Intelligence Artificielle et Machine Learning sur Azure

Découvrez les principaux services d’IA et de ML d’Azure avec des exemples pratiques.

Azure Machine Learning

Azure Machine Learning est une plateforme complète pour le développement et le déploiement de modèles ML.

Configuration de l’environnement

from azureml.core import Workspace, Experiment, Environment

# Créer un espace de travail
ws = Workspace.create(
    name='mon-workspace',
    subscription_id='<subscription_id>',
    resource_group='mon-groupe'
)

# Créer un environnement
env = Environment.from_conda_specification(
    name='mon-env',
    file_path='environment.yml'
)

# Créer une expérience
experiment = Experiment(workspace=ws, name='mon-experiment')

Entraînement d’un modèle

from azureml.core import ScriptRunConfig

# Configuration de l'entraînement
script_config = ScriptRunConfig(
    source_directory='./scripts',
    script='train.py',
    environment=env,
    compute_target='mon-cluster'
)

# Lancer l'entraînement
run = experiment.submit(script_config)

Azure Computer Vision

Service d’analyse d’images et de vision par ordinateur.

Analyse d’image

from azure.cognitiveservices.vision.computervision import ComputerVisionClient
from msrest.authentication import CognitiveServicesCredentials

# Créer le client
client = ComputerVisionClient(
    endpoint="<endpoint>",
    credentials=CognitiveServicesCredentials("<key>")
)

# Analyser une image
with open("image.jpg", "rb") as image:
    result = client.analyze_image_in_stream(
        image,
        visual_features=["Categories", "Description", "Tags"]
    )

# Afficher les résultats
print(f"Description: {result.description.captions[0].text}")
print("Tags:", ", ".join([tag.name for tag in result.tags]))

Azure Text Analytics

Service d’analyse de texte et de traitement du langage naturel.

Analyse de sentiment

from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

# Créer le client
client = TextAnalyticsClient(
    endpoint="<endpoint>",
    credential=AzureKeyCredential("<key>")
)

# Analyser le sentiment
documents = ["J'adore ce produit !", "Ce service est terrible."]
result = client.analyze_sentiment(documents)

# Afficher les résultats
for doc in result:
    print(f"Sentiment: {doc.sentiment}")
    print(f"Confiance: {doc.confidence_scores.positive}")

Azure Speech Services

Service de reconnaissance vocale et de synthèse vocale.

Synthèse vocale

from azure.cognitiveservices.speech import SpeechConfig, SpeechSynthesizer

# Configuration
speech_config = SpeechConfig(
    subscription="<key>",
    region="<region>"
)
speech_config.speech_synthesis_voice_name = "fr-FR-HenriNeural"

# Créer le synthétiseur
synthesizer = SpeechSynthesizer(speech_config=speech_config)

# Synthétiser la parole
result = synthesizer.speak_text_async("Bonjour, je suis un assistant virtuel.").get()

# Vérifier le résultat
if result.reason == ResultReason.SynthesizingAudioCompleted:
    print("Synthèse vocale réussie")

Azure Personalizer

Service de recommandations personnalisées.

Configuration des recommandations

from azure.cognitiveservices.personalizer import PersonalizerClient
from azure.cognitiveservices.personalizer.models import RankRequest

# Créer le client
client = PersonalizerClient(
    endpoint="<endpoint>",
    credential=AzureKeyCredential("<key>")
)

# Préparer la requête
rank_request = RankRequest(
    actions=[
        {"id": "action1", "features": [{"category": "type", "value": "film"}]},
        {"id": "action2", "features": [{"category": "type", "value": "série"}]}
    ],
    context_features=[
        {"category": "user", "value": "jeune"},
        {"category": "heure", "value": "soir"}
    ]
)

# Obtenir une recommandation
rank_response = client.rank(rank_request)
print(f"Action recommandée: {rank_response.reward_action_id}")

Bonnes Pratiques

1. Gestion des Coûts

   • Utiliser des quotas de requêtes
   • Surveiller l’utilisation
   • Optimiser les modèles

2. Performance

   • Mettre en cache les résultats
   • Utiliser le traitement par lots
   • Optimiser les requêtes

3. Sécurité

   • Gérer les clés d’API
   • Implémenter l’authentification
   • Protéger les données

4. Monitoring

   • Suivre les métriques
   • Configurer des alertes
   • Analyser les logs

Conclusion

Points clés à retenir :

• Services ML complets
• APIs faciles à utiliser
• Bonne documentation
• Intégration avec Azure

Recommandations :

• Commencer par les services de base
• Tester avec des données simples
• Optimiser les coûts
• Suivre les bonnes pratiques
• Se former sur Microsoft Learn