Les charges de travail et les considérations de l'IA sur Azure

Une charge de travail d'IA désigne un type de tâche que l'on confie à un système d'intelligence artificielle plutôt qu'à un traitement informatique classique. Microsoft distingue cinq grandes familles de charges de travail que l'on retrouve dans l'examen AI-900.

• La vision par ordinateur analyse des images ou des vidéos pour classifier, détecter des objets, reconnaître du texte ou décrire une scène.
• Le traitement du langage naturel (NLP) travaille sur du texte ou de la parole pour en extraire du sens : sentiment, entités, intentions, traduction.
• L'IA générative crée du contenu original, texte, image ou code, à partir de modèles de fondation entraînés sur d'immenses volumes de données.
• L'IA de décision aide à prendre des décisions automatisées ou à détecter des anomalies, par exemple repérer une transaction bancaire suspecte.
• L'extraction de connaissances (knowledge mining) consiste à indexer et rechercher de l'information dans de grands volumes de documents non structurés.

Chaque famille correspond à des services Azure différents, mais toutes reposent sur les mêmes fondations : des modèles entraînés sur des données, exposés via des API ou des SDK que les développeurs intègrent dans leurs applications.

Microsoft a formalisé six principes que toute solution d'IA construite sur Azure doit respecter. Ils forment le socle du volet considérations sur l'IA de l'examen AI-900.

• Équité : un système d'IA doit traiter tous les groupes d'utilisateurs de façon comparable, sans introduire ni amplifier de biais discriminatoires liés au genre, à l'origine ethnique ou à d'autres caractéristiques.
• Fiabilité et sécurité : le système doit fonctionner comme prévu, résister aux cas limites et être testé rigoureusement avant sa mise en production, en particulier pour les usages à fort enjeu comme la santé ou les transports.
• Confidentialité et sécurité : les données personnelles utilisées pour entraîner ou faire fonctionner le système doivent être protégées conformément aux réglementations, avec un accès restreint et un chiffrement adapté.
• Inclusion : les solutions doivent être conçues pour répondre aux besoins du plus grand nombre, y compris les personnes en situation de handicap.
• Transparence : les utilisateurs et les parties prenantes doivent pouvoir comprendre comment un système d'IA prend ses décisions et connaître ses limites.
• Responsabilité : des personnes doivent rester responsables du comportement du système, avec des mécanismes de gouvernance et de supervision humaine, en particulier pour les décisions automatisées à fort impact.

Ces principes s'appliquent aussi bien à un modèle de classification simple qu'à un chatbot génératif déployé à grande échelle.

Azure AI Foundry, anciennement connu sous les noms Azure AI Studio puis Azure AI services, centralise l'accès aux services d'intelligence artificielle de Microsoft dans un portail unique. Il permet de parcourir un catalogue de modèles, incluant les modèles Azure OpenAI et des modèles open source, de les tester directement dans un espace de test avant de les déployer, et de suivre leur comportement en production.

Le portail propose aussi des outils d'évaluation de la qualité et de la sécurité des réponses générées, ainsi que des filtres de contenu configurables pour bloquer les sorties inappropriées. Pour un candidat à l'examen AI-900, il faut retenir qu'Azure AI Foundry n'est pas un service d'IA en soi mais l'environnement de gestion qui réunit vision, langage, parole, IA générative et machine learning sous une même interface de développement.

Une partie de l'examen consiste à reconnaître, à partir d'une description de scénario, quel service Azure correspond au besoin. Quelques repères utiles :

• Analyser des photos de produits en rayon pour vérifier leur bon positionnement : Azure AI Vision.
• Comprendre le ton d'avis clients laissés sur un site e-commerce : Azure AI Language.
• Générer automatiquement des résumés de réunions ou rédiger des réponses email : Azure OpenAI Service.
• Détecter des pics inhabituels de consommation électrique dans un bâtiment : un modèle d'IA de décision de type détection d'anomalies.
• Retrouver rapidement une clause précise dans des milliers de contrats PDF archivés : Azure AI Search combiné à Azure AI Document Intelligence.

Cette capacité à relier un scénario métier à la famille de charge de travail puis au service Azure correspondant est directement testée dans plusieurs questions de l'examen réel.