Get Started with Databricks for Machine Learning - French

Ce cours couvre les points de contact spécifiques à Azure pour l'exploitation de Databricks : le déploiement en tant que service Azure de première partie (portail, ARM/Bicep, Terraform), l'intégration de Microsoft Entra ID incluant la gestion automatique des identités, le câblage du stockage et des identités managées via les connecteurs d'accès, l'injection de VNet, Private Link et la mise en réseau serverless, les clés gérées par le client, ainsi que le monitoring, la Politique et l'intégration des coûts natifs à Azure. Prépare les apprenants à l'accréditation Azure Databricks Platform Architect.

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.

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.

Unity Gateway étend la gouvernance de Unity Catalog au trafic IA. Unity Catalog régit déjà vos modèles, services MCP, fonctions et connexions en tant qu'objets sécurisables ; Unity Gateway ajoute un Control Plane centralisé sur le trafic qui leur est destiné, en appliquant le routage, les limites de débit, les budgets, le suivi de l'utilisation et les **politiques de service** (garde-fous) à chaque requête et réponse.

Ce lab présente les fondamentaux à travers un court exposé, puis les met en pratique lors d'une démonstration guidée. Dans cette démonstration, vous gouvernez une application agentique réelle — qui génère des diagrammes natifs Databricks sous forme de code — en la faisant transiter par Unity Gateway et en renforçant progressivement sa gouvernance : création d'un service de modèle, attribution de permissions, ajout de tables d'inférence, limites de débit, une politique de garde-fou contre les hallucinations, répartition du trafic entre les modèles Claude, et routage avec solution de secours. Enfin, vous explorez les schémas `system.ai` et `system.ai_gateway` pour voir comment la télémétrie et l'observabilité complètent la journalisation des inférences au niveau des charges utiles.

À l'issue du lab, vous comprendrez comment la gouvernance des ressources, du trafic et des comportements se combinent en un seul Control Plane pour l'IA, et comment appliquer ces contrôles à une application d'IA générative de type production sur Databricks.

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