Certification professionnelle

1. Etudier le fonctionnement de l’entreprise et de son environnement en analysant ses différents enjeux métiers et ses implications business et sociétales afin de positionner le projet IA dans son environnement global et d’assurer son intégration en cohérence des objectifs de l’entreprise
2. Définir les ressources techniques et informatiques nécessaires pour le déploiement du projet en comparant les ressources digitales de l’entreprise avec les besoins du projet afin d’assurer une bonne définition des objectifs et calendrier de réalisation du projet
3. Analyser les composantes et enjeux intrinsèques aux projets IA en s’appuyant sur un système de veille technologique et économique afin de détecter les opportunités de projets d’intelligence artificielle au sein de l’entreprise.
4. Identifier l’impact de l’intelligence artificielle sur l’environnement, la société et l’individu et définir des solutions de remédiation et/ou de collaboration afin d’adopter une démarche soucieuse des questions éthiques.  

 Études de cas

1. Développer et déployer des infrastructures informatiques de stockage de données en s’appuyant sur les logiciels appropriés pour structurer une base de données relationnelle ou non relationnelle.
2. Acquérir, intégrer et traiter un ensemble de données à partir de sources hétérogènes, internes et externes à l'entreprise et ceci de façon sécurisée afin de les exploiter et de les stocker en sécurité.
3. Analyser et pré-traiter des données structurées et non structurées en s’appuyant sur le nettoyage des données réalisé, en identifiant les anomalies et les manques, pour répondre à un problème métier.
4. Réaliser une réduction de la dimensionnalité des données de grandes dimensions en utilisant les méthodes adaptées afin d'optimiser les temps de calcul.
5. Réaliser une analyse exploratoire en s’appuyant sur des solutions de visualisation de données afin de représenter graphiquement les données d'une manière claire et pertinente.
6. Réaliser une analyse statistique univariée et multivariée en s’appuyant sur des méthodes statistiques appropriés afin de préciser la relation entre les variables et de prendre en compte les facteurs de confusion.
7. Utiliser et appliquer des modélisations mathématiques sur les données structurées et nettoyées pour enrichir les systèmes d’aide à la décision.
8. Modéliser les données structurées et nettoyées en s’appuyant sur des outils mathématiques appropriés afin d’enrichir des systèmes d’aide à la décision.  

 Mise en situation professionnelle reconstituée

1.   Implémenter et entraîner (train) des modèles d’apprentissage automatique adaptés à une problématique métier en s’appuyant sur les grandes familles d'algorithmes et les librairies d'apprentissage supervisées ou non supervisées pour réaliser une analyse prédictive.
2. Sélectionner les algorithmes d’apprentissage adaptés au problème à résoudre en réalisant des études comparatives de leurs performances afin d’assurer l’efficacité de la solution.
3. Évaluer les performances des modèles d’apprentissage automatique par la mise en œuvre de métriques adaptées aux problématiques d’intelligence artificielle afin d’améliorer l’efficacité des modèles.
4. Extraire les variables pertinentes pour la modélisation en s’appuyant sur des méthodes adaptées afin d’améliorer leur exploitation.
5. Corriger les problèmes de type sur-apprentissage des modèles élaborés, en mettant en place des indicateurs permettant d’en mesurer les performances afin d’assurer l’opérationnalité de la solution d’intelligence artificielle.
6. Évaluer la fiabilité des modèles prédictifs en appliquant une stratégie de validation croisée des données afin de minimiser l’influence des valeurs extrêmes.
7. Améliorer le modèle d’apprentissage automatique en adaptant et en optimisant les paramètres du modèle afin de minimiser l’erreur d’apprentissage.  

Mise en situation professionnelle 

1. Implémenter et entraîner (train) des modèles d’apprentissage profond en répondant à une problématique identifiée en développant une architecture optimisée adaptée aux besoins en intelligence artificielle afin de maximiser la puissance prédictive.
2. Évaluer les performances des modèles d’apprentissage profond par la mise en œuvre de métriques adaptées aux problématiques d’intelligence artificielle afin d’améliorer l’efficacité des modèles.
3. Améliorer le modèle d’apprentissage profond en adaptant/optimisant l’architecture et les paramètres du modèle afin de minimiser l’erreur d’apprentissage.  

 Mise en situation professionnelle  

1.   Présenter un modèle d’IA auprès de ses utilisateurs finaux en s’appuyant sur une interface de programmation applicative (API) dans le web afin de répondre à une problématique métier identifiée et de diffuser l’utilisation des solutions intégrées parmi les utilisateurs métier.
2. Déployer un projet de développement IA à l’échelle en utilisant les technologies des données massives et les outils du Cloud appropriés afin de permettre le passage d’un projet d’IA à l’échelle des données massives.
3. Définir une politique de protection de données individuelles telle que définis par les règles européennes (RGPD) en identifiant les principaux risques internes et externes liés à leur sécurité afin de mieux les gérer.
4. Intégrer les contraintes légales et les valeurs de responsabilité et d’éthique dans un projet d’IA en identifiant les principaux usages dans différents domaines et en analysant leurs implications humaines et sociétales afin de les valoriser, les rendre plus opérationnelles et plus responsables.
5. Acquérir une vision globale du travail en mode projet en identifiant les différentes méthodes et les différents liens avec les acteurs afin de permettre le bon déroulement du projet et sa cohérence avec la politique globale de l’entreprise.
6. Gérer les délais et les ressources affectées au projet en utilisant les outils de gestion de projet appropriés afin d’anticiper les risques et trouver les solutions adéquates aux aléas, problèmes et imprévus rencontrés.  

Mise en situation professionnelle

Étude de cas pratique