Description
Cette formation vous permet d’acquérir une vision opérationnelle et structurée de la conception d’une solution d’intelligence artificielle, de bout en bout. Vous apprendrez à construire et documenter des jeux de données, à mettre en œuvre des techniques de traitement de la donnée, à développer des modèles en Python (dont des réseaux de neurones), puis à mesurer, surveiller et améliorer leurs performances dans le temps.
Au-delà de la technique, vous serez formés à prendre du recul sur les cas d’usage, à intégrer des agents dans la conception, et à adapter votre solution aux enjeux sociétaux et aux besoins clients. Vous aborderez également les menaces propres aux systèmes d’IA (attaques adversariales, empoisonnement des données, fuites d’informations) et les méthodes pour réduire les risques résiduels. Enfin, vous découvrirez les bonnes pratiques d’industrialisation (MLOps) afin d’exposer un modèle, de le versionner, de le déployer et de fiabiliser son cycle de vie en production.
Objectifs
- Préparer des données nécessaires à un projet d'intelligence artificielle
- Développer et mettre en œuvre une solution d'intelligence artificielle
- Maintenir et améliorer une solution d'intelligence artificielle
Récapitulatif
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...)
Prérequis
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)
Méthodes et modalités pédagogiques
Formation réalisée en Présentiel, Distanciel ou Dual-Learning selon la formule retenue.
Moyens et supports pédagogiques
Mise à disposition d'un poste de travail sur nos formations en Présentiel.
Mise à disposition de nos environnements de visio sur nos formations en Distanciel
Remise d'une documentation pédagogique numérique pendant la formation
La formation est constituée d'apports théoriques, d'exercices pratiques et de réflexions
Dans le cas d'une formation sur site Entreprise, le client s'engage à avoir toutes les ressources pédagogiques nécessaires (salle, équipements, accès internet, TV ou Paperboard...) au bon déroulement de l'action de formation conformément aux prérequis indiqués dans le programme de formation
Modalités de suivi et d'évaluations
Auto-positionnement des stagiaires avant la formation
Émargement des stagiaires et formateur par 1/2 journée
Exercices de mise en pratique ou quiz de connaissances tout au long de la formation permettant de mesurer la progression des stagiaires
Auto-évaluation des acquis de la formation par les stagiaires
Questionnaire de satisfaction à chaud et à froid à l'issue de la formation
Programme détaillé
Documentation (8 heures)
- Conception de jeu de donnée
Technique de traitement de donnée (12 heures)
- Technique de traitement de donnée
Préparation des données (14 heures)
- Cycle de vie des jeux de données
- Traitement ETL
- Structure des documents
- Bonnes pratiques
- Chaine d'approvisionnement
- Transformation et nettoyage des données
- Processus selon les besoins métiers
Adaptation de la solution aux enjeux sociétaux et besoins clients (18 heures)
- Identifier les risques éthiques et sociétaux
- Identifier et corriger les dérives du modèle
- Analyser et réévaluer de manière périodique les indicateurs de performance
- Intégrer les retours utilisateurs et les limites d'utilisation
Mesure et suivi de performance (20 heures)
- Analyser et réévaluer de manière périodique les indicateurs de performance
- Comprendre les objectifs et les domaines d'applications de l'IA
- L'automatisation des corrections des modèles
- Outils de monitoring d'entrainement
Menaces (8 heures)
- Introduction aux menaces
- Attaques adversariales
- Empoisonnement des données
- Stockage de la donnée
- Fuites d'informations
- Évaluer les risques résiduels après l'application des mécanismes de défenses
Connaissance générales liés aux modèles IA (20 heures)
- Introduction aux différents modèles d'IA
- Développer des modèles d'IA en python
- Développer des réseaux de neurones
Modélisation IA (14 heures)
- Prise de recul par rapport à des cas d'usage
- Sensibilisation à l'ecoconception et au code optimisé
- Apprendre les bonnes pratiques pour gérer un projet d'IA
- Maîtriser les bases et les bibliothèques de Python pour l'IA
- Comprendre les objectifs et les domaines d'application de l'IA
- Intégration d'agents dans la conception
Les Méthodes d'apprentissage (14 heures)
- Maîtriser les environnements de développement
- L'optimisation du code
- Optimiser les méthodes d'apprentissage en fonction du jeu de donnée
L'industrialisation et architecture (22 heures)
- Introduction aux bonnes pratiques MLOps
- Exposer un modèle IA
- Maîtriser les techniques de versionnage et de mise en production des modèles
- Optimisation du cycle de vide des composents
- Intégrer les retours utilisateurs et les limites d'utilisations
- Évaluation de la qualité et de la pertinence des donnés
- Intégration et déploiement continue