Podczas szkolenia uczestnicy uczą się projektować, wdrażać i operacjonalizować rozwiązania z zakresu Machine Learning Operations (MLOps) i Generative AI Operations (GenAIOps) na platformie Azure. Szkolenie obejmuje pełny cykl życia modeli uczenia maszynowego — od eksperymentowania i automatyzacji potoków, przez ciągłą integrację i dostarczanie (CI/CD), po wdrożenie modeli w środowiskach produkcyjnych. Uczestnicy pracują z narzędziami takimi jak Azure Machine Learning, GitHub Actions, Azure CLI i Bicep.

Drugi obszar szkolenia poświęcony jest operacjonalizacji generatywnych aplikacji AI. Uczestnicy uczą się zarządzać wersjami promptów i agentów w Microsoft Foundry, projektować eksperymenty ewaluacyjne, automatyzować ocenę jakości aplikacji przy użyciu GitHub Actions, a następnie monitorować i debugować działające rozwiązania przy użyciu mechanizmów śledzenia (tracing) opartych na OpenTelemetry.

Szkolenie kładzie nacisk na współpracę między zespołami Data Science i DevOps oraz na tworzenie niezawodnych, gotowych do produkcji systemów AI zgodnych z aktualnymi praktykami MLOps i GenAIOps. Szkolenie pomaga przygotować się do egzaminu AI-300 i uzyskania certyfikacji Microsoft Certified: Machine Learning Operations (MLOps) Engineer Associate.

W trakcie szkolenia:

• poznasz pełny cykl życia rozwiązań MLOps: od eksperymentowania z Azure Machine Learning po automatyczne wdrożenie modeli za pomocą GitHub Actions;
• nauczysz się planować i realizować operacje na generatywnych aplikacjach AI w Microsoft Foundry zgodnie z praktykami GenAIOps;
• zrozumiesz, jak zarządzać wersjami promptów i agentów oraz oceniać ich jakość w zautomatyzowanych eksperymentach ewaluacyjnych;
• nauczysz się monitorować i śledzić działanie aplikacji generatywnej AI w środowisku produkcyjnym;
• poznasz narzędzia automatyzacji infrastruktury jako kod (Bicep, Azure CLI) i CI/CD w kontekście platform AI.

Adresaci szkolenia:

Szkolenie jest skierowane do inżynierów uczenia maszynowego, inżynierów DevOps oraz analityków danych, którzy chcą projektować i utrzymywać produkcyjne rozwiązania AI na platformie Azure. Skorzystają z niego również architekci rozwiązań chmurowych odpowiedzialni za wdrażanie systemów MLOps i GenAIOps.

Wymagania wstępne:

Wymagana jest znajomość języka Python oraz podstawowa znajomość koncepcji uczenia maszynowego. Przydatna jest praktyczna wiedza z zakresu DevOps: kontrola wersji (Git), potoki CI/CD i praca z narzędziami wiersza poleceń. Pomocna może być wcześniejsza praca z platformą Azure — w szczególności z Azure Machine Learning lub Azure AI Foundry.