AI-300: Operacionalización del aprendizaje automático y soluciones de IA generativa

Acerca de este curso

Este curso está dirigido a alumnos que quieran aprender a llevar soluciones de inteligencia artificial a entornos reales de producción en Azure.

Durante la formación, se trabaja cómo diseñar, implementar y operar procesos de MLOps y GenAIOps para gestionar de forma segura y eficiente tanto modelos tradicionales de Machine Learning como aplicaciones y agentes de IA generativa.

El alumno aprenderá a crear infraestructuras de IA escalables, administrar el ciclo de vida completo de los modelos con Azure Machine Learning y desplegar, evaluar, supervisar y optimizar soluciones de IA generativa con Microsoft Foundry.

Además, el curso incorpora herramientas clave en entornos profesionales, como GitHub Actions, Azure CLI y Bicep, para automatizar procesos, aplicar integración y entrega continua, trabajar con infraestructura como código y mejorar la observabilidad de las soluciones.

Una formación práctica para entender cómo colaboran los equipos de ciencia de datos, desarrollo y operaciones en la creación de sistemas de IA fiables, seguros y preparados para producción.

El presente curso oficial corresponde al contenido diseñado por Microsoft con la denominación Course AI-103T00-A: Develop AI apps and agents on Azure.

Valor añadido de PUE

Acceso gratuito a un curso y certificación oficial Microsoft Fundamentals

Como valor añadido, al realizar el presente curso tendrás incluido, sin coste adicional, el acceso a una convocatoria del curso oficial Microsoft Fundamentals que desees. Además, los miembros del colectivo PUE Alumni dispondrán también del practice test y de la certificación oficial asociados al curso Microsoft Fundamentals seleccionado.

Podrás escoger uno de los cursos Microsoft Fundamentals ofrecidos por PUE, con convocatoria garantizada:

Consulta las próximas ediciones

PUE es Training Partner de Microsoft autorizado por dicha multinacional para impartir formación oficial en sus tecnologías.

A quién va dirigido

Objetivos del curso

Al finalizar este curso, el alumno será capaz de:

• Experimentar con Azure Machine Learning.
• Realizar ajuste de hiperparámetros.
• Ejecutar canalizaciones en Azure Machine Learning.
• Desencadenar trabajos de Azure ML con GitHub Actions.
• Implementar desarrollo basado en características con GitHub Actions.
• Trabajar con entornos en GitHub Actions.
• Implementar modelos con GitHub Actions.
• Planear y preparar una solución de GenAIOps.
• Gestionar indicaciones (prompts) con control de versiones en GitHub.
• Evaluar y optimizar agentes de IA mediante experimentos estructurados.
• Automatizar evaluaciones de IA con GitHub Actions y Microsoft Foundry.
• Supervisar el rendimiento de aplicaciones de IA generativa.
• Analizar y depurar aplicaciones de IA generativa con seguimiento distribuido.

Certificación incluida

Este curso oficial es el recomendado por Microsoft para la preparación del siguiente examen de certificación oficial valorado en 126€, que incluimos en el precio del curso a todos los miembros del programa PUE Alumni.

• AI-103: Developing AI Apps and Agents on Azure.

La superación de este examen es requisito imprescindible para obtener la certificación Microsoft Certified: Azure AI Apps and Agents Developer Associate.

PUE es Training Services Partner de Microsoft autorizado por dicha multinacional para impartir formación oficial en sus tecnologías.

Somos centro certificador oficial facilitando la gestión del examen al candidato. El alumno podrá realizar su certificación, bien en nuestras instalaciones o, si lo prefiere, a través de la opción Online Proctored, que permite atender la certificación oficial de Microsoft desde cualquier ubicación con una simple conexión a internet.

Contenidos

Operacionalización de modelos de aprendizaje automático (MLOps).

Módulo 1. Experimento con Azure Machine Learning.

• Procesamiento previo de los datos y configuración de la caracterización.
• 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.

Módulo 2. Realización del ajuste de hiperparámetros con Azure Machine Learning.

• 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.

Módulo 3. Ejecución de canalizaciones en Azure Machine Learning.

• Crear componentes.
• Crear una canalización.
• Ejecución de un trabajo de canalización.

Módulo 4. Desencadenamiento de trabajos de Azure Machine Learning con acciones de GitHub.

• Descripción del problema empresarial.
• Exploración de la arquitectura de la solución.
• Uso de Acciones de GitHub para el entrenamiento de modelos.

Módulo 5. Desencadenamiento de Acciones de GitHub con desarrollo basado en características.

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

Módulo 6. Trabajo con entornos en GitHub Actions.

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

Módulo 7. Implementación de un modelo con acciones de GitHub.

• Descripción del problema empresarial.
• Exploración de la arquitectura de la solución.
• Implementación de modelo.

Operacionalización de aplicaciones de IA generativas (GenAIOps).

Módulo 1. Planeamiento y preparación de una solución de GenAIOps.

• 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.

Módulo 2. Gestión de indicaciones para agentes en Microsoft Foundry con GitHub.

• 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 solicitud de avisos seguros.

Módulo 3. Evaluación y optimización de los agentes de IA mediante experimentos estructurados.

• 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.

Módulo 4. Automatización de evaluaciones de IA con Acciones de Microsoft Foundry y GitHub.

• 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.

Módulo 5. Supervisión de una aplicación de IA generativa.

• ¿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.

Módulo 6. Analiza y depura tu aplicación de IA generativa con seguimiento.

• ¿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.