OIDANEOS : 03. Concevoir et implémenter une solution d’IA pour les Data scientists
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
L’obtention de la certification « Concevoir et implémenter une solution d’IA » est conditionnée aux conditions suivantes : 70% des 9 compétences validées
Prix
Inter
La formation en Inter est dispensée pour un groupe de salariés d’entreprises différentes.
10 400 € 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.
46 800 € HT / groupe
Certification obligatoire
+ 400 € HT / personne
4 stagiaires minimum
Public
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.
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).
- 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
Concevoir et implémenter une solution d’IA
Objectifs pédagogiques
La documentation
Les techniques de traitement de données
Adapter la solution selon les enjeux sociétaux et les besoins clients
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
- 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, …)
Programme détaillé
Bloc 1 – Données et préparation (12h)
- Collecter et transformer des données complexes (big data, flux temps réel).
- Gérer la qualité et la représentativité des données.
- Identifier les biais potentiels et leurs impacts sur les modèles.
Bloc 2 – Modélisation et apprentissage (16h)
- Développer et comparer plusieurs algorithmes (réseaux neuronaux, SVM, forêts aléatoires…).
- Optimiser les hyperparamètres et gérer le sur-apprentissage.
- Mettre en œuvre des techniques de deep learning (vision, NLP).
Bloc 3 – Éthique, enjeux et performance (38h)
- Interpréter les modèles et expliquer les résultats (explainable AI).
- Mesurer la robustesse et la fiabilité des modèles.
- Intégrer les aspects éthiques, environnementaux et réglementaires dans les projets
Bloc 4 – Industrialisation et architecture (38h)
- Déployer un modèle dans un environnement de production (API, conteneurs, cloud).
- Automatiser les pipelines d’entraînement et de mise à jour (MLOps).
- Assurer un suivi des performances et une amélioration continue.