OIDANEOS : 01. Concevoir et implémenter une solution d’IA pour les professionnels Data
Organisme
OIDANEOS
SECTION SAINT JACQUES97118 SAINT-FRANCOISVoir toutes ses formationsAutres organismes proposant cette formation
Durée
Modalités
Formation
- Mixte
Évaluation
1. Cas d'usage unique (1h) (épreuve orale) 2. Questionnaire à visée professionnelle (45 min) (en ligne)
Certification
Réussite des 2 modalités d'évaluation (cas d'usage unique et questionnaire) - Le coût de la certification est compris dans le coût du stage.
Prix
Inter
La formation en Inter est dispensée pour un groupe de salariés d’entreprises différentes.
12 800 € HT / personne
Certification obligatoire
+ 400 € HT / personne
Intra
La formation en Intra est dispensée pour un groupe de salariés d’une seule et même entreprise.
57 600 € HT / groupe
Certification obligatoire
+ 400 € HT / personne
4 stagiaires minimum
Public
Professionnels de l’informatique et du traitement des données (data engineer, data analyst, business data analyst et architecte data).
Pré-requis
- 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).I2
- 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).I2
Certification
Concevoir et implémenter une solution d’IA
Objectifs pédagogiques
Mesure et suivi de la performance
Les menaces
Les connaissances générales liées aux modèles d’IA
La modélisation IA
Les méthodes d’apprentissage
Industrialisation et architecture
- Identifier, définir et mesurer les indicateurs de performance dès la conception de la solution
- Analyser et ré-évaluer de manière périodique les indicateurs de performance
- 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, …)
- Apprendre les bonnes pratiques pour gérer un projet d'Intelligence artificielle
- Maîtriser les bases et les bibliothèques de Python, et leur application à l’intelligence artificielle
La modélisation IA
- Connaissance des différents modèles d’IA et de leurs spécificités (ex. contraintes liées aux différentes formes d’apprentissage
- Apprendre à développer en Python des modèles de IA (prédiction, classification, réseaux de neurones)
- Maitriser les environnements de développement de l’IA (Notebook Jupyter, …)
Les méthodes d’apprentissage
- Apprendre à Optimiser le code & automatiser des tâches
- 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, …)
- Apprendre à utiliser des outils de monitoring d’entrainement de type Tensorboard
- Apprendre à utiliser les bibliothèques d’optimisation de modèles de type Optuna
- Avoir des notions d’architecture d’un système d’information intégrant de L’IA
Programme détaillé
1- Documentation (1 jour)
- Documenter les jeux de données (datasheet, documentation technique)
- Documenter le flux de traitement des données (chaîne d'approvisionnement)
- Suivi du cycle de vie de la donnée
2- Techniques de traitement de données (2 jours)
- Génération de données (données synthétiques, confidentialité)
- Techniques d’augmentation de données
3- Préparation des données (2 jours)
- Évaluation de la qualité et de la pertinence des données
- Data-cleaning : identification des données aberrantes, gestion des données manquantes
- Identification des biais et méthodes d’atténuation
4- Adapter la solution aux enjeux sociétaux et besoins clients (1,5 jours)
- Identification des risques éthiques et sociétaux liés à l’utilisation de l’IA
- Connaissance des besoins métiers et des cas d’usage
5- Mesure et suivi de la performance (2 jours)
- Définition et suivi des indicateurs de performance
- Techniques de MLOps, versionnage et mise en production des modèles
6- Les menaces (1,5 jours)
- Connaissance des menaces pesant sur les solutions IA
- Évaluation des risques résiduels et techniques d’atténuation
7- Modélisation IA (2,5 jours)
- Développement de modèles IA (prédiction, classification, réseaux de neurones)
- Utilisation des environnements de développement (Jupyter, Tensorflow, Keras)
8- Méthodes d’apprentissage (2 jours)
- Optimisation des méthodes d’apprentissage en fonction des jeux de données
- Introduction aux bibliothèques spécialisées du marché
9- Industrialisation et architecture (2 jours)
- Bonnes pratiques MLOps (versionning, CI/CD)
- Déploiement de l’IA via API et services web
- Notions d’architecture des systèmes d’information intégrant l’IA
10- Amélioration continue (2 jours)
- Mesure des performances des solutions IA
- Évolution des solutions en fonction des nouvelles données et des retours utilisateurs