Formation : Opérationnaliser le Machine Learning et les solutions d’IA générative (AI-300)

Pourquoi AI-300 arrive maintenant

Microsoft a publié le cours AI-300 le 20 mars 2026. Il comble un manque : jusque-là, le catalogue officiel apprenait à concevoir et à entraîner des modèles, mais pas à les exploiter dans la durée. AI-300 est le premier cours Microsoft entièrement consacré au MLOps et au GenAIOps, c’est-à-dire à la mise en production, à la supervision et à la gouvernance des modèles de machine learning et des solutions d’IA générative. ITTA l’intègre à son catalogue dès cette rentrée, dans sa version officielle de quatorze modules répartis sur quatre jours.

Le décalage que ce cours vient corriger est bien connu des équipes data. Un modèle qui obtient d’excellents scores sur un jeu de test ne crée aucune valeur tant qu’il n’est pas appelé par une application, surveillé en continu et réentraîné quand les données dérivent. Le même constat vaut pour un agent d’IA générative : une invite qui fonctionne en démonstration se dégrade dès qu’elle rencontre des cas réels, et sans évaluation automatisée personne ne s’en aperçoit avant les utilisateurs.

Un public d’ingénieurs qui savent déjà entraîner un modèle

AI-300 ne s’adresse pas aux débutants. Le cours suppose que vous écrivez du Python, que vous connaissez les métriques d’évaluation et que vous avez déjà produit un modèle, même modeste. Ce qu’il apporte, c’est la couche d’ingénierie qui manque autour : le suivi d’expériences avec MLflow, le passage du notebook au script paramétré, les travaux de balayage pour les hyperparamètres, les pipelines découpés en composants réutilisables, puis l’automatisation complète avec GitHub Actions et les environnements GitHub qui contrôlent les promotions vers la production.

La bascule vers l’IA générative intervient au module 9. Les six derniers modules traitent des agents Microsoft Foundry avec la même discipline : spécification de l’agent, versionnage des invites dans des dépôts GitHub, expériences d’évaluation structurées avec des rubriques de notation, évaluations par lots en Python intégrées à la chaîne d’intégration continue, supervision des métriques clés et traçage pour déboguer les enchaînements d’appels complexes. C’est cette continuité entre le machine learning classique et l’IA générative qui fait l’originalité du programme.

Le contexte suisse romand

En Suisse romande, les projets d’IA sortent de la phase de preuve de concept. Banques, assurances, medtech, horlogerie et administrations partagent la même contrainte : un modèle qui influence une décision doit être traçable, explicable et reproductible, avec un historique clair de ce qui a été déployé, quand et par qui. Les exigences de gouvernance des données et de documentation des systèmes automatisés se renforcent, et elles se traduisent très concrètement par ce que le cours enseigne : un registre de modèles, des pipelines versionnés, des évaluations archivées et une supervision continue.

C’est aussi la raison pour laquelle les équipes romandes cherchent moins des profils capables d’entraîner un modèle que des profils capables de le maintenir en service. La certification Microsoft Certified: Machine Learning Operations Engineer Associate, que prépare l’examen AI-300, adresse précisément ce rôle d’industrialisation.

Positionnement par rapport aux autres formations ITTA

AI-300 se combine bien avec deux formations voisines du catalogue. La formation AI-103, Développer des applications et agents IA sur Azure, se concentre sur la construction : services Azure AI, orchestration d’agents, recherche augmentée. Elle répond à la question de ce que l’on bâtit, là où AI-300 répond à la question de la façon dont on l’exploite. Suivre AI-103 avant AI-300 donne un ordre naturel, mais l’inverse fonctionne aussi pour un profil venu du DevOps.

La formation DP-750, Implémenter des solutions d’engineering données avec Azure Databricks, couvre l’amont : ingestion, transformation et fiabilité des jeux de données. Un pipeline MLOps ne vaut jamais mieux que les données qui l’alimentent, et beaucoup d’incidents de production attribués au modèle viennent en réalité de la chaîne de données. Les deux parcours se complètent pour une équipe qui veut couvrir toute la chaîne.

Ce qu’une formation animée apporte face à l’autoformation

Les modules AI-300 sont accessibles en lecture libre. Ce qui ne l’est pas, c’est le temps. Monter soi-même un espace de travail Azure Machine Learning, connecter GitHub Actions à Azure avec une identité fédérée, faire tourner un travail de balayage puis un pipeline, et enfin déployer un point de terminaison supervisé représente plusieurs semaines de tâtonnements. En quatre jours encadrés, avec les laboratoires officiels Microsoft et un formateur certifié, vous exécutez la chaîne complète et vous repérez les points de rupture habituels : droits insuffisants sur la ressource, artefact mal enregistré, métrique absente du tableau de bord, promotion bloquée par un environnement GitHub.

L’autre apport tient aux arbitrages. Faut-il réentraîner sur seuil de dérive ou sur calendrier ? Combien d’exemples faut-il dans un jeu d’évaluation d’agent ? Quand un évaluateur automatique devient-il assez fiable pour bloquer un déploiement ? Ces questions se tranchent en discutant de vos cas réels avec le formateur et les autres participants, pas en lisant une page de documentation.

Après la formation

Le réflexe le plus rentable consiste à reprendre, dans la semaine qui suit, un modèle déjà en service chez vous et à lui appliquer la méthode : le déposer dans un registre, l’accompagner d’un script d’entraînement paramétré, brancher un premier flux GitHub Actions, puis ajouter la supervision. Cette première boucle complète, même sur un cas simple, vaut mieux qu’une architecture cible dessinée sur papier. Pour les agents, commencez par sortir les invites du code applicatif et par les versionner : c’est le geste qui débloque tout le reste.

Si vous visez la certification, prévoyez de passer l’examen AI-300 dans les semaines qui suivent la session, pendant que la manipulation des outils reste fraîche.

Faut-il savoir entraîner un modèle avant de venir ?

Oui. Le cours part du principe que vous êtes à l’aise en Python et que vous avez déjà produit un modèle, même simple. AI-300 traite de ce qui vient après l’entraînement.

La formation couvre-t-elle aussi l’IA générative ou seulement le machine learning classique ?

Les deux. Les huit premiers modules portent sur le MLOps avec Azure Machine Learning, les six suivants sur le GenAIOps avec Microsoft Foundry : invites, évaluations, supervision et traçage des agents.

Faut-il connaître GitHub Actions ?

Des bases de Git suffisent. Les flux GitHub Actions sont construits pas à pas pendant les laboratoires, y compris la connexion sécurisée à Azure et le contrôle des promotions par environnement.

Quelle différence avec la formation AI-103 ?

AI-103 apprend à construire des applications et des agents IA sur Azure. AI-300 apprend à les mettre en production, à les évaluer et à les superviser. Les deux formations s’enchaînent bien.

La certification est-elle obligatoire ?

Non. Le passage de l’examen AI-300 reste optionnel et se planifie séparément de la session de formation.

La session se donne-t-elle à distance ?

Oui. La formation est proposée en présentiel à Genève et à Lausanne, et en classe virtuelle avec le même formateur et les mêmes laboratoires.