Testing Course Samples

Test des exemples du cours

Valider que les notebooks de cours et les exemples de code s'exécutent avec une configuration Microsoft Foundry / Azure OpenAI en direct.
Le dépôt propose un script d'exécution dans
scripts/validate-notebooks.ps1 qui
exécute chaque notebook Python en mode headless et affiche une matrice PASS/FAIL.

Quand l'utiliser

• « Valider tous les notebooks / exemples avec mon abonnement Azure. »
• « Test rapide du cours après mise à jour des packages ou changement de modèles. »
• « Quelles leçons passent encore / échouent en direct ? »

Ne pas utiliser ceci pour l'action GitHub AI Smoke Test (qui valide les agents hébergés déployés
— voir tests/README.md). Cette compétence
exécute les notebooks localement.

Prérequis (vérifier d'abord)

1. Python 3.12+ avec les dépendances du cours : python -m pip install -r requirements.txt
   plus l’exécuteur : python -m pip install nbconvert ipykernel.
2. .env à la racine du dépôt (copiez depuis .env.example) avec au minimum :
   • AZURE_AI_PROJECT_ENDPOINT — point de terminaison du projet Foundry
     (https://<account>.services.ai.azure.com/api/projects/<project>)
   • AZURE_AI_MODEL_DEPLOYMENT_NAME — un déploiement non obsolète (ex. gpt-5-mini)
   • AZURE_OPENAI_ENDPOINT (https://<account>.openai.azure.com) et AZURE_OPENAI_DEPLOYMENT
     pour les leçons appelant directement Azure OpenAI (Leçon 06, 02-azure-openai, 14 handoff/human-loop).
3. az login effectué — les exemples s’authentifient avec AzureCliCredential (Entra ID, sans clé).
4. Vérifier que le déploiement du modèle existe :
   az cognitiveservices account deployment list -g <rg> -n <account> -o table.

Exécution de la validation

# Tous les notebooks Python (ignore .NET, .venv, site-packages, traductions, ressources de compétences)
pwsh scripts/validate-notebooks.ps1

# Une seule leçon, avec un délai d'attente plus long par cellule
pwsh scripts/validate-notebooks.ps1 -Filter '08-*' -Timeout 600

# Liste simplement ce qui serait exécuté (pas d'exécution)
pwsh scripts/validate-notebooks.ps1 -List

# Interpréteur explicite (si `python` n'est pas dans le PATH, par ex. alias du Windows Store)
pwsh scripts/validate-notebooks.ps1 -Python "C:/path/to/python.exe"

Le script écrit des copies exécutées, des logs par notebook, et un results.json dans
$env:TEMP\aiab-nbval et se termine avec le nombre d’échecs.

Les échecs transitoires (limites de quota HTTP 429 partagés par abonnement, un hic occasionnel
du token AzureCliCredential, ou un timeout) sont retentés automatiquement
(-Retries, par défaut 2, avec un délai -RetryDelaySeconds en recul, par défaut 20). Si un
déploiement modèle donne fréquemment des 429, vérifier le quota TPM GlobalStandard de l’abonnement
(az cognitiveservices usage list -l <region>) — augmenter la capacité d’un unique
déploiement ne sert à rien si le quota abonnement est épuisé.

Interprétation des résultats

• PASS — le notebook a tourné de bout en bout sans erreur de cellule.
• FAIL — la première ligne *Error / *Exception est montrée ; ouvrez le
  fichier log_*.txt correspondant dans le répertoire de sortie pour la trace complète.
• L’échec d’un seul notebook est limité par -Timeout (par cellule), ainsi une cellule avec
  intervention humaine suspendue renvoie StdinNotImplementedError au lieu de rester bloquée.

Leçons nécessitant des ressources supplémentaires (échec attendu sans elles)

Rapport de retour

Résumer sous forme de tableau PASS/FAIL regroupé par leçon. Séparer les régressions réelles
(bugs de code/config à corriger) des lacunes d’environnement (recherche/Search manquante / Foundry Local / PAT),
et citer les log_*.txt en échec pour chaque vrai échec.

Avertissement : Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforçions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue native doit être considéré comme la source faisant autorité. Pour les informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous ne saurions être tenus responsables des malentendus ou erreurs d'interprétation découlant de l'utilisation de cette traduction.