Revenir au contenu principal

Building Reliable Conversational Agents with Genie - French

Ce cours vous apprend à concevoir, créer et maintenir un Databricks Genie Agent, une interface en langage naturel qui permet aux utilisateurs métier de poser des questions sur des données gouvernées et de recevoir des réponses basées sur SQL sans écrire de code.


Vous apprendrez comment les Genie Agents s'intègrent dans la famille de produits Databricks AI/BI et comment ils traduisent le langage naturel en requêtes SQL fiables. Le cours se concentre sur ce qu'il faut pour créer un Genie Agent qui fournit des résultats précis, cohérents et fiables.


Vous suivrez un workflow complet de bout en bout, depuis la compréhension des données source et la définition des benchmarks jusqu'à la configuration et l'amélioration d'un Genie Agent à l'aide de l'ensemble des outils de curation du Knowledge Store. Ceux-ci comprennent les métadonnées, les synonymes, la correspondance de prompts, la logique SQL, les exemples de requêtes et les instructions textuelles.


Vous apprendrez également à partager les Genie Agents avec les utilisateurs métier via Genie One, à comprendre comment la gouvernance Unity Catalog est automatiquement appliquée, et à utiliser le monitoring et les retours des utilisateurs pour améliorer continuellement la qualité au fil du temps.


À la fin du cours, vous serez en mesure de créer et de gérer un Genie Agent prêt pour la production, offrant une analyse de données conversationnelle gouvernée et en libre-service à grande échelle.


Remarque : Pour les fichiers de cours SCORM, veuillez 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. 

Skill Level
Onboarding
Duration
3h
Prerequisites

Le contenu de ce cours a été conçu pour des participants possédant les compétences, connaissances et capacités suivantes :

• Connaissance générale du Databricks workspace - Vous savez naviguer dans l'interface utilisateur du workspace, associer des ressources compute et exécuter des notebooks.

• Connaissance des concepts Unity Catalog - Vous comprenez les catalogues, les schémas et les tables dans Unity Catalog. Une expérience préalable des permissions, des tags ou des masques de colonnes est utile, mais non obligatoire.

• Maîtrise intermédiaire de SQL - Vous êtes capable de lire et d'écrire des requêtes SQL, notamment avec SELECT, JOIN, GROUP BY et les fonctions d'agrégat.

• Accès à un Databricks workspace disposant du droit Databricks SQL et de la permission CAN USE sur un serverless SQL warehouse.

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

See all our registration options

Registration options

Databricks has a delivery method for wherever you are on your learning journey

Runtime

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

Inscrivez-vous maintenant

Instructors

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

Inscrivez-vous maintenant

Learning

Blended Learning

Self-paced and weekly instructor-led sessions for every style of learner to optimize course completion and knowledge retention. Go to Subscriptions Catalog tab to purchase

Purchase now

Scale

Skills@Scale

Comprehensive training offering for large scale customers that includes learning elements for every style of learning. Inquire with your account executive for details

Upcoming Public Classes

Data Engineer

Databricks Data Privacy - French

Confidentialité des Données dans Databricks enseigne aux ingénieurs data comment trouver, protéger, supprimer et rendre compte des données personnelles sur la Databricks Data Intelligence Platform. La confidentialité y est traitée comme un ensemble de décisions techniques et de contrôles construits sur Unity Catalog et Delta Lake. Le cours sépare la confidentialité de la sécurité, de la gouvernance et de la conformité, puis organise le travail autour d'un cycle de vie identifier, protéger, gérer et vérifier, et d'un modèle de décision court que les apprenants appliquent à chaque technique.

Les apprenants commencent par trouver les colonnes sensibles avec Data Classification et consigner le traitement de chacune avec un tag gouverné. Ils protègent ces colonnes avec des politiques de contrôle d'accès basé sur les attributs (ABAC) pilotées par les tags, et utilisent des masques de colonnes et des filtres de lignes manuels lorsqu'une politique centrale ne convient pas. La désidentification va plus loin avec le hachage salé, la tokenisation via un coffre gouverné séparément et le chiffrement de colonnes, le sel et la clé étant conservés dans Databricks Secrets. Pour le droit à l'effacement, les apprenants suivent une demande, trouvent les données de la personne concernée avec la classification et le lignage, suppriment et propagent le changement avec DELETE et MERGE, puis purgent les fichiers sous-jacents avec REORG TABLE ... APPLY (PURGE) et un VACUUM tenant compte de la rétention. Le cours se termine en combinant lignage, journaux d'audit, historique des requêtes et historique des tables Delta en une piste de preuves montrant si chaque contrôle a fonctionné.

Toutes les données sont synthétiques. Les démos suivent le patrimoine de données d'un détaillant multinational tout au long du cycle de vie et closent chaque contrôle par une preuve qu'il a fonctionné, comme un résultat de requête masqué, un contrôle d'effacement vide ou une entrée d'historique de table. Deux laboratoires basés sur des scénarios renforcent le flux. Dans le premier, les apprenants réparent une protection défaillante sur la table clients d'une filiale. Dans le second, ils terminent une demande d'effacement à moitié réalisée et rassemblent les preuves qu'elle est complète. Le cours est technique et ne fournit pas de conseil juridique.

Remarque : Databricks Academy passe à un format basé sur des notebooks pour les sessions en classe dans l'environnement Databricks, et abandonne l'utilisation de diapositives pour les cours. Vous pouvez accéder aux notebooks de cours dans l'environnement de laboratoire Vocareum.

Paid & Subscription
3h
Lab
Professional

Catalog Management and Data Organization - French

Dans ce cours, vous apprendrez à concevoir, mettre en œuvre et gérer des structures de Catalogue ainsi que l'organisation de données à grande échelle avec Unity Catalog sur la plateforme Databricks Data and AI. Divisé en cinq modules, il commence par situer Unity Catalog dans le modèle de déploiement cloud, en couvrant la console de compte, les métastores régionaux et les rôles d'administrateur qui le rendent opérationnel. Vous traduirez ensuite la topologie organisationnelle (unités métier, régions et environnements dev/QA/prod) en une conception de Catalogue et de schéma évolutive, avec des conventions de nommage, la propriété et la délégation MANAGE. Le cours aborde ensuite l'intégration sécurisée du stockage, avec les identifiants de stockage, les emplacements externes, la hiérarchie de stockage géré, les tables gérées par opposition aux tables externes, les Volumes et Lakehouse Federation. Vous appliquerez ensuite des modèles d'accès et des stratégies d'isolation, notamment la liaison workspace-Catalogue, l'héritage de privilèges, les filtres de lignes, les masques de colonnes et les politiques de contrôle d'accès basé sur les attributs (ABAC), et vous validerez les résultats à l'aide de signaux d'audit. Enfin, le cours se conclut par les bonnes pratiques de conception, de gouvernance et d'exploitation d'un patrimoine Unity Catalog. Les démonstrations pratiques et les travaux dirigés s'exécutent sur du compute serverless et comprennent de courtes étapes Genie Code.

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.

Paid & Subscription
3h
Lab
Associate
Machine Learning Practitioner

Data Preparation for Machine Learning - French

Ce cours enseigne les fondamentaux de la préparation des données pour le machine learning traditionnel sur Databricks. Les apprenants chargent des données dans des tables Delta régies par Unity Catalog et les explorent à l'aide de Notebooks, de visualisations intégrées et de Genie Code. Ils nettoient ensuite les Données nettoyées, gèrent les valeurs manquantes et les valeurs aberrantes, les divisent et les échantillonnent sans fuite de données, et construisent des Pipelines ML reproductibles avec Spark pour l'imputation, l'encodage et la standardisation. Enfin, ils stockent, gouvernent et réutilisent les fonctionnalités grâce à l'Ingénierie des caractéristiques dans Unity Catalog. Cela inclut les recherches ponctuelles dans le temps pour des ensembles d'entraînement sans fuite de données, ainsi qu'une introduction au service de fonctionnalités en ligne avec les Online Feature Stores reposant sur Lakebase. Chaque module combine des cours magistraux avec des démonstrations pratiques et un atelier qui s'exécutent sur du compute serverless. L'entraînement, le service et le monitoring des modèles ne sont pas abordés ; ils sont enseignés dans les cours Machine Learning Model Development et Machine Learning Model Deployment. Ce cours est conçu pour les data scientists de niveau associé et les praticiens du machine learning qui souhaitent acquérir des bases solides en préparation des données sur Databricks.

Remarque :

1. Il s’agit du premier cours de la série « Machine Learning avec Databricks ».

2. 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.

Paid & Subscription
3h
Lab
Associate

Questions?

If you have any questions, please refer to our Frequently Asked Questions page.