AI/BI for Data Analysts - French

Ce cours est une introduction à Omnigent, le méta-harnais open-source de Databricks pour les agents IA, ainsi qu'à la manière de créer, gouverner et collaborer sur des agents avec cet outil sur la plateforme Databricks. Vous apprendrez ce qu'est un harnais et comment un méta-harnais se situe au-dessus des outils d'agents que vous utilisez déjà pour les rendre interopérables, et vous explorerez les trois piliers d'Omnigent : Combine, Control et Share. À travers des cours interactifs et des travaux pratiques, vous démarrerez des sessions Omnigent sur le Databricks Sandbox, coderez et partagerez des applications par intuition, déclarerez des agents YAML portables, appliquerez des politiques contextuelles avec état (y compris des défenses contre le trifecta fatal et l'injection de prompts), et travaillerez avec les agents intégrés Polly et Debby. À l'issue de ce cours, vous comprendrez comment coordonner et gouverner des agents IA à l'aide d'Omnigent, d'Unity Gateway et du Databricks Sandbox.

Remarque: Databricks Academy passe à un format basé sur des cahiers de travail pour les sessions en présentiel au sein de l'environnement Databricks, et abandonne ainsi l'utilisation de présentations PowerPoint pour les cours magistraux. Vous pouvez accéder aux cahiers de travail des cours dans l'environnement de laboratoire Vocareum.

Dans ce cours, vous acquerrez une compréhension approfondie de la façon de concevoir, mettre à l'échelle et opérationnaliser des pipelines d'Ingénierie des caractéristiques de bout en bout sur la plateforme Databricks. Le programme est structuré en trois modules progressifs : maîtriser les fondamentaux de l'exécution distribuée et de l'optimisation de Spark, implémenter l'Ingestion de données évolutive avec Auto Loader et des pipelines LakeFlow déclaratifs, et progresser vers un MLOps de niveau production avec le Databricks Feature Store.

Vous bénéficierez d'expériences d'apprentissage pratiques telles que le débogage des performances de Spark avec le Catalyst Optimizer et le Spark UI, la construction d'architectures médaillon Bronze-Argent-gold robustes avec des contrôles de qualité automatisés, et l'implémentation de transformations de fonctionnalités évolutives à l'aide de SparkML. Le cours se conclut par le déploiement d'un service de fonctionnalités en temps réel via des Online Feature Stores, la définition de FeatureSpecs avec des transformations à la demande, et l'application de la gouvernance et du suivi de la traçabilité des données avec Unity Catalog.

À la fin du cours, vous serez en mesure de gérer le cycle de vie complet des fonctionnalités pour le machine learning à l'échelle entreprise — en concevant des pipelines performants, fiables, gouvernés et prêts pour la production.

Remarque : Pour les fichiers de cours SCORM, veillez à fermer la fenêtre SCORM après avoir terminé le contenu. Ne cliquez pas sur le bouton « Leçon suivante », car cela pourrait empêcher le module SCORM d’être marqué comme terminé.

L'IA a transformé ce que les développeurs sont appelés à construire : les agents, les copilotes et les outils intelligents passent du stade expérimental à la production, et le travail évolue de l'écriture de code vers l'orchestration de modèles, de données et de services. Dans ce cours, vous apprendrez comment la création d'applications agentiques là où résident les données supprime la complexité d'infrastructure liée à l'assemblage de stacks fragmentées. À travers une démonstration guidée de synthèse de compte, vous verrez comment Databricks Apps, Lakebase et Agent Bricks (Genie Spaces, les assistants de connaissances et les agents Supervisor) fonctionnent ensemble sur une base serverless et gouvernée pour fournir une application agentique prête pour la production.