Créez un pipeline qui vérifie chaque changement, construit une seule image et la promeut vers la préproduction, puis vers la production après une approbation. Publiez ensuite un changement de modèle d'IA sans risque, migrez une base de données sans interruption de service, revenez en arrière et livrez un correctif urgent.
Lisez toutes les leçons sans compte, ou connectez-vous pour vous inscrire et suivre vos progrès.
Inscrivez-vous pour enregistrer les leçons que vous terminez. C'est gratuit.
À la fin de ce cours, vous pourrez :
L’intégration continue et la livraison continue (CI/CD) forment le chemin que suit chaque changement, de votre ordinateur jusqu’à vos utilisateurs. Une machine vérifie le changement, le construit une seule fois et fait passer le même résultat d’un environnement à l’autre. Personne ne copie de fichiers à la main, et aucun changement non vérifié n’atteint la production.
Dans ce cours, vous construisez ce chemin pour l’API de billets des cours précédents, avec GitHub Actions. Chaque changement passe par le linter, les tests, une vérification de sécurité et une étape de contrôle par évaluation de l’IA. Le pipeline construit une seule image de conteneur et la teste. Il promeut ensuite exactement cette image vers un environnement de préproduction puis, après une approbation, vers la production sur Azure Container Apps.
Ensuite, vous publiez les changements qui rendent les systèmes d’IA risqués. Une nouvelle version du classificateur est meilleure en moyenne, mais l’étape de contrôle détecte un changement qui brise les billets les plus importants. Une migration de base de données doit garder l’ancienne version fonctionnelle pendant que la nouvelle démarre. Un déploiement canari montre le nouveau modèle à une requête sur dix avant que tout le monde l’obtienne. Quand un vrai bogue passe malgré tout, vous revenez en arrière, vous livrez un correctif urgent à partir de l’étiquette de version et vous vous assurez que la correction n’est pas perdue.
Tout ce que montrent les leçons s’est vraiment passé, dans un dépôt public que vous pouvez ouvrir : les demandes de tirage, les vérifications échouées et réussies, les approbations, les versions publiées et le retour en arrière. Chaque leçon montre aussi une erreur courante : ce que vous voyez, pourquoi elle se produit et comment la corriger.
Vous avez suivi les cours L'essentiel de Git et du développement en équipe, Créer et déployer votre première API et L'essentiel de Docker et du nuage pour les développeurs en IA, ou vous savez déjà travailler avec des branches et des demandes de tirage, tester un service FastAPI, et construire et exécuter son image de conteneur. Vous avez besoin d'un compte GitHub gratuit. Un compte Azure est facultatif : chaque étape dans le nuage a une simulation locale.
Cours à suivre avant : L'essentiel de Git et du développement en équipe, Créer et déployer votre première API, L'essentiel de Docker et du nuage pour les développeurs en IA.
Les personnes qui savent mettre une petite API dans un conteneur et la déployer, comme dans le cours sur Docker et le nuage, et qui veulent que chaque changement arrive aux utilisateurs par le même chemin sûr et reproductible. Les équipes attendent cette compétence de quiconque livre des fonctions d'IA.
Vous pouvez étudier les idées de ce cours sans écrire de code. Lisez les modules 1 et 5 (environ 2–3 h), répondez à leurs vérifications des connaissances, et obtenez un certificat des notions gratuit. Vous pourrez revenir à la pratique plus tard.
Les parcours pour les personnes qui dirigent ou utilisent l'IA suivent ce cours de cette façon. Voir les parcours
Des spécialistes de l'IA expérimentés ont conçu ce cours. L'IA nous a aidés à rédiger le contenu; des personnes ont choisi l'approche pédagogique et les exemples, et ont révisé chaque leçon. Les résultats que vous voyez sont les vrais résultats de l'exécution du code. Comment nous créons les cours
Suivez un changement depuis un commit jusqu'à une mise en production. Vous apprenez les déclencheurs, les tâches (jobs), les exécuteurs (runners), les artefacts et les environnements, vous choisissez un flux de travail de branches, et vous décidez quelles vérifications protègent la production.
Créez un pipeline GitHub Actions qui exécute le linter, les tests et une vérification de sécurité sur un exécuteur propre. Il construit une seule image versionnée, la soumet à un test de fumée et la publie avec des preuves qui la relient à son commit.
Exécutez la même image en préproduction et en production avec des paramètres différents. Chaque environnement se connecte au nuage avec sa propre identité, sans mot de passe stocké, et la production attend une approbation.
Publiez sans risque des changements d'IA et de base de données. Une étape de contrôle par évaluation bloque un modèle moins bon, une migration en deux temps (expand-and-contract) permet à l'ancienne et à la nouvelle version de fonctionner ensemble, et un déploiement canari envoie d'abord une petite part du trafic au nouveau modèle.
Rétablissez la situation quand une mise en production tourne mal. Choisissez entre revenir en arrière sur l'application, sur le modèle ou sur les données, livrez un correctif urgent à partir de l'étiquette de version, réintégrez-le par une fusion, et rédigez des notes de version sur lesquelles quelqu'un d'autre peut agir.
Utilisez tous les modules dans un projet pratique. Vous recueillez des preuves, puis vous les comparez aux objectifs du cours.
Chargement des avis…
Vous avez suivi ce cours? Connectez-vous pour donner votre avis. Vous pouvez donner un avis après avoir terminé 25 % des leçons.
