Training Azure AI Foundry fundamentals

AI Foundry is Microsofts geïntegreerde platform voor het beheren van de volledige AI-levenscyclus binnen Azure. Het stelt organisaties in staat om op gestructureerde wijze AI-toepassingen te ontwikkelen, testen en uitrollen met behulp van bestaande modellen, maatwerkontwikkeling en data-integratie. Met Foundry kunnen teams sneller van idee naar implementatie, met aandacht voor herbruikbaarheid, betrouwbaarheid en controle over het ontwikkelproces. Voor organisaties die AI willen inzetten zonder te verdwalen in de complexiteit van losse componenten, biedt Azure AI Foundry een gestroomlijnde oplossing.

In de praktijk wordt Foundry gebruikt om generatieve AI in te zetten binnen afdelingen zoals klantenservice, interne kennismanagement, marketingautomatisering of productontwikkeling. De kracht van het platform ligt in de combinatie van tools voor datamanagement, modelselectie, workflow-automatisering en integratie met bestaande Azure-diensten. Daarmee vormt het een brug tussen technische ontwikkelteams en zakelijke eindgebruikers.

Tijdens de training Azure AI Foundry fundamentals leer je stap voor stap hoe je een Foundry-omgeving opzet, inricht en inzet. We starten met het aanmaken van een workspace en het verkennen van de interface. Daarna gaan we in op het selecteren van modellen uit de Microsoft-modelhub of het uploaden van eigen modellen. Ook besteden we aandacht aan het vormgeven van een ontwikkelstraat waarin datasets, evaluatiecriteria en iteratief testen een rol spelen. Je leert welke keuzes belangrijk zijn bij het inrichten van een AI-project binnen Foundry en welke tools daarbij horen.

De training is praktijkgericht opgezet: je werkt aan een eigen oefencase waarbij je een eenvoudige Foundry-pipeline opzet, keuzes maakt in modeltype en agentfunctionaliteit, en de resultaten test en bijstelt. Aan het eind van de training heb je inzicht in de workflow van Foundry, kun je zelfstandig een project opstarten en ben je bekend met de bouwstenen van een succesvolle Foundry-implementatie.

Cursus AI Foundry

Cursus Azure AI Foundry biedt je een complete introductie in het opzetten van een AI-ontwikkelstraat binnen Microsoft Azure. Je leert hoe je AI-modellen ontwikkelt, finetunet en beheert met tools als Azure Machine Learning en Azure OpenAI. De cursus combineert technische verdieping met praktische toepassingen en laat je stap voor stap bouwen aan een schaalbare AI-infrastructuur. Dankzij een realistische casus pas je het geleerde direct toe in een veilige, enterprise-ready omgeving.

Bedrijfstraining AI Foundry

Wil je AI Foundry in gaan zetten in je organisatie? In een bedrijfstraining kunnen wij de training volledig op maat verzorgen voor jou individueel of samen met een groep collega's.

Tijdens de Training Azure AI Foundry fundamentals komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud.

In deze praktijkgerichte training leer je hoe je een AI Foundry opzet binnen het Azure-platform. Alle onderdelen van de AI-ontwikkelstraat komen aan bod: van modelselectie en datavoorbereiding tot deployment, MLOps en governance. De training bestaat uit theorie, demonstraties en opdrachten, inclusief een praktijkcasus waarin je zelf een AI-toepassing ontwikkelt en publiceert. Je ontwikkelt niet alleen technische vaardigheden, maar krijgt ook inzicht in het verantwoord inzetten van AI binnen een enterprise-omgeving.

• Introductie Azure AI Foundry
• • Begrip van de AI Foundry als centrale ontwikkelstraat voor AI-projecten
  • Verkenning van Azure AI-diensten: Azure Machine Learning, Azure OpenAI, Cognitive Services
  • Inzicht in hoe AI-ontwikkeling binnen een Foundry schaalbaar, herhaalbaar en beheersbaar wordt opgezet
  • AI-workflows en integraties tussen data, model, pipeline en governance binnen Azure
• Werken met Azure Machine Learning
• • Inrichten van een Azure Machine Learning workspace en resource group
  • Data-invoer en -voorbereiding: tabulaire data, tekst en JSON-bestanden
  • Maken, trainen en evalueren van klassieke ML-modellen én LLM-workflows
  • Gebruik van AutoML, Notebooks en Designer interface
  • Modellogging, metrics vastleggen en hyperparameteroptimalisatie
  • Versiebeheer, registraties en export van modellen via de Model Registry
• Integratie met Azure OpenAI
• • Toegang tot GPT, Codex en DALL·E via Azure OpenAI Studio
  • Opzetten van prompts en experimenten met Prompt Engineering
  • Finetunen van GPT-modellen op basis van je eigen documenten of data
  • Inrichten van deployment endpoints met throttling, logging en content filtering
  • Toepassen van gebruiksbeperkingen, abuse detection en monitoring
• Modeldeployment en MLOps
• • Publiceren van modellen als REST endpoints via managed online deployment
  • Batch inference vs real-time inference: use cases en performanceverschillen
  • Integratie met Azure DevOps of GitHub Actions voor CI/CD van modellen
  • Gebruik van ML Pipelines voor herhaalbare training- en deploymentflows
  • Monitoring van endpoints met Azure Application Insights en custom logs
  • Versiebeheer van deployments, rollbackopties en retraining triggers
• Governance en Responsible AI
• • Overzicht van Responsible AI principes (fairness, privacy, accountability)
  • Gebruik van het Responsible AI Dashboard in Azure Machine Learning
  • Model interpretability via SHAP/LIME; visueel inzicht in modelbeslissingen
  • Bias-analyse met Fairlearn: detectie van ongelijke prestaties op subgroepen
  • Audittrail van modelversies, trainingsdata en pipelines via metadata-logging
  • Rollen en rechten beheren met Azure Role-Based Access Control (RBAC)
  • Toepassing van Azure Policy en netwerkinstellingen voor compliance en veiligheid
• Praktijkcase: bouwen van een eigen AI-service
• • Realistische bedrijfsopdracht: ontwikkel een AI-oplossing in een Foundry-setting
  • Keuze uit een generatieve AI-toepassing (bijv. chatbot) of ML-model (bijv. voorspeller)
  • Je doorloopt alle fasen: data-prep, model, finetune, deploy, monitor
  • Werken met pipelines, endpoints en dashboards voor verantwoorde inzet
  • Presentatie van je AI-service inclusief lessons learned en aanbevelingen