能為基礎開發
- 簡介
- 了解商業問題
- 探索解決方案架構
- 觸發工作流程
- 練習
- 模組評估
觸發 GitHub 動作
模組 5:在 GitHub 操作環境中的操作
- 導言
- 理解商業問題
- 探索解決方案架構
- 建立環境
- 演練
- 模組評估
模組 6:使用 GitHub 動作
-
部署模型
- 簡介
- 了解商業問題
- 探索解決方案架構
- 模型部署
- 演練
- 模組評估
模組 7:規劃並準備 GenAIOps 解決方案
- 導言
- 探索 GenAIOps
- 選擇合適的生成式 AI 模型
- 了解語言模型應用
- 探索可用工具與框架以實作 GenAIOps
- 演練 – 比較模型目錄
- 模組評估
的使用案例
的開發生命週期
中的語言模型
模組 8:使用 GitHub
管理 Microsoft Foundry 代理的提示
- 簡介
- 對提示
- 了解 Microsoft Foundry 代理與提示版本管理
- 組織 GitHub 倉庫
- 建立安全提示部署工作流程
- 練習 – 開發提示與代理版本
- 知識檢查
符套用版本控制
中的提示
模組 9:透過結構化實驗
-
評估與優化 AI 代理
- 導言
- 設計評估實驗
- 將基於 Git 的工作流程應用於最佳化實驗
- 應用評估規準以維持
- 練習 – 評估與比較 AI 代理版本
- 知識檢查
一致評分
模組 10:使用 Microsoft Foundry 與 GitHub Actions 自動化 AI 評估
- 簡介
- 了解自動化評估
- 使評估者符合人類標準
- 建立評估資料集
- 使用 Python
- 將評估整合到 GitHub 動作中
- 練習- 設定自動化評估
- 知識檢查
的重要性
實作批次評估
模組 11:監控您的生成式 AI 應用
- 簡介
- 為什麼需要監控?
- 了解需要監控
- 探索如何使用 Microsoft Azure
- 將監控整合進你的應用程式
- 解讀監控結果
- 運動 – 啟用生成式 AI 應用
- 知識檢查
的關鍵指標
監控
的監控功能
模組 12:分析並除錯你的生成式 AI 應用程式,使用追蹤
- 導言
- 為什麼你需要使用追蹤?
- 辨識生成式 AI 應用
- 在生成式 AI 應用
- 利用進階追蹤模式
- 利用追蹤資料分析
- 練習 – 啟用生成式 AI 應用
- 知識檢查
:
中要追蹤的目標
中實作追蹤
除錯複雜工作流程
做出明智決策
的追蹤功能
日期與地點

考試與認證
Microsoft 認證:機器學習運維(MLOps)工程師助理。
展示在 Azure 上建立機器學習運維(MLOps)及生成式 AI 運維(GenAIOps)解決方案基礎設施的能力,合稱為 AI 運維(AIOps)。





