Bien démarrer avec la conception d’une architecture IA

L’IA permet aux machines d’analyser des données, de générer du contenu, de synthétiser la voix, de faire des prédictions et de prendre des décisions dans les secteurs. À mesure que les fonctionnalités d’IA s’étendent par le biais de modèles génératifs, de modèles de langage et d’architectures basées sur des agents, les organisations ont besoin d’instructions architecturales pour concevoir des charges de travail IA fiables, sécurisées, rentables et opérationnelles.

Cet article vous aide à bien démarrer avec l’IA sur Azure. Il introduit des services IA, des architectures de référence, des bonnes pratiques et des ressources d’apprentissage afin de pouvoir concevoir et créer des solutions IA qui répondent à vos besoins en charge de travail.

Azure services pour l’IA

Azure fournit un large éventail de services pour la création, le déploiement et la gestion des charges de travail IA. Ces services couvrent les plateformes de développement, les fonctionnalités d’IA prédéfinies, les plateformes de données et les outils de création de modèles personnalisés. Utilisez les services suivants pour intégrer l’IA à votre conception de charge de travail.

Plateformes de développement IA

• Microsoft Foundry : plateforme unifiée en tant que service (PaaS) pour le développement et le déploiement d’applications et d’agents d’IA génératives. Microsoft Foundry fournit l’accès à un catalogue de modèles, à l’hébergement d’agents via le service De l’agent Foundry, au réglage précis, aux outils d’évaluation et aux fonctionnalités d’IA responsables. Utilisez le portail Foundry pour expérimenter, générer et déployer des modèles et des agents IA.

• Azure Machine Learning : service cloud permettant de créer, d’entraîner et de déployer des modèles Machine Learning à grande échelle. Azure Machine Learning prend en charge les frameworks open source tels que PyTorch, TensorFlow et scikit-learn. Il fournit également des fonctionnalités pour autoML, l’optimisation des hyperparamètres, l’entraînement distribué, les opérations d’apprentissage automatique et l’IA responsable.

• Microsoft Copilot Studio : plateforme à faible code pour la création, la personnalisation et le déploiement d’agents optimisés pour l’IA. Utilisez Microsoft Copilot Studio pour créer des agents conversationnels pour des scénarios internes et externes et pour étendre Microsoft 365 Copilot avec des données d’entreprise et des flux de travail personnalisés.

Services IA prédéfinis

• Foundry Tools : une suite d’API et de modèles préconçus et personnalisables permettant d’ajouter des fonctionnalités intelligentes aux applications. Les outils Foundry incluent des fonctionnalités de reconnaissance vocale, de traduction, de compréhension de langue, d’intelligence des documents, de compréhension du contenu, de vision, de sécurité du contenu et de recherche.

• Azure OpenAI : fournit l’accès aux modèles OpenAI, y compris GPT et DALL-E, via l’infrastructure gérée par Azure avec la sécurité d’entreprise, la mise en réseau et les contrôles IA responsables.

Plateformes de données pour l’IA

• Microsoft Fabric : plateforme d’analytique et de données de bout en bout qui couvre l’ingestion, la transformation des données, le routage des événements en temps réel et la création de rapports. Microsoft Fabric fournit OneLake en tant que lac de données unifié et inclut des fonctionnalités d’IA incorporées, des fonctionnalités de Microsoft Copilot et l’intégration à Foundry Tools.

• Azure Databricks : plateforme d’analytique basée sur Spark pour l’ingénierie des données, la science des données et le Machine Learning. Azure Databricks fournit Databricks Runtime pour Azure Machine Learning, l’intégration MLflow, AutoML, l’ajustement des modèles de fondation et Mosaic AI Vector Search pour la récupération basée sur les incorporations.

• Azure HDInsight : service Apache Spark managé pour le traitement et l’analytique du Big Data. Azure HDInsight clusters Spark prennent en charge les charges de travail Machine Learning via MLlib, sont compatibles avec stockage Azure et Azure Data Lake Storage, et prennent en charge SynapseML pour le deep learning.

• Azure Data Lake Storage : référentiel évolutif et centralisé pour stocker des données structurées et non structurées. Azure Data Lake Storage fournit la sémantique du système de fichiers, la sécurité au niveau des fichiers et le stockage hiérarchisé basé sur Stockage Blob Azure.

Niveaux d’intelligence d’entreprise

L’architecture IA à Microsoft introduit trois couches d’intelligence complémentaire ou des IQs qui représentent des sources clés de contexte pour les systèmes IA :

• Work IQ capture l’intelligence sur la façon dont le travail se produit à l’intérieur d’une organisation. Il utilise des signaux de Microsoft 365 tels que les e-mails, les conversations, les réunions, les documents et les modèles de collaboration.

  Cette couche est essentielle pour baser l’IA dans l’activité humaine et le comportement organisationnel plutôt que de traiter les interactions comme des invites isolées.

• Fabric IQ fournit des informations dérivées des données d’entreprise structurées gérées dans Microsoft Fabric, notamment les modèles d’analyse, les indicateurs de performance clés (KPI) et les entités métier.

  Fabric IQ permet à l’IA de répondre à des questions analytiques complexes et d’interpréter les résultats dans le contexte des opérations commerciales.

• Foundry IQ fournit une couche de connaissances unifiée et multisource qui permet aux agents d’IA de récupérer et de baser les réponses dans les données d’entreprise.

  Cette couche est essentielle pour implémenter des modèles tels que la génération d’extraction augmentée (RAG) pour vous assurer que les sorties d’IA sont précises, actuelles et conformes.

Architecture

Le diagramme suivant illustre une architecture de référence de chat de bout en bout qui utilise Microsoft Foundry. Cette architecture de référence montre comment les services IA comprennent une solution prête pour la production sur Azure. Il inclut des couches d’identité, de mise en réseau, de supervision et de gouvernance.

Téléchargez un fichier Visio de cette architecture.

Le diagramme précédent illustre une implémentation classique de l’IA de base. Pour les solutions réelles que vous pouvez créer dans Azure, consultez les architectures d’IA.

Explorer les architectures et guides d’IA

Les articles de cette section incluent des guides et des architectures entièrement développées que vous pouvez déployer dans Azure et développer vers des solutions de niveau production. Les idées de solution illustrent des modèles d’implémentation et des possibilités à prendre en compte lorsque vous planifiez votre développement de preuve de concept (POC) IA. Ces articles peuvent vous aider à décider comment utiliser des technologies IA dans Azure.

• Vue d’ensemble de la technologie IA : fournit une vue d’ensemble des concepts, plateformes de développement et modèles d’architecture ia pour vous aider à concevoir des charges de travail IA sur Azure.

Sélectionner un service IA

Les articles suivants vous aident à évaluer et à sélectionner les meilleures technologies IA pour vos besoins en charge de travail :

• Choisissez une technologie de services IA : compare les services IA et les solutions Machine Learning pour vous aider à choisir le bon service ou modèle pour votre cas d’usage.

• Choisissez une technologie de traitement du langage ciblé par l’IA Azure : compare les services Azure pour les tâches de traitement linguistique ciblées, telles que la traduction, la reconnaissance d’entité et l’analyse de texte.

• Choisissez une technologie de reconnaissance vocale et de génération Azure : compare les services Azure pour les scénarios de reconnaissance vocale, de synthèse vocale et de traduction vocale.

• Choisissez une technologie Azure AI de traitement et de génération d’images et de vidéos : compare les services Azure pour l’analyse, la génération et le traitement d’images et de vidéos.

• Choisissez une technologie de traitement du langage naturel : compare Azure technologies de traitement du langage naturel pour vous aider à choisir la plateforme appropriée pour la compréhension du texte et les tâches de génération.

• Microsoft produits IA et Machine Learning : compare Microsoft produits Machine Learning pour vous aider à choisir une plateforme pour la création, le déploiement et la gestion d’applications IA, d’agents et de modèles Machine Learning.

• Choisissez le modèle IA approprié pour votre charge de travail : décrit les stratégies de sélection du modèle IA approprié dans les nombreuses options disponibles pour le déploiement.

Idées de solution IA

Les idées de solution IA suivantes illustrent des modèles d’implémentation et des possibilités à explorer.

Idées de solution de traitement audio

• Créez une solution d’exploration de connaissances de conversation à l’aide des outils Foundry : extrait des insights actionnables à partir de données audio conversationnelles.

Traitement des images

• Classification d’images sur Azure : classifie les images à l’aide de modèles d’application intelligents.

Analytique prédictive

• Utilisez l’IA pour prévoir les commandes des clients : prédit les commandes futures des clients à l’aide du Machine Learning.

Idées de solution MLOps

• Utilisez Azure Databricks pour orchestrer MLOps : orchestre les opérations de Machine Learning à l’aide de Azure Databricks.

• Utilisez l’approche d’architecture à modèles multiples pour faire évoluer des modèles de machine learning : Entraînez et gérez de nombreux modèles à grande échelle à l’aide d’Azure Machine Learning.

Traitement et enrichissement des documents

• Extraire et mettre en correspondance des informations à partir de contenu non structuré : extrait et met en correspondance des informations à partir de contenu non structuré multimodal.

• Générez des documents à partir de vos données : génère des documents structurés à partir de sources de données.

• Utiliser l’enrichissement par IA pour le traitement d’images et de texte : enrichit le contenu à l’aide d’ensembles de compétences d’IA dans les pipelines d’indexation d’Recherche Azure AI.

Automatisation de workflow

• Créez une solution d’automatisation de flux de travail à plusieurs agents à l’aide de Microsoft Agent Framework : automatise les flux de travail à l’aide de plusieurs agents IA orchestrés via Microsoft Agent Framework.

Architectures IA

Les architectures prêtes pour la production suivantes illustrent des solutions IA de bout en bout que vous pouvez déployer et personnaliser.

• Inférence IA avec Silk Virtual SAN : s’appuie sur une copie Silk Echo de la base de données de production pour isoler l’inférence IA en temps réel des charges de travail transactionnelles sur Azure IaaS.

Discuter avec des données

• Architecture de référence de conversation de base Microsoft Foundry : architecture de conversation RAG de base qui utilise Microsoft Foundry et Azure OpenAI.

• Architecture de référence de base pour le chat avec Microsoft Foundry : une architecture de chat de bout en bout prête pour un environnement de production, qui utilise Microsoft Foundry avec des fonctionnalités de sécurité, de mise en réseau et de supervision de niveau entreprise.

• Architecture de référence de Microsoft conversation Foundry dans une zone d’atterrissage Azure : déploie l’architecture de base Microsoft conversation Foundry dans une zone d’atterrissage Azure pour la gouvernance à l’échelle de l’entreprise.

Inférence de Machine Learning

• Architecture de référence pour l’inférence avec Azure Machine Learning : découvrez comment créer une plateforme privée d’inférence Azure Machine Learning prête pour la mise en production avec AKS, l’isolation des environnements et la promotion contrôlée des modèles.

Traitement du document

• Automatiser la classification des documents dans Azure : utilise Durable Functions pour automatiser les flux de travail de classification des documents.

• Automatiser le traitement des formulaires PDF : automatise l’extraction et le traitement des données à partir de formulaires PDF.

• Créer et déployer des modèles de traitement de documents personnalisés sur Azure : génère et déploie des modèles personnalisés pour les scénarios de traitement de documents.

• Extrayez du texte à partir d’objets à l’aide de Power Automate et de AI Builder : extrait du texte à partir d’objets à l’aide de Power Automate et de fonctionnalités IA.

• Créez un index Recherche Azure AI basé sur le contenu et les métadonnées de fichier : utilise plusieurs indexeurs pour traiter et indexer des métadonnées d’objet blob à l’aide de Recherche Azure AI.

Classification de vidéos et d’images

• Automatisez l’analyse vidéo à l’aide de Azure Machine Learning et de Azure Vision dans Foundry Tools : analyse le contenu vidéo à l’aide de la vision par ordinateur et du Machine Learning.

Architectures de traitement audio

• Extraire et analyser les données du centre d’appels : extrait et analyse les conversations du centre d’appels à l’aide de Azure OpenAI.

Regulatory

• Concevoir un environnement de recherche sécurisé pour les données réglementées : fournit un environnement de calcul sécurisé pour les charges de travail de recherche qui gèrent les données réglementées.

Guides d’IA

• Agents IA dynamiques à grande échelle : décrit comment sélectionner et orchestrer dynamiquement des agents IA à partir d’un pool à l’aide de Microsoft Foundry, Recherche Azure AI et Azure OpenAI pour créer des systèmes multiagents.

• Microsoft produits IA et Machine Learning : compare Microsoft produits Machine Learning pour vous aider à choisir une plateforme pour la création, le déploiement et la gestion d’applications IA, d’agents et de modèles Machine Learning.

• Modèles d’orchestration des agents IA : décrit les modèles de conception pour orchestrer des agents IA dans des scénarios complexes.

• Ingénierie du comportement agentique : décrit une méthodologie de gouvernance du comportement de l’agent avec des contrats avec version, des exigences de preuve, des contrôles d’exécution et des portes de mise en production.

• Concevoir une solution d’inférence RAG multilocataire sécurisée : fournit des conseils pour sécuriser les solutions RAG dans des environnements multilocataires.

• Conception pour prendre en charge les cycles de vie des modèles de base : fournit des conseils pour gérer les mises à jour, les dépréciations et les transitions des modèles de base.

Développement et évaluation de solutions RAG

• Concevoir et développer une solution RAG : fournit une vue d’ensemble de la conception et de l’évaluation des solutions RAG.

• Phase de préparation DE RAG : couvre la préparation des données pour les implémentations RAG.

• Phase de segmentation RAG : décrit les stratégies de segmentation de contenu dans les pipelines RAG.

• Phase d’enrichissement de bloc RAG : couvre les techniques d’enrichissement appliquées aux blocs de contenu.

• Phase de génération des représentations vectorielles pour le RAG : décrit comment générer des représentations vectorielles pour la recherche RAG.

• Récupération des informations : couvre les stratégies de récupération d’informations dans les architectures RAG.

• L’ingénierie des prompts RAG : décrit comment concevoir des prompts efficaces pour les solutions RAG, notamment la structure des prompts, les techniques d’ancrage et la gestion du contexte.

• Évaluation de bout en bout du modèle de langage volumineux : décrit comment évaluer les modèles RAG de bout en bout.

• Développer une solution RAG agentique : décrit comment passer d’un pipeline RAG standard à une architecture RAG agentique pour la planification des requêtes dynamiques et le raisonnement multistep.

Guides sur le MLOps

• Opérations de Machine Learning : décrit l’approche des opérations Machine Learning v2 pour l’opérationnalisation des flux de travail Machine Learning.

• Opérations d’IA dégénératives pour les organisations avec investissements MLOps : étend les pratiques d’exploitation de Machine Learning aux charges de travail d’IA génératives.

• Modèle de maturité MLOps : définit les niveaux de maturité pour l’adoption des opérations de Machine Learning.

Modèles proxy d’IA générative

• Accéder aux modèles Foundry et à d’autres modèles de langage par le biais d’une passerelle : décrit les avantages et l’architecture de la mise en place d’une passerelle devant des points de terminaison de modèle IA génératifs.

• Utilisez une passerelle devant plusieurs déploiements ou instances de modèle : étend le modèle de passerelle pour acheminer les demandes entre plusieurs back-ends de modèle.

• Fournissez une authentification personnalisée aux modèles Foundry via une passerelle : implémente des flux d’authentification personnalisés pour l’accès au modèle via une passerelle.

• Implémentez une surveillance avancée pour les modèles Foundry via une passerelle : ajoute la surveillance et l’observabilité au trafic de modèle IA génératif via une passerelle.

Préparation de l’organisation

Les organisations au début du processus d’adoption du cloud peuvent utiliser le Cloud Adoption Framework pour Azure pour accéder à des conseils éprouvés qui accélèrent l’adoption du cloud.

Pour obtenir des conseils d’adoption spécifiques à l’IA, consultez les ressources Cloud Adoption Framework suivantes :

• Adoption de l’IA : fournit un processus structuré pour l’adoption de solutions IA dans Azure, notamment la stratégie, la planification, la préparation, la gouvernance, la sécurité et la gestion.

• IA prête : décrit le processus organisationnel de création de charges de travail IA dans Azure, notamment l’organisation des ressources, la mise en réseau, la fiabilité et la gouvernance.

Pour garantir la qualité de votre solution IA sur Azure, suivez les instructions du framework Azure Well-Architected. Le framework Well-Architected fournit des conseils prescriptifs pour les organisations qui recherchent l’excellence architecturale et expliquent comment concevoir, provisionner et surveiller des solutions Azure optimisées pour les coûts.

Pour obtenir des conseils spécifiques à l’IA, consultez la ressource Well-Architected Framework suivante :

• Charges de travail IA sur Azure : résout les défis architecturaux liés à la conception de charges de travail IA, notamment les fonctionnalités non déterministes, la conception des données et les applications et les opérations dans les cinq piliers de l’infrastructure Well-Architected.

Pour connaître les guides de service Well-Architected Framework liés à l’IA, consultez :

• Azure Machine Learning
• Azure Databricks

Bonnes pratiques

Suivez ces bonnes pratiques pour améliorer la fiabilité, la sécurité, l’efficacité des coûts, la qualité opérationnelle et les performances de vos charges de travail IA sur Azure :

• Conception et développement d’une solution RAG : suivez une approche structurée et progressive de la conception de solutions RAG, notamment la segmentation, l’incorporation, la récupération d’informations et l’évaluation de bout en bout.

• Choisissez un service Azure pour la recherche vectorielle : évaluez Azure services qui prennent en charge la recherche vectorielle afin de trouver le meilleur ajustement pour vos exigences de recherche de récupération et de similarité.

• Modèles d’orchestration d’agent IA : Découvrez les modèles d’orchestration éprouvés pour les architectures qui utilisent plusieurs agents, notamment des modèles séquentiels, simultanés, conversation de groupe, transfert et modèles magentiques. Passez en revue les considérations relatives à l’implémentation pour la fiabilité, la sécurité, le coût et l’observabilité.

• Utilisez une passerelle devant des modèles d’INTELLIGENCE artificielle générative : implémentez des modèles de passerelle pour le proxying, l’équilibrage de charge et la surveillance des points de terminaison de modèle génératif.

• Opérations Machine Learning v2 : appliquez des instructions de cycle de vie des opérations machine learning de bout en bout pour l’apprentissage, le déploiement et la gestion des modèles Machine Learning à grande échelle.

• Opérations d’IA dégénératives avec des opérations de Machine Learning : étendez les pratiques d’exploitation de Machine Learning aux charges de travail d’IA génératives, notamment la gestion rapide, l’évaluation et le déploiement.

• Concevoir une solution d’inférence RAG multilocataire sécurisée : appliquez des modèles multilocataires pour les solutions RAG qui appliquent l’isolation des données et l’inférence sécurisée entre les locataires.

• Conception pour prendre en charge les cycles de vie des modèles de base : gérer le contrôle de version, la dépréciation et la rotation des modèles pour maintenir les charges de travail IA actuelles et résilientes.

• Options de Machine Learning : comparez les options de formation et de déploiement de Machine Learning dans Azure pour choisir les services appropriés pour votre charge de travail.

• Instructions Apache Spark : passez en revue les instructions d’exécution, de supervision, de débogage et d’optimisation des travaux Apache Spark sur Azure HDInsight.

Rester à jour avec l’IA

Les services Azure AI évoluent pour relever les défis posés par les données modernes. Restez informé des dernières mises à jour et fonctionnalités.

Pour rester à jour avec les services IA clés, consultez les articles suivants :

• Nouveautés de Azure OpenAI dans les modèles Foundry : fournit un résumé des dernières versions et mises à jour de la documentation pour Azure OpenAI, notamment la nouvelle disponibilité des modèles, les versions d'API et les annonces de fonctionnalités.

• Nouveautés de Microsoft Foundry : met en évidence les principales mises à jour de l'article et des produits dans Microsoft Foundry, notamment la gouvernance de l'agent, les fonctionnalités d'observabilité et les nouvelles fonctionnalités.

• Nouveautés de Recherche Azure AI : couvre les dernières mises à jour de Recherche Azure AI fonctionnalités, notamment les nouvelles versions d'API, les fonctionnalités de récupération agentique et les fonctionnalités d'indexation.

• Nouveautés d’Azure Language dans Foundry Tools : présente les mises à jour des fonctionnalités d’Azure Language dans Foundry Tools, notamment les nouvelles versions du SDK, les flux de travail d’orchestration et l’intégration à Microsoft Foundry.

• Nouveautés de Microsoft Fabric : couvre les mises à jour des fonctionnalités de Microsoft Fabric, notamment la science des données, l'intégration de MLflow, les agents de données et les fonctionnalités d'analytique.

• Notes de publication de l’interface CLI et du SDK Azure Machine Learning : fournit les notes de publication de l’interface CLI Azure Machine Learning (v2) et du SDK Python, notamment les nouvelles fonctionnalités, les correctifs de bogues et les modifications avec rupture.

• Notes de publication de la plateforme Azure Databricks : couvrent les mises à jour de la plateforme Azure Databricks, notamment les versions d’exécution, les fonctionnalités de l’espace de travail et les fonctionnalités d’intégration.

• Nouveautés de Microsoft Copilot Studio : met en évidence les nouvelles fonctionnalités et mises à jour de Microsoft Copilot Studio, notamment les fonctionnalités de création d'agents et les mises à jour du connecteur.

• Nouveautés de Azure Document Intelligence dans Foundry Tools : couvre les mises à jour de Azure Document Intelligence dans Foundry Tools, notamment les nouveaux modèles prédéfinis, les versions d'API et les fonctionnalités d'extraction.

• Nouveautés de Azure Content Understanding in Foundry Tools : couvre les mises à jour de Azure Content Understanding in Foundry Tools, y compris les nouvelles fonctionnalités d'analyse de contenu et l'intégration Microsoft Foundry.

Professionnels Amazon Web Services (AWS) ou Google Cloud

Pour vous aider à monter rapidement en puissance, les articles suivants comparent Azure options IA à d’autres services cloud :

• Données et IA : compare les données AWS et les services IA, notamment le Machine Learning, l’IA générative et les services de plateforme IA, à leurs équivalents Azure.

• IA et Machine Learning : compare Google Cloud AI et machine learning services, notamment Vertex AI, Dialogflow et Gemini, à leurs équivalents Azure.