Entretien — Azure AI, IA générative et IA responsable (22 questions corrigées)

Concepts fondamentaux

1. IA, machine learning, deep learning ? — Des poupées russes : l'IA est le domaine global ; le ML apprend à partir de données au lieu d'être programmé ; le deep learning utilise des réseaux de neurones profonds, à la base des modèles de langage.
2. Un LLM ? — Un modèle de deep learning entraîné sur d'immenses volumes de texte pour prédire le token suivant ; cette capacité lui permet de générer, résumer, traduire, coder (GPT, Claude, Gemini, Llama).
3. L'IA générative ? — Une IA qui crée du contenu nouveau (texte, image, code, audio) à partir de modèles de fondation pré-entraînés puis adaptés.
4. Token, prompt, fenêtre de contexte ? — Le token est l'unité de texte traitée ; le prompt est l'instruction ; la fenêtre de contexte est le maximum de tokens traités en une fois (prompt, historique et réponse). Les tokens sont aussi la base de facturation.
5. Une hallucination ? ⭐ — Une réponse plausible mais fausse, donnée avec assurance. On la limite par le grounding (RAG), des prompts précis, la citation des sources, une température basse et la validation humaine sur les usages critiques.
6. Le RAG ? ⭐ — On recherche d'abord les passages pertinents dans une base de connaissances (recherche vectorielle), puis on les injecte dans le prompt pour que le modèle réponde à partir de ces sources : réponses à jour, ancrées sur les données de l'entreprise, sans réentraîner. C'est le principe de Copilot avec Graph. → Page Architecture RAG pour la documentation d'exploitation.
7. Fine-tuning ou RAG ? — Le fine-tuning réentraîne partiellement le modèle (coûteux, figé, utile pour un style ou un domaine pointu) ; le RAG injecte les connaissances à la requête (moins cher, à jour, traçable). On commence presque toujours par le RAG.

Services Azure AI

8. Azure AI Foundry ? — La plateforme unifiée pour concevoir, évaluer et déployer des solutions et agents IA : catalogue de modèles (OpenAI, Meta, Mistral…), orchestration, évaluation et sécurité.
9. Azure OpenAI ? — Les modèles OpenAI (GPT, génération d'images, embeddings) dans Azure, avec les garanties entreprise : réseau privé, conformité, résidence des données, filtrage de contenu.
10. Les principaux services ? — Azure OpenAI (génération, chat, embeddings) ; AI Search (recherche vectorielle ou hybride, brique du RAG) ; AI Vision (images, OCR) ; AI Speech (reconnaissance et synthèse vocale) ; AI Language (sentiment, entités) ; Document Intelligence (factures, formulaires).
11. Un chatbot sur la documentation interne ? ⭐ — Architecture RAG : documents dans Blob Storage → indexation et vectorisation dans AI Search → orchestration qui récupère les passages et les envoie à Azure OpenAI → réponse avec citations. Plus : filtrage de contenu, authentification Entra ID, journalisation, évaluation de la qualité avant la production.
12. ML classique ou IA générative ? — ML classique pour prédire ou classer des données structurées (ventes, fraude, scoring) ; IA générative pour créer ou transformer du contenu non structuré. Ne pas mettre de l'IA générative partout : une régression ou des règles métier suffisent souvent.

IA responsable

13. Les principes de Microsoft ? ⭐ — Équité, fiabilité et sécurité, confidentialité et sûreté, inclusion, transparence, responsabilité (un humain reste responsable des décisions). Mnémotechnique : É-F-C-I-T-R.
14. Un exemple de biais ? — Un tri de CV entraîné sur un historique de recrutements majoritairement masculins défavorise les candidatures féminines : le biais des données est reproduit et amplifié. Remèdes : audit des données, tests d'équité, supervision humaine.
15. La transparence ? — Informer qu'on interagit avec une IA, expliquer ses capacités et ses limites, documenter données et fonctionnement, permettre de comprendre ou de contester une décision assistée.
16. L'AI Act ? — Le règlement européen, par niveaux de risque : pratiques interdites (notation sociale), haut risque encadré (recrutement, crédit, santé), obligations de transparence pour l'IA générative, risque minimal pour le reste. Les échéances évoluent : vérifiez l'état actuel avant l'entretien.
17. Le filtrage de contenu d'Azure OpenAI ? — L'analyse des prompts et des réponses pour bloquer les contenus nuisibles (haine, violence, sexuel, automutilation) et les tentatives de jailbreak, configurable par niveau de sévérité.
18. IA de présélection de candidatures ? ⭐ — Haut risque (AI Act) avec exigences renforcées ; tests d'équité ; RGPD : base légale, information des candidats, pas de décision entièrement automatisée sans intervention humaine (article 22). Recommandation : l'IA assiste, l'humain décide.

Questions transverses

19. Estimer les coûts ? — Tokens (entrée + sortie) × prix du modèle, plus l'infrastructure (AI Search, stockage, réseau). Optimiser : plus petit modèle suffisant, cache, contextes courts, suivi dès le pilote.
20. Évaluer avant la production ? — Jeu de questions de référence, métriques (exactitude, pertinence des sources, taux d'hallucination), tests adversariaux (injections, contenus sensibles), validation métier sur un pilote, puis supervision continue.
21. Agent ou chatbot ? — Le chatbot répond ; l'agent perçoit, raisonne et agit avec des outils (recherche, API), enchaîne des étapes et peut collaborer avec d'autres agents. Enjeu : moindre privilège sur ses permissions et validation humaine des actions sensibles.
22. Microsoft et les agents ? — Copilot Studio pour créer des agents en low-code connectés aux données de l'entreprise ; Azure AI Foundry pour les agents pro-code. Tendance : des agents qui exécutent des processus métier de bout en bout, l'humain en supervision. Domaine qui évolue très vite.

Pour vous entraîner

Passez l'examen Azure AI, IA générative et IA responsable du Centre d'examen ; chaque réponse y est expliquée.