Certification professionnelle

1. Analyser les composantes et enjeux intrinsèques aux projets IA en s’appuyant sur un système de veille technologique et économique afin de détecter les opportunités de projets d’intelligence artificielle au sein de l’entreprise.
2. Mesurer l’impact de l’intelligence artificielle sur l’environnement, la société et l’individu et définir des solutions de remédiation et/ou de collaboration afin d’adopter une démarche soucieuse des questions éthiques.
3. Anticiper les problématiques potentielles liées à la sécurisation et la protection des données personnelles en contrôlant les données afin de respecter la réglementation en vigueur.
4. Définir une politique de protection de données en identifiant les principaux risques internes et externes liés à leur sécurité afin de mieux les gérer.
5. Mettre en œuvre une politique d’assurance qualité des données en s’appuyant sur un référentiel de procédures qualité pour permettre leur accessibilité, compréhension et exploitation ultérieure.  

Etudes de cas

1. Agréger un ensemble de données à partir de sources hétérogènes, internes et externes à l'entreprise et ceci de façon sécurisée afin de les exploiter.
2. Analyser les données en identifiant les anomalies et les manques pour évaluer leur qualité et leur potentiel d’exploitation et implémenter les corrections et améliorations nécessaires.
3. Sélectionner les outils techniques pour le stockage, le nettoyage et le traitement des données en explorant les bibliothèques existantes pour les applications data afin de préparer l’analyse de données.
4. Réaliser une analyse statistique de données à l’aide de méthodes adaptées à la nature du projet afin de d’extraire une information opérationnelle pour la prise de décision.
5. Modéliser les données en s’appuyant sur des modèles statistiques explicatifs afin de les rendre intelligibles et exploitables.   

Mises en situation professionnelle

1.   Traduire les contenus bruts en données structurées en appliquant des techniques de vectorisation afin de les rendre exploitables par des algorithmes d’apprentissage automatisés.
2. Augmenter les données en mettant en œuvre une démarche d’ingénierie des fonctionnalités et en s’appuyant sur une expertise métier et sectorielle pour en améliorer leur exploitation.
3. Implémenter des modèles d’apprentissage profond en concevant une architecture optimisée afin de maximiser la puissance prédictive.
4. Anticiper et remédier aux problèmes de type sur-apprentissage des modèles élaborés en mettant en place des indicateurs permettant d’en mesurer les performances afin d’assurer l’opérationnalité de la solution d’intelligence artificielle.
5. Sélectionner l’algorithme d’intelligence artificielle adapté au problème à résoudre en réalisant des études comparatives de différents algorithmes afin d’assurer l’efficacité de la solution.
6. Définir une stratégie d’optimisation des algorithmes par un échantillonnage exhaustif ou aléatoire de l’espace des paramètres et par la mise en œuvre de métriques adaptées aux problématiques d’intelligence artificielle afin d’améliorer l’efficacité des modèles.
7. Évaluer la fiabilité des algorithmes prédictifs en appliquant une stratégie de validation croisée des données afin de minimiser l’influence des valeurs extrêmes.  

Mises en situation professionnelle

1. Identifier les librairies d’apprentissage machine (ML) et d’apprentissage profond (DL) nécessaires au projet en s’appuyant sur une analyse du besoin en infrastructure et en logiciel pour favoriser leur développement et leur mise en production.
2. Élaborer les spécifications fonctionnelles et techniques des besoins recensés en réalisant un inventaire complet des caractéristiques du produit puis en rédigeant un cahier des charges mis à jour régulièrement pour veiller à respecter les exigences métiers relatives au projet.
3. Valider régulièrement la production de la solution en s’appuyant sur le retour d’expérience des utilisateurs en interne et en externe afin d’adapter les fonctionnalités et les caractéristiques techniques du projet.
4. Assurer la pérennité de la solution informatique en surveillant l’évolution des données de travail pour éviter la dégradation des performances des modèles d’intelligence artificielle mis en production.
5. Favoriser la maintenabilité à long terme du code et son évolution en définissant des procédures d’écriture du code afin de les intégrer au projet et ainsi bâtir des solutions IA durables.
6. Identifier les ressources, les langages de programmations et outils techniques nécessaires au projet en s’appuyant sur une analyse du besoin en logiciel pour favoriser leur développement et leur mise en production.  

Rédaction d'un cahier de spécifications fonctionnelles et techniques

Etudes de cas  

1. Concevoir une interface(s) Homme-Machine simple (plateforme) adaptées au projet en s'appuyant sur des bibliothèques de programmation dédiées afin de visualiser les résultats du projet d’intelligence artificielle.
2. Présenter les solutions d’intelligence artificielle élaborées en s’appuyant sur des solutions de visualisation de données internes ou externes à l’entreprise afin faciliter la compréhension des enjeux et des risques par toutes les parties prenantes du projet.
3. Surveiller l’interface Homme-Machine simple (Plateforme) permettant la restitution des résultats du projet d’intelligence artificielle en mettant en place des indicateurs de performances et des alertes d’anomalie adaptés aux besoins métiers afin de gérer le comportement de l’interface dans le temps.
4. Développer les possibilités d’usage des résultats du projet IA en identifiant les principaux usages dans différents domaines et en analysant leurs implications éthiques afin de les valoriser, les rendre plus opérationnelles et plus responsables.

Etudes de cas

1. Coordonner le projet en s’appuyant sur des méthodes et des outils de gestion adaptés au contexte de l’entreprise et à la nature du projet d’intelligence artificielle afin d’assurer sa finalisation dans le respect des délais et des contraintes techniques et financières.
2. Animer l’équipe en communiquant sur l’avancement du projet et en clarifiant les missions de chacun tout au long du projet afin de s’assurer de l’investissement et du suivi des équipes.
3. Mettre en œuvre des modalités de recrutement et de formation permettant d’assurer la diversité des profils techniques des équipes afin de répondre aux exigences du projet et créer un environnement de travail inclusif. 
4. Gérer un budget complet du projet d’intelligence artificielle en intégrant les coûts internes et externes ainsi que les contraintes de temps et de ressources afin d’assurer le retour sur investissement du projet pour l’entreprise.  

Mises en situation professionnelle