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
  • 觀察性

  • 優化生成式 AI 系統與模型效能

先決條件

  • Python 或 R
  • 程式設計經驗

  • 開發與訓練機器學習模型
  • 的經驗

  • 熟悉 Azure 機器學習的基本概念

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
  • 配置

  • 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
  • 中訓練並追蹤模型

  • 使用 Responsible AI 儀表板
  • 評估模型

  • 練習 – 使用 Azure 機器學習尋找最佳分類模型
  • 模組評量

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
  • 觸發 GitHub 動作

  • 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

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
  • 的使用案例

  • 選擇合適的生成式 AI 模型
  • 了解語言模型應用
  • 的開發生命週期

  • 探索可用工具與框架以實作 GenAIOps
  • 演練 – 比較模型目錄
  • 中的語言模型

  • 模組評估

模組 8:使用 GitHub
管理 Microsoft Foundry 代理的提示

  • 簡介
  • 對提示
  • 符套用版本控制

  • 了解 Microsoft Foundry 代理與提示版本管理
  • 組織 GitHub 倉庫
  • 中的提示

  • 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

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
  • 一致評分

  • 練習 – 評估與比較 AI 代理版本
  • 知識檢查

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
  • 的重要性

  • 使評估者符合人類標準
  • 建立評估資料集
  • 使用 Python
  • 實作批次評估

  • 將評估整合到 GitHub 動作中
  • 練習- 設定自動化評估
  • 知識檢查

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
  • 的關鍵指標

  • 探索如何使用 Microsoft Azure
  • 監控

  • 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
  • 的監控功能

  • 知識檢查

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
  • 中要追蹤的目標

  • 在生成式 AI 應用
  • 中實作追蹤

  • 利用進階追蹤模式
  • 除錯複雜工作流程

  • 利用追蹤資料分析
  • 做出明智決策

  • 練習 – 啟用生成式 AI 應用
  • 的追蹤功能

  • 知識檢查

讓我們為你努力

找不到合適的日期? 需要訓練整個團隊嗎? 想找折扣嗎?
今天就與我們的培訓顧問聯繫。

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)。