Formation IA dans le cloud Mixte : présentiel / à distance

• Analyser des cas d'usage d'IA et choisir les services cloud adaptés (compute, données, IA managée)
• Mettre en œuvre un pipeline d'inférence bout en bout (ingestion, prétraitement, modèle, exposition)
• Configurer la sécurité, la gouvernance des données et les coûts pour des charges IA
• Intégrer des services d'IA managés (vision, langage, recherche) dans une application
• Automatiser le déploiement et la supervision (CI/CD, MLOps, surveillance et logs)

Ingénieurs data/IA, développeurs cloud, architectes techniques en contexte entreprise

Équipes projets souhaitant industrialiser des cas d'usage IA sur Azure/AWS/GCP, en environnement IT gouverné

• Connaissances de base en Python ou équivalent
• Notions d'architecture cloud (réseaux, stockage, ...)

Jour 1 – Fondamentaux de l'IA dans le cloud et architecture de bout en bout

Session du matin :

Panorama des services IA dans le cloud : compute (CPU/GPU/Serverless), données (lakehouse), IA managée

Architecture de référence d'un pipeline d'inférence : flux de données, prétraitement, modèle, API, mise à l'échelle

Choix technologiques et critères : latence, coûts, conformité, localisation des données

Session de l'après-midi :

Sécurité et gouvernance : identités, clés/secrets, segmentation réseau, gestion des données sensibles

Observabilité et coûts : logs, métriques, traces, dimensionnement et optimisation

Modèle d'exploitation : rôles, runbooks, SLA/SLO et responsabilités

TP / Exercice :

Concevoir et déployer un premier pipeline d'inférence minimal dans un cloud donné : création des ressources nécessaires, déploiement d'un modèle pré-entraîné via un service managé, exposition d'une API et test de bout en bout. Livrable : schéma d'architecture, URL d'endpoint, jeux d'essais et mesure de latence/coût estimé.

Points clés & takeaways :

Architecture type d'un service d'inférence cloud et ses composants

Bonnes pratiques initiales de sécurité, observabilité et maîtrise des coûts

Jour 2 – Intégration de services d'IA managés et industrialisation (MLOps)

Session du matin :

Intégration de services d'IA managés (vision, NLP, recherche vectorielle, embeddings) dans une application

Patrons d'architectures pour RAG et recherche sémantique ; gestion des prompts et des contextes

Sécurisation des endpoints d'IA et protection contre les abus (quotas, rate limiting, filtrage)

Session de l'après-midi :

Automatisation CI/CD et MLOps : packaging, registres de modèles, déploiements contrôlés, rollback

Supervision du drift, qualité des données, alerting et boucles d'amélioration continue

Étude de cas fil rouge : choix des services, arbitrages coûts/perf/compliance et plan d'exploitation

TP / Exercice :

Intégrer un service d'IA managé (ex. NLP ou vision) dans une API existante et mettre en place un pipeline CI/CD simple avec supervision basique (logs/métriques) et tests fonctionnels. Livrable : dépôt de code, pipeline CI/CD opérationnel, tableau de bord de supervision et guide de runbook.

Points clés & takeaways :

Intégration sûre et efficace de services d'IA managés

Premiers jalons d'industrialisation avec CI/CD et MLOps

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• En individuel (monitorat)
• En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation :

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation : 

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation : 

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

• Admission sans disposition particulière