03. Concevoir et implémenter une solution d’IA pour les Data scientists

Professionnels dont les missions, en termes de traitement de données, sont plus avancées (notamment l'exploration de données avancée, la modélisation statistique et l'utilisation de techniques d'apprentissage automatique et d'intelligence artificielle pour résoudre des problèmes complexes) et qui disposent de compétences déjà solides en mathématiques et statistiques. 

'-    Exercer un emploi comportant des activités orientées vers la création d’infrastructures, de logiciels, vers le traitement et l’analyse de données ou encore vers la maintenance des systèmes ;
-    Des connaissances en mathématiques et statistiques, en particulier dans l’exploitation de données (statistiques descriptives, probabilités, statistiques inférentielles, analyse exploratoire des données, modélisation statistique) ;
-    Justifier d’une expérience en programmation (1er niveau de maîtrise des langages de programmation, connaissances algorithmes et structures de données, architecture logicielle, systèmes d’exploitation).

La documentation 

• Documenter les jeux de données (datasheet, documentation technique)
• Documenter le flux de traitement des données (donnée source jusqu’à l’exploitation, chaine d’approvisionnement des données) 
• Documenter le cycle de vie de la donnée 

Les techniques de traitement de données 

• Prendre en compte les techniques de génération de données (données synthétiques, confidentialité différentielle, etc.)
• Maitriser les techniques d’augmentation de données 

Adapter la solution selon les enjeux sociétaux et les besoins clients

• Comprendre les impacts de la solution par rapport au destinataire direct et indirect
• Connaître, identifier et intégrer les différents risques éthiques et sociétaux associés à l’utilisation de l’IA en fonction du cas d’usage
• Connaître la réglementation en lien avec la confidentialité et utilisation des données et de l’IA pour les usages sensibles

Mesure et suivi de la performance 

• Choisir et documenter le modèle de stockage adapté en fonction du cas d’usage et des données sources
• Maitriser les techniques de versionnage et de mise en production des modèles
• Maitriser les techniques de Mlops et frameworks associés (MLFlow, …), conteneurisation (docker) et les articuler avec les techniques de Devops
• Développer des tableaux de bord pour le suivi des performances et les métriques associées
• Intégrer les retours utilisateurs et les limites d’utilisation (retour du contrôle vers un humain)

Les menaces 

• Connaître les menaces qui pèsent sur l’élaboration d’une solution d’IA et comprendre l’état de l’art des mécanismes d’atténuation (adversarial example) et évaluer les risques résiduels 

Les connaissances générales liées aux modèles d’IA   

• Comprendre les modèles d’IA et leurs champs d’application
• Maîtriser les outils (Tensorflow, Keras, ...) pour faire de L’IA
• Compréhension, prise de recul par rapport des cas d’usage
• Intégrer les contraintes opérationnelles (accès aux données, SI, etc…)
• Sensibilisation Écoconception (ex-gestion de flux de données vertueuse, code optimisé, …)

La modélisation IA

• Connaissance des différents modèles d’IA et de leurs spécificités (ex. contraintes liées aux différentes formes d’apprentissage

Les méthodes d’apprentissage  

• Optimiser les méthodes d’apprentissage au regard du jeu de données
• Elargir les connaissances sur les bibliothèques du marché. 

Industrialisation et architecture  

• Bonnes pratiques Mlops, versionning, dév. Continu, CI/CD… 
• Savoir « exposer » l’IA (API, web service, events, etc)
• Développement d’IHM basiques pour première retitution MVP (Tkinter, Flask, Django, …)
• Avoir une bonne connaissance des principaux éléments d’architectures impliquées pour l’IA
• Être capable de challenger les propositions techniques sous les contraintes performance, économique, écologique, …)