Ingénierie GenAI de Databricks

Aperçu

By 2025, 80% of enterprises will integrate GenAI into production workflows, yet only 15% feel confident deploying reliable RAG systems. This Short Course was created to help Machine Learning and Artificial Intelligence professionals build, optimize, and evaluate production-grade GenAI applications on the Databricks platform.

By completing this course, you'll be able to construct vector search pipelines from raw data, fine-tune models with MLflow tracking, and implement rigorous evaluation frameworks that ensure your GenAI systems meet real-world SLA requirements—skills you can apply immediately to customer-facing AI deployments. By the end of this course, you will be able to:

• Apply Databricks Lakehouse and vector search features to build a retrieval-augmented generation pipeline from raw data to queryable embeddings • Analyze fine-tuning experiment results in MLflow to select adapter parameters that balance output quality and latency constraints • Evaluate GenAI model responses for relevance, hallucination rate, cost, and latency, iterating prompt and context configurations to meet acceptance criteria This course is unique because it combines hands-on Databricks Lakehouse workflows with MLflow experiment tracking and production-grade evaluation metrics, bridging the gap between GenAI prototypes and enterprise deployments.

To be successful in this course, you should have working knowledge of Python programming, basic machine learning concepts, and familiarity with cloud data platforms at the CB2 intermediate level.

Programme

• Module 1 : Construire un pipeline RAG sur Databricks
Les apprenants appliquent les fonctionnalités de Databricks Lakehouse et de recherche vectorielle pour construire un pipeline de génération augmentée par la récupération, à partir de documents bruts de support client jusqu'à des incorporations interrogeables.
• Module 2 : Optimiser les expériences de finetuning avec MLflow
Les apprenants analysent les résultats des expériences de finetuning dans MLflow pour sélectionner les paramètres d'adaptateur qui équilibrent la qualité de sortie et les contraintes de latence pour les déploiements GenAI en production.
• Module 3 : Évaluer la préparation à la production des réponses GenAI
Les apprenants évaluent les réponses des modèles GenAI sur les métriques de pertinence, de taux d'hallucination, de coût et de latence, itérant sur les configurations d'invite et de contexte pour répondre aux critères d'acceptation de l'entreprise pour un déploiement en production.

---

Enseigné par

Hurix Digital

---

Matières

Data Science