Designing and Implementing a Microsoft Azure AI Solution

Les analyseurs personnalisés d'Azure AI Search te permettent de définir ta propre chaîne d'analyse de texte en combinant un tokenizer, zéro ou plusieurs token filters et zéro ou plusieurs character filters. C'est indispensable lorsque tu as besoin d'un traitement de texte propre à une langue, par exemple pour tokeniser le japonais autrement que l'anglais. Azure AI Search prend en charge des analyseurs intégrés (dont des analyseurs propres à une langue comme `ja.microsoft` et `ja.lucene`), mais lorsque tu as besoin d'un contrôle fin sur la façon dont le texte est découpé en tokens et transformé, tu définis un analyseur personnalisé dans la définition de l'index.

Un analyseur personnalisé se déclare dans le schéma de l'index, sous la collection `analyzers`, et référence :

• Un tokenizer (par exemple le tokenizer `ja.lucene` pour l'analyse morphologique du japonais)
• Des token filters (par exemple minuscules, mots vides, racinisation)
• Des character filters (par exemple un mappage ou un remplacement de motif appliqué avant la tokenisation)

Cela donne un contrôle total sur la façon dont les champs de texte sont indexés et interrogés.

Pourquoi chaque mauvaise option est incorrecte :

• A (Suggesters) : Les suggesters activent la saisie anticipée (autocomplétion) et les suggestions de recherche. Ils ne contrôlent ni l'analyse de texte ni la tokenisation.

• B (Synonym maps) : Les synonym maps définissent des termes équivalents (par exemple 'car' = 'automobile') pour élargir la correspondance des requêtes. Ils ne gèrent ni la tokenisation ni les chaînes d'analyse de texte propres à une langue.

• D (Scoring profiles) : Les scoring profiles personnalisent le classement des résultats de recherche en valorisant certains champs ou en appliquant des fonctions (par exemple la fraîcheur, la distance). Ils n'interviennent ni dans l'analyse de texte ni dans la tokenisation.

(Source : https://learn.microsoft.com/en-us/azure/search/index-add-custom-analyzers)

La section Playground du portail Microsoft Foundry (anciennement Azure AI Studio) est l'environnement interactif où tu peux tester et affiner des prompts avec tes modèles Azure OpenAI déployés. Le Playground propose plusieurs modes, dont le Chat playground pour les modèles conversationnels (par exemple GPT-4, GPT-4o), le Completions playground pour la complétion de texte et le playground de génération d'images pour les modèles DALL-E. Dans le Playground, tu peux ajuster des paramètres comme temperature, max tokens, top_p et les pénalités frequency/presence, ajouter des messages système, tester des prompts few-shot et consulter la consommation de tokens.

Pourquoi les autres options seraient fausses (si elles étaient proposées) :

• Deployments — Cette section sert à gérer les déploiements de modèles (créer, mettre à l'échelle, supprimer des déploiements), pas à tester des prompts de façon interactive.
• Models catalog — Cette section permet de parcourir et de découvrir les modèles d'IA disponibles, mais elle n'est pas prévue pour tester des prompts de façon itérative sur un modèle déployé.
• Evaluations — Cette section sert à évaluer systématiquement la qualité d'un modèle à l'aide de jeux de données et de métriques d'évaluation, pas à tester et affiner des prompts ponctuellement.
• Prompt flow — C'est un outil de développement pour créer, tester et déployer des workflows/pipelines d'IA, ce qui est plus complexe qu'un simple test de prompts.

Le Playground est conçu précisément comme la zone de test interactive où les développeurs peuvent expérimenter rapidement différents prompts et paramètres avant d'intégrer le modèle dans leurs applications.

(Source : https://learn.microsoft.com/en-us/azure/foundry/)

Custom Vision est le bon choix quand une organisation doit détecter ou classer des objets propres à un domaine qui ne sont pas couverts par les modèles prédéfinis disponibles dans Azure AI Vision Image Analysis 4.0. Custom Vision te permet d'entraîner tes propres modèles de classification d'images et de détection d'objets à partir de tes propres données étiquetées, ce qui le rend idéal pour des scénarios spécialisés (par exemple détecter certains défauts de fabrication, identifier des espèces végétales particulières, etc.).

Pourquoi « Quand elle doit détecter des objets propres à un domaine que les modèles prédéfinis ne couvrent pas… » est correct : Custom Vision est conçu précisément pour les cas où les modèles prédéfinis et généralistes d'Image Analysis 4.0 ne couvrent pas les objets ou catégories propres à ton domaine métier. Tu téléverses tes propres images d'entraînement, tu les étiquettes et tu entraînes un modèle personnalisé adapté à tes besoins.

Pourquoi « Quand elle a besoin de supprimer l'arrière-plan » est faux : La suppression de l'arrière-plan est une capacité intégrée d'Azure AI Vision Image Analysis 4.0 (plus précisément la Segment API). Elle ne nécessite pas Custom Vision — elle est disponible d'emblée.

Pourquoi « Quand elle a besoin de fonctionnalités d'OCR » est faux : L'OCR (Optical Character Recognition) est une capacité prédéfinie d'Azure AI Vision Image Analysis 4.0 (et de la Read API). Il n'y a aucune raison d'utiliser Custom Vision pour extraire du texte d'images.

Pourquoi « Quand elle a besoin de légendage général d'images » est faux : Le légendage général d'images est une fonctionnalité prédéfinie d'Azure AI Vision Image Analysis 4.0. Les fonctionnalités Dense Captions et Caption fournissent des descriptions automatiques du contenu d'une image sans le moindre entraînement personnalisé.

L'idée clé est de comprendre la distinction entre les capacités d'IA prédéfinies (Image Analysis 4.0) et les modèles entraînés sur mesure (Custom Vision). Utilise les modèles prédéfinis quand ils couvrent ton scénario ; utilise Custom Vision quand tu as besoin d'une détection ou d'une classification propre à un domaine.

(Source : https://learn.microsoft.com/en-us/azure/ai-services/computer-vision/overview et https://learn.microsoft.com/en-us/azure/ai-services/custom-vision-service/overview)

Mettre en place l'interprétabilité des modèles et rédiger des notes de transparence est la bonne approche pour garantir que les décisions de l'IA peuvent être expliquées aux parties prenantes. Les principes d'IA responsable de Microsoft placent la transparence et l'explicabilité parmi les piliers fondamentaux. Les notes de transparence sont des documents publiés par Microsoft pour ses services d'IA ; elles aident les parties prenantes à comprendre comment la technologie d'IA fonctionne, quels choix les responsables du système peuvent faire pour influencer les performances, et quelles sont les limites de la technologie. Les outils d'interprétabilité des modèles (comme InterpretML, SHAP et LIME, disponibles dans Azure Machine Learning) permettent aux développeurs et aux parties prenantes de comprendre pourquoi un modèle a produit une prédiction donnée. Ensemble, ces pratiques garantissent que les décisions de l'IA ne sont pas opaques et peuvent être justifiées auprès des parties prenantes métier, des régulateurs et des utilisateurs finaux.

Pourquoi chaque option incorrecte est fausse :

A) N'utiliser que des modèles boîte noire — Les modèles boîte noire sont l'exact contraire de l'IA explicable. Ils produisent des résultats sans donner d'indication sur la façon dont les décisions sont prises, ce qui rend plus difficile (et non plus facile) l'explication des décisions de l'IA aux parties prenantes.

B) Augmenter la complexité du modèle — Une complexité accrue du modèle réduit généralement l'interprétabilité. Les modèles plus complexes (par exemple des réseaux de neurones profonds à nombreuses couches) sont plus difficiles à expliquer, ce qui va à l'encontre de l'objectif de rendre les décisions de l'IA compréhensibles.

C) Supprimer toute journalisation et toute supervision — Supprimer la journalisation et la supervision élimine les pistes d'audit et la responsabilité, qui sont des composants essentiels d'une gouvernance d'IA responsable. Sans journaux, il n'y a aucun moyen de revoir ou d'expliquer les décisions passées de l'IA.

(Source : https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai et https://learn.microsoft.com/en-us/legal/cognitive-services/openai/transparency-note)