SIMPLON.CO : 02. Concevoir et implémenter une solution d’IA pour les Professionnels IT
Organisme
93100 MONTREUILVoir toutes ses formationsAutres organismes proposant cette formation
Durée
Modalités
- Mixte
1. Cas d'usage unique (1h) (épreuve orale) 2. Questionnaire à visée professionnelle (45 min) (en ligne)
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
Public
Professionnels de l’IT dont :
- le cœur de métier n’est pas initialement l’exploitation des données,
- l’expertise et les finalités se concentrent sur la gestion et l'optimisation des systèmes et de l'infrastructure informatiques et non sur l'exploitation des données pour prendre des décisions (développeur informatique, spécialiste BDD, consultant AT, spécialiste infrastructure, spécialiste systèmes, réseaux et sécurité, intégrateur logiciel...)
Pré-requis
- 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)
Certification
Objectifs pédagogiques
- 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
La préparation des données
- Evaluer la qualité et la pertinence des données (visualisation, indicateurs (de cohérence), distribution, etc.)
- Identifier les biais les plus courants et leurs atténuations et évaluer les risques résiduels
- Intégrer et maitriser les méthodes de base de data-cleaning (renseigner données manquantes, identifier les données aberrantes, etc.)
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
- Connaitre les besoins métiers et comprendre les besoins exprimés
- Comprendre le cas d’usage en fonction des besoins métiers
Mesure et suivi de la performance
- Identifier et corriger les dérives du modèle (apprentissage en continu avec des dérives liées aux nouvelles données)
- 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
- 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, …)
- 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
La formation s’étale sur une période de 59 jours soit environ 2 mois. Elle dure 156 heures en centre de formation, et est composée de :
- 8 modules thématiques entre 14 et 19 heures de formation d’une durée totale de 150 heures. Chaque module a les modalités et durées suivantes :
- 7 heures de formation en présentiel
- 4 heures de formation en télé-présentiel
- des heures variables de formation asynchrone encadré selon le module
- 1 module de préparation et passage de la certification de 6 heures
Module 0 - Introduction - Intégrer une IA sur étagère dans une application ou infrastructure existante - 19 heures
Module 1 - Entraîner une IA à partir d’un modèle d’IA et l'exposer - 17 heures
Module 2 - Reprendre le pipe de préparation des données structurées et ajouter des nouveaux traitements - 17 heures
Module 3 - Faire évoluer la pipe de préparation des données pour l’alimenter avec des nouvelles sources - 14 heures
Module 4 - Concevoir une IA simple - 17 heures
Module 5 - Déployer une solution IA en production et la monitorer en suivant un approche MLOps - 17 heures
Module 6 - Améliorer une solution d’IA en continu - 17 heures
Module 7 - Faire évoluer l’architecture d’une IA - 17 heures
Module 8 - Cadrage et conception technique sur une nouvelle projet d’application IA - 15 heures
Module 9 - Préparation et passage de la certification - 6 heures
La certification s’adresse à un public de professionnels exerçant 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 et qui souhaitent acquérir des compétences leur permettant de contribuer au développement d’une solution d’intelligence artificielle (IA). La certification vise des compétences complémentaires pour les professionnels de l’IT permettant de contribuer au développement et à l’implémentation d’une solution d’IA.
Les composantes visées sont les suivantes :
- La préparation des données nécessaires au projet d’Intelligence Artificielle
- Le développement et la mise en œuvre d’une solution d’Intelligence Artificielle
- Le maintien et l’amélioration continue d’une solution d’Intelligence Artificielle
Cette activité professionnelle s’appuie sur les compétences suivantes :
- C1. Identifier un jeu de données pour répondre aux besoins métiers et aux cas d’usage, en tenant compte des enjeux de pertinence et de cohérence.
- C2. Identifier les risques éthiques et sociétaux à prendre en compte dans le cadre de l’exploitation de la solution d’IA pour prévenir les dérives éventuelles, en tenant compte du cadre règlementaire.
- C3. Préparer les données pour renforcer leur intégrité et leur pertinence en vue du développement de la solution IA, en mobilisant les techniques de traitement adaptées et en tenant compte des attendus (besoins métiers, cas d’usage etc.) identifiés en phase de cadrage du projet.
- C4. Choisir un modèle IA pour disposer d’une solution adaptée et performante par rapport aux cas d‘usage, en mesurant sa pertinence et en mobilisant une démarche scientifique.
- C5. Entraîner le modèle d’IA de façon automatique et supervisée pour valider la pertinence des solutions envisagées, au regard des cas d’usage énoncés par le métier.
- C6. Implémenter le modèle d’IA en intégrant les briques technologiques (moteurs, reporting, suivi des prévisions etc.) au sein de l’environnement technique choisi pour exploiter la solution.
- C7. Contribuer à la conception et à l’évaluation de la proposition d’architecture cible, en identifiant les contraintes avec l’appui des acteurs pertinents, pour garantir les performances attendues.
- C8. Mesurer la performance et les impacts de la solution d’IA pour maintenir son application fonctionnelle, conformément aux cas d’usage et aux enjeux identifiés.
- C9. Adopter une démarche d’amélioration continue de la solution IA, pour garantir son évolution au fil du temps, dans le respect des exigences de la commande initiale et en tenant compte des évolutions des besoins utilisateurs et des données mobilisables.