Parcours certifiant — Intégrer des modèles et des services d'intelligence artificielle (RNCP 37827 — BC02)

Module 1 — Mettre en œuvre une veille concurrentielle efficace (2 jours)

• Distinguer les différents types de veille
• Élaborer un plan de recherche structuré
• Utiliser les outils terrain et documentaires pour la collecte d'informations
• Déployer des outils de surveillance et d'analyse
• Valoriser les informations collectées pour renforcer le positionnement concurrentiel

Module 2 — Conduire un projet Benchmarking (2 jours)

• Distinguer les différentes formes de benchmarking
• Formaliser le cahier des charges du projet de benchmarking
• Identifier les sources d'information et les partenaires pertinents
• Traiter et analyser les données collectées
• Partager les enseignements et bonnes pratiques avec les équipes

Module 3 — Statistiques descriptives : introduction (2 jours)

• Saisir l'utilité et les apports de la statistique descriptive
• Appréhender les méthodes de traitement de données brutes
• S'approprier les outils statistiques fondamentaux et leur mode de calcul
• Formuler une problématique statistique et identifier la méthode adaptée

Module 4 — Machine Learning : méthodes et solutions (4 jours)

• Appréhender les différents modèles d'apprentissage automatique
• Formaliser un problème concret en une représentation abstraite
• Sélectionner les méthodes d'apprentissage appropriées à un problème donné
• Mettre en œuvre et évaluer les méthodes retenues sur un cas concret
• Établir des connexions entre les diverses techniques d'apprentissage automatique

Module 5 — Intégration continue : bonnes pratiques de mise en œuvre (3 jours)

• Assimiler les composantes et les principes de l'intégration continue
• Utiliser un système de gestion de versions
• Appréhender les mécanismes de build et les outils associés
• Paramétrer un projet sur un serveur d'intégration continue
• Interpréter les métriques clés des outils d'analyse de code
• Comprendre le rôle des dépôts d'artefacts et les principes de gestion des configurations

Module 6 — Machine Learning avec Python : du POC à la production (3 jours)

• Implémenter les étapes de prétraitement des données avec Python
• Sélectionner le modèle adapté à une problématique spécifique
• Déployer et évaluer des modèles sur des jeux de données réels
• Exposer un modèle en production dans le cloud via une API

Module 7 — Deep Learning et réseaux de neurones : les fondamentaux (3 jours)

• Appréhender les concepts du Machine Learning et la transition vers le Deep Learning
• Acquérir les bases théoriques et pratiques des architectures et de la convergence des réseaux de neurones
• Identifier les architectures fondamentales et maîtriser leurs implémentations de base
• Appliquer les méthodologies de mise en œuvre de réseaux de neurones, en connaissant leurs atouts et leurs limites
• Maîtriser les briques fondamentales du Deep Learning : réseaux simples, convolutifs (CNN) et récurrents (RNN)
• Découvrir les architectures avancées : auto-encodeurs, GAN et apprentissage par renforcement

Module 8 — Deep Learning avec PyTorch (4 jours)

• Traiter des images et du texte avec PyTorch
• Entraîner des réseaux de neurones from scratch ou via le transfer learning
• Utiliser les modules PyTorch dédiés au chargement des données
• Appréhender les principes de l'entraînement distribué
• Découvrir les méta-architectures récentes, notamment les transformers

Module 9 — Certification : évaluation par cas pratique et mise en situation (0.5 jour)

• Cas pratique : installation et configuration d'un service d'IA à partir d'un besoin réel ou fictif
• Mise en situation : packaging, monitoring et tests d'un modèle d'IA fourni, puis intégration dans une application existante
• Livrables : rapport professionnel individuel et soutenance orale avec démonstration du projet