Version : 1.0 · Date : 2026-10-23
Objectif : être prêt lundi pour un entretien de support N2/N3 sur des chatbots IA (RAG) hébergés sur Azure, en sachant expliquer la plateforme et, surtout, diagnostiquer un incident saut par saut.
Public : un architecte cloud déjà AZ-104, AZ-305 et AZ-700. Les bases Azure (VNet, Private Endpoint, Private DNS zones, RBAC, Entra ID, Key Vault) ne sont pas réexpliquées. Les noms de services, fonctionnalités, rôles, menus et commandes sont en anglais, comme dans le portail ; les explications sont en français. Toutes les informations viennent de Microsoft Learn, kubernetes.io, argo-cd.readthedocs.io et langfuse.com, relevées le 23/10/2026.
La pile du client#
| Brique | Service | Ce que le support doit savoir lire |
|---|---|---|
| Hébergement des chatbots | AKS (un cluster par projet, probablement), déployé en GitOps avec Argo CD | Pods, Deployments, Events, statuts Argo CD |
| Hébergement alternatif | Web App for Containers (Dockerfile), entièrement privée : Private Endpoint en entrée, VNet integration en sortie | Log stream, démarrage du conteneur, DNS privé |
| CI et images | Azure DevOps Pipelines (build, push) vers ACR Premium privé | Runs, tags d'image, pull depuis AKS et la Web App |
| Recherche (RAG) | Azure AI Search : base vectorielle, recherche hybride, semantic ranker, indexers | Index, scores, statut des indexers |
| Extraction | Document Intelligence (OCR, layout) | Opérations d'analyse, limites, erreurs |
| Modèles | Microsoft Foundry / Azure OpenAI (chat, embeddings) | Quotas TPM / RPM, 429, latence, tokens, content filters |
| Secrets | Key Vault via Workload Identity + Secrets Store CSI driver | Federated credential, SecretProviderClass, RBAC |
| Observabilité | Application Insights, Log Analytics workspace, Azure Monitor, OpenTelemetry, Managed Prometheus, Azure Managed Grafana (managed identity), Langfuse (traces LLM) | operation_Id, KQL, métriques, traces de prompt |
Les chapitres#
| N° | Fichier | Contenu | Lecture |
|---|---|---|---|
| 01 | 01-architecture-chatbot-de-bout-en-bout | Le chemin d'une question de l'utilisateur au modèle, en privé et sans clé, et où regarder à chaque saut | 45 min |
| 02 | 02-modeles-ia-tokens-couts | Familles de modèles, jetons, quotas TPM / RPM, 429, prompt caching, coûts et latence | 1 h |
| 03 | 03-rag-ingestion-recherche-generation | Les trois pipelines du RAG : ingestion (OCR, chunking, embeddings), recherche hybride et scores, génération | 1 h 15 |
| 04 | 04-aks-pour-le-support | Les objets Kubernetes utiles au support, cycle de vie d'un pod, Workload Identity, CSI Key Vault | 1 h 15 |
| 05 | 05-gitops-argocd-azure-devops-acr | La chaîne Azure DevOps → ACR Premium → Argo CD → AKS, statuts Argo CD, ACR privé | 1 h |
| 06 | 06-web-app-for-containers-privee | Web App for Containers privée : entrée, sortie, démarrage du conteneur, logs | 45 min |
| 07 | 07-observabilite-azure-monitor-grafana | Application Insights, LAW, OpenTelemetry, Managed Prometheus, Grafana, Langfuse | 1 h 15 |
| 08 | 08-runbooks-incidents | La méthode N2/N3 et 15 runbooks (arbres de décision, commandes kubectl, az, KQL, REST, Argo CD) | 2 h 30 |
| 09 | 09-questions-entretien-et-fiche | 50 questions d'entretien avec réponses modèles, questions à poser, fiche J-1 | 1 h 30 à voix haute |
| 10 | 10-lab-de-bout-en-bout | Lab pratique : monter une copie réduite de la plateforme (AKS, Web App privée, Azure DevOps, Argo CD, observabilité) puis la casser : 33 pannes à diagnostiquer avec les runbooks du 08, et 7 exercices guidés | 45 min de lecture + 12 h de lab au plus (environ 12 à 22 €) |
| 11 | 11-attentes-du-poste-et-complements | Les attentes du poste reliées aux chapitres, et les compléments : External Secrets Operator, Argo CD en sync manuelle et Helm, Run dans un namespace (quotas, escalade), Langfuse côté reporting, Document Intelligence Studio, Grafana as code | 1 h |
Total : environ 12 h de lecture active plus le lab ; le planning ci-dessous priorise 01, 08, 09 et la pratique du 10.
Le planning jusqu'à lundi#
flowchart LR
V["Vendredi soir<br/>théorie + préparation du lab"] --> S["Samedi<br/>lab : montage + pannes"] --> D["Dimanche<br/>pannes restantes + oral"] --> L["Lundi matin<br/>fiche J-1"]
| Quand | Quoi | Résultat attendu |
|---|---|---|
| Vendredi soir (3 h) | 11 § 1 et 2 (ce qui est attendu, où c'est traité), 01 en entier, la section 1 du 08 (méthode), puis les sections 0 à 4 du 10 (règles, coût, prérequis, valeurs à valider) | Savoir dessiner le chemin d'une question ; lab prêt à lancer samedi matin |
| Samedi matin (4 h, lab) | Montage du lab (section 11 du 10) ; pendant les attentes de création, lire 04, 05 et 06 | Plateforme validée de bout en bout (section 12 du 10) |
| Samedi après-midi (5 h, lab) | Pannes 1 à 33 du 10, chacune diagnostiquée avec son runbook du 08 (lien « S'entraîner » sous chaque runbook) ; une fiche symptôme → cause → correctif par panne ; nettoyage avant H+12 | Avoir vécu les incidents, pas seulement lu les runbooks |
| Dimanche matin (2 h 30) | 02, 03 et 07 pour consolider ce que les pannes RAG, coût et observabilité ont montré ; refaire à blanc (corrigé replié) les pannes non traitées samedi | Expliquer tokens, 429, latence, RAG en trois étages, corrélation operation_Id |
| Dimanche après-midi (2 h) | Relire les arbres de décision des 15 runbooks, puis les questions du 09 à voix haute (moins d'une minute chacune), en racontant une panne du lab dès que possible | Réponses fluides et illustrées par du vécu |
| Lundi matin (45 min) | La fiche J-1 du 09, le schéma 08-1, les 3 phrases à placer, les questions à poser au recruteur | Arriver avec la méthode en tête, pas avec des détails |
Si le lab n'est pas possible (accès, budget), remplacer le samedi par la lecture de 04 à 07 et faire les 33 pannes à blanc : lire l'énoncé, dérouler le runbook à voix haute, puis ouvrir le corrigé.
Conseil : pour chaque runbook, lire d'abord l'arbre de décision Mermaid, puis seulement les commandes. En entretien, on attend la démarche (dans quel ordre on regarde, pourquoi), pas la syntaxe exacte.
Organisation du dossier#
SUPPORT-IA/
├── README.md ce plan
├── 01-…md à 10-…md un fichier par thème (10 = lab)
├── images/ les schémas exportés en PNG (affichés dans les fichiers)
├── DRAWIO/ les schémas sources, modifiables dans draw.io
└── outils/ les scripts qui génèrent les schémas (moteur de GenDoc)
Régénérer les schémas d'un fichier : python outils/schemas_NN.py [noms…] depuis ce dossier (GenDoc doit être dans
..\..\GENERATEUR-PPT).
Cours liés#
- Parcours AKS : AKS de A à Z niveau architecte (réseau, identité, stockage, GitOps, IA sur AKS) ; à ouvrir pour approfondir les chapitres 04 et 05.
- AI-103 : développer des applications et agents IA sur Azure (Foundry, Azure AI Search, Document Intelligence, RAG) ; à ouvrir pour approfondir les chapitres 02 et 03.
- AZ-400 : DevOps sur Azure (Azure Pipelines, GitHub Actions, GitOps, observabilité) ; à ouvrir pour approfondir les chapitres 05 et 07.