Certification professionnelle

Objectifs et contexte de la certification :

Objectifs : 

L’objectif du certificat « Deep Learning et Intelligence Artificielle » est d’attester de la capacité du candidat à :

• piloter de manière opérationnelle un projet d’intelligence artificielle
  au sein des différentes unités organisationnelles de l’entreprise (production, vente, supports, etc.),
• intégrer et utiliser les technologies les plus avancées du Deep Learning, 
• manipuler et exploiter des volumes importants de données en les valorisant. 

Cette certification est construite autour de cinq axes offrant au candidat une expertise liée à l’usage intensif de l’intelligence artificielle.
Elle permet tout d'abord au candidat de s'approprier les différentes composantes de l'IA et d'être à même de mettre en place une méthodologie de projet.
A la suite de quoi, le candidat est en mesure de choisir les premières briques technologiques et de développer en autonomie sur les principaux langages du domaine concerné.
Par le biais des réseaux neuronaux, il est capable de dominer les frameworks les plus aboutis du marché. Il est apte à utiliser la puissance des plateformes connectées et des services cloud associés.
Pour finir, le candidat maîtrise les algorithmes et les différentes architectures de réseaux de neurones profonds sur l'ensemble des données, telles que la voix, le langage, le texte, le son, l'image, etc. 

Contexte :

L’intelligence artificielle est un marché en pleine explosion, avec près de 1000 start-up dans le monde, il représentera 60 milliards de dollars d’ici 2025. Cette révolution a des impacts dans tous les secteurs économiques, mais également au sein de chaque département d’une société : Marketing, RH, Service Client, R&D, etc., forçant les entreprises à s’adapter à ces nouveaux usages en proposant de nouveaux services tels que : agents virtuels & chatbots, objets & environnement connectés, robots, natural language processing, UX & Process automation...

Beaucoup d’entreprises se questionnent actuellement : quels enjeux pour leur activité ? Quelle vision sur les prochaines années et comment accompagner cette transition ?   

Ces nouvelles compétences très recherchées sur le marché du travail (mettre en œuvre des algorithmes d’apprentissage automatiques, exploiter les réseaux neuronaux, etc.), permettent d’apporter aux entreprises une meilleure exploitation qu’elles font de leurs données, et par la même, créer un levier de croissance important en transformant ces valeurs passives en véritable capital actif.

L’ingénieur informatique doit donc aujourd’hui, être capable d’intégrer l’intelligence artificielle au sein des applicatifs afin de retirer certains avantages concurrentiels déterminants pour l’entreprise : amélioration des taux de conversion (marketing), proximité avec les clients, gain de productivité, etc. 

Compétences attestées :

En découverte de l'Intelligence Artificielle et du Machine Learning

• C1 - Cerner les enjeux de l’IA 
• C2 - Analyser les différentes étapes de construction de projet autour de l'IA
• C3 - Préparer un jeu de données

En programmation et langages de l'Intelligence Artificielle

• C4 - Maîtriser la syntaxe des langages orientés objet dédiés à l'IA (Python, R, Scala, etc.)
• C5 - Coder en programmation orientée objet
• C6 - Maîtriser les paradigmes de la programmation fonctionnelle
• C7 - Coupler des librairies de Data science à un langage choisi (Scikit.Learn, Fast.ai, MLlib, etc.) 

En technologies autour de l'Intelligence Artificielle et du Deep Learning

• C8 - Installer et utiliser les différents frameworks (Tensorflow, PyTorch, Spark, etc.)
• C9 - Construire, exploiter et entraîner des réseaux neuronaux à travers l'exécution de notebook
• C10 - Mettre en œuvre des algorithmes d’apprentissage automatique
• C11 - Manipuler des volumes importants de données en utilisant les bonnes pratiques
• C12 - Utiliser les concepts de Machine Learning et Deep Learning dans les différents frameworks du marché

En plateformes et services cloud dédiés à l'Intelligence Artificielle

• C13 - Créer et déployer des modèles Machine Learning sur une plateforme cloud
• C14 - Utiliser une plateforme de traitement automatique du langage

En applications fonctionnelles du Deep Learning

• C15 - Choisir un algorithme et mesurer sa pertinence
• C16 - Utiliser les modèles d'attentions
• C17 - Maîtriser l'architecture fondamentale du NLP
• C18 - Implémenter une architecture convolutionnelle et une architecture récurrente
• C19 - Résoudre un problème à partir d'un système de récompenses/ pénalités (reinforcement learning)
• C20 - Maîtriser les techniques de Deep Learning les plus récentes

Modalités d'évaluation :

1. Activités

Durant chaque activité, le dispensateur apprécie de façon objective l’acquisition des compétences du candidat, au travers de divers travaux pratiques effectués.

À la fin de chaque activité, un questionnaire à choix multiple valide l’acquisition des compétences. Il permet de :

1. prendre la mesure des connaissances du candidat de manière objective,
2. évaluer une large variété de compétences : connaissance, compréhension, analyse, synthèse.

• Nombre de questions d’un QCM : 40
• Note minimum de passage du QCM : 60% 
• Temps alloué pour un QCM :  1h

2. Certification

Le participant, en amont de la présentation orale, doit justifier de la validation de l’entièreté des activités de compétences de cette certification en présentant des attestations d’activités.

En fin de parcours de certification, une présentation orale devant un jury d’un projet commun aux différentes activités permet de valider l’acquisition et l’application correctes de l’ensemble des compétences du certificat.

Le candidat présente son projet en se référant aux critères d’évaluation correspondant à ses choix de développement (langage utilisé, outil de traitement mis en place, modèles de machine learning déployés, etc.). Il justifie chaque choix en fonction des bénéfices vis-à-vis de son projet. Il doit analyser les besoins et objectifs de son client/son entreprise (liés à son projet) et y répondre parfaitement, en les énonçant clairement. Il argumente la méthodologie appliquée, commente les difficultés de mise en place et les succès rencontrés. Il envisage des méthodes d’optimisation réalisables et des axes de développement futur.

Le candidat présente son développement au travers d’une démonstration de l’application développée sur ordinateur. Il appuie et commente sa présentation à partir d’un cahier des charges fonctionnel, de sources et visuels précis et documentés. 

Il tire un bilan de son projet et analyse l’impact futur de son déploiement pour son entreprise/client.

• Note minimum de passage de l’oral : 60% 
• Temps alloué pour l’oral :  - 20 min de présentation d’un projet commun à l’ensemble des activités
  - 20 min d’entretien avec le jury
  - 10 min de délibération du jury

Pour l’octroi de la certification, le jury se prononce au terme de l’entretien final avec les candidats. 

Pour prendre sa décision, le jury dispose des notes de QCM, de ou des appréciations objectives des dispensateurs du cursus de certification (facultatif), du projet présenté, du parcours du candidat et de ses aptitudes professionnelles.