Préparer et suivre un projet web à distance.

La certification vise à préparer au métier de Développeur Intelligence Artificielle qui est fortement lié à la démocratisation et l'industrialisation des cas d'usages de l'IA. Cette démocratisation de l’IA, et la recherche de profils disposant néanmoins de bonnes compétences dans l’analyse de l’univers métier, le traitement des données, la mise en place de solutions d’apprentissage machine et d’apprentissage profond, et les problématiques de déploiement de projet IA, existe peu en France.

Ces profils assez polyvalents, ne nécessitant pas de bagage théorique poussé pour concevoir des solutions IA, mais sachant utiliser les outils existants (en apprentissage machine ou en apprentissage profond) répondent à une demande réelle des entreprises (en particulier des PME qui n’ont pas les moyens de recruter des Data scientist, des data ingénieurs ou des Ingénieurs IA).

Les compétences visées par la certification « développeur IA » s’inscrivent sur ce chemin avec trois blocs de compétences « techniques », centrées sur les données (qu’il s’agira d’acquérir, de stocker et d’analyser), sur l’implémentation des algorithmes d’apprentissage automatique et d’apprentissage profond, soutenus de part et d’autre, par deux blocs de compétences, l’un orienté vers l’univers métiers et la problématique projet (problématique amont), et l’autre tournée vers le déploiement de la solution IA (problématique aval).

L’ensemble de ces compétences permet au développeur IA de jouer son rôle de « passeur de technologie », de « transmetteur de savoirs », tout en comprenant les enjeux de l’entreprise et en sachant donc adapter sa connaissance de la technologie aux réels besoins de l’organisation.

* Étude du fonctionnement de l’entreprise dans son environnement

* Étude du système digital de l’entreprise

* Identification des nouvelles pratiques, méthodes et usages dans le domaine de l’IA en lien avec les domaines de l’entreprise

* Développement et exploitation d’une base de données

* Prétraitement et analyse des données structurées et non structurées provenant de multiples sources

* Analyse et modélisation mathématique

* Implémentation et entraînement des modèles d’apprentissage automatique

* Optimisation et évaluation des modèles d’apprentissage automatique

* Implémentation et entraînement des modèles d’apprentissage profond

* Optimisation et évaluation des modèles d’apprentissage profond

* Déploiement d’un projet de développement IA

* Intégration des contraintes légales et des valeurs d’éthique

* Intégration dans une démarche projet globale impliquant différentes parties-prenantes

* Etudier le fonctionnement de l’entreprise et de son environnement en analysant ses différents enjeux métiers et ses implications business et sociétales afin de positionner le projet IA dans son environnement global et d’assurer son intégration en cohérence des objectifs de l’entreprise

* Définir les ressources techniques et informatiques nécessaires pour le déploiement du projet en comparant les ressources digitales de l’entreprise, en identifiant les éventuels décalages par rapport aux dispositions du RGAA, avec les besoins du projet afin d’assurer une bonne définition des objectifs et calendrier de réalisation du projet

* 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 (par exemple le cas des IA génératives).

* Identifier 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.

* Développer et déployer des infrastructures informatiques de stockage de données en s’appuyant sur les logiciels appropriés pour structurer une base de données relationnelle ou non relationnelle.

* Acquérir, intégrer et traiter un ensemble de données à partir de sources hétérogènes, internes et externes à l'entreprise et ceci de façon sécurisée afin de les exploiter et de les stocker en sécurité.

* Analyser et prétraiter des données structurées et non structurées en s’appuyant sur le nettoyage des données réalisé, en identifiant les anomalies et les manques, pour répondre à un problème métier.

* Réaliser une réduction de la dimensionnalité des données de grandes dimensions en utilisant les méthodes adaptées afin d'optimiser les temps de calcul.

* Réaliser une analyse exploratoire en s’appuyant sur des solutions de visualisation de données afin de représenter graphiquement les données d'une manière claire et pertinente.

* Réaliser une analyse statistique univariée et multivariée en s’appuyant sur des méthodes statistiques appropriés afin de préciser la relation entre les variables et de prendre en compte les facteurs de confusion

* Utiliser et appliquer des modélisations mathématiques sur les données structurées et nettoyées pour enrichir les systèmes d’aide à la décision.

* Modéliser les données structurées et nettoyées en s’appuyant sur des outils mathématiques appropriés afin d’enrichir des systèmes d’aide à la décision.

* Implémenter et entraîner (train) des modèles d’apprentissage automatique adaptés à une problématique métier en s’appuyant sur les grandes familles d'algorithmes et les librairies d'apprentissage supervisées ou non supervisées pour réaliser une analyse prédictive.

* Sélectionner les algorithmes d’apprentissage adaptés au problème à résoudre en réalisant des études comparatives de leurs performances afin d’assurer l’efficacité de la solution.

* Évaluer les performances des modèles d’apprentissage automatique par la mise en œuvre de métriques adaptées aux problématiques d’intelligence artificielle afin d’améliorer l’efficacité des modèles.

* Extraire les variables pertinentes pour la modélisation en s’appuyant sur des méthodes adaptées afin d’améliorer leur exploitation.

* Corriger les 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.

* Évaluer la fiabilité des modèles prédictifs en appliquant une stratégie de validation croisée des données afin de minimiser l’influence des valeurs extrêmes.

* Améliorer le modèle d’apprentissage automatique en adaptant et en optimisant les paramètres du modèle afin de minimiser l’erreur d’apprentissage.

* Implémenter et entraîner (train) des modèles d’apprentissage profond en répondant à une problématique identifiée en développant une architecture optimisée adaptée aux besoins en intelligence artificielle afin de maximiser la puissance prédictive.

* Évaluer les performances des modèles d’apprentissage profond par la mise en œuvre de métriques adaptées aux problématiques d’intelligence artificielle afin d’améliorer l’efficacité des modèles.

* Améliorer le modèle d’apprentissage profond en adaptant/optimisant l’architecture et les paramètres du modèle afin de minimiser l’erreur d’apprentissage.

* Présenter un modèle d’IA auprès de ses utilisateurs finaux en s’appuyant sur une interface de programmation applicative (API) dans le web afin de répondre à une problématique métier identifiée et de diffuser l’utilisation des solutions intégrées parmi les utilisateurs métier.

* Déployer un projet de développement IA à l’échelle en utilisant les technologies des données massives et les outils du Cloud appropriés afin de permettre le passage d’un projet d’IA à l’échelle des données massives.

* Définir une politique de protection de données individuelles telle que définis par les règles européennes (RGPD) et RGAA en identifiant les principaux risques internes et externes liés à leur sécurité afin de mieux les gérer.

* Intégrer les contraintes légales et les valeurs de responsabilité et d’éthique dans un projet d’IA en identifiant les principaux usages dans différents domaines et en analysant leurs implications humaines et sociétales afin de les valoriser, les rendre plus opérationnelles et plus responsables.

* Acquérir une vision globale du travail en mode projet en identifiant les différentes méthodes et les différents liens avec les acteurs afin de permettre le bon déroulement du projet et sa cohérence avec la politique globale de l’entreprise.

* Gérer les délais et les ressources affectées au projet en utilisant les outils de gestion de projet appropriés, en prenant les dispositions nécessaires permettant l’inclusion de toutes les parties prenantes, y compris en situation de handicap, afin d’anticiper les risques et trouver les solutions adéquates aux aléas, problèmes et imprévus rencontrés.

- Niveau 4 obtenu (type Baccalauréat général ou baccalauréat technologique ou équivalent).

- Niveau 5 obtenu (type Diplômes universitaires de technologie DUT ou diplômes et/ou grades universitaires en mathématique ou statistique ou informatique ou sciences de l’ingénieur ou équivalent.)

En France, différents rapports et études ont identifié certains secteurs les plus porteurs pour l’IA et vecteurs de projets d’Intelligence Artificielle. Ces secteurs d’activités se caractérisent par une forte exposition des effectifs aux impacts de l’IA et un niveau élevé d’exposition à la digitalisation.

Parmi ces principaux secteurs, nous trouverons :

- Santé : Les domaines où l’IA intervient sont vastes : médecine de prévention, aide au diagnostic et au choix des traitements, coaching patient, épidémiologie, chirurgie autonome, médecine augmentée, etc.

- Services financiers : Parmi les domaines les plus impactés par l’IA, on peut citer : les activités de marché (analyse prédictive du marché, performance des fonds d’investissement, aide pour fixer le meilleur prix des actions etc.), les opérations courantes (vente de produits financiers : accord ou non d’une demande de prêt, octroi de crédit, analyse documentaire, détection de fraudes etc.), service financier à la personne (aide des clients via des chatbots, assistants IA).

- Service juridique : Parmi les domaines les plus impactés par l’IA, citons : la recherche et analyse de documents (jurisprudence, informations légales de l’entreprise et une analyse pour trier et grouper les documents les plus pertinents pour le cas juridique à traiter), la gestion des contrats (l’analyse automatique des documents constitutifs, la préparation des documents contractuels et le suivi du respect des clauses après signature), le suivi des opérations juridiques quotidiennes.

- Commerce de détail : Les principaux domaines impactés par l’IA sont les suivants : personnalisation de l’expérience client (analyse plus fine du comportement des consommateurs en temps réel et meilleure anticipation de leurs besoins), optimisation du fonctionnement du point de vente, optimisation du backoffice.

- Industrie : Les principaux applications de l’IA sont les suivants : robotique, automatisme, maintenance prédictive, contrôle qualité, interfaces homme-machine, etc.

Ceci sans compter les SSII et les ESN qui recrutent des développeurs IA pour travailler pour le compte de leurs clients de différents secteurs d’activité.

- Développeur IA / Machine learning

- Chargé de projet de développement IA

- Programmeur IA

- Lead developper AI

- Analyste-programmeur IA

Même si les métiers de l'intelligence artificielle ne sont pas réglementés, ils nécessitent la maitrise de plusieurs réglementations qui se développent, en particulier en Europe pour encadrer les usages des solutions IA/Data. On peut citer :

En France :

* La loi no 78-17 du 6 janvier 1978 relative à l’informatique, aux fichiers et aux libertés, plus connue sous le nom de loi informatique et libertés (dans sa rédaction en vigueur depuis 2019)

* Le décret n° 2019-536 du 29 mai 2019 qui détaille les modalités d’application de la Loi Informatique et Liberté et de la RGPD

* La loi n° 2004-575 du 21 juin 2004 pour La Confiance en l'Économie Numérique (LCEN)

* Le référentiel général d’amélioration de l’accessibilité (RGAA).

Eu Europe :

* Le règlement UE 2016/679 du Parlement européen et du Conseil du 27 avril 2016 relatif à la protection des personnes physiques à l'égard du traitement des données à caractère personnel et à la libre circulation de ces données, dit règlement général sur la protection des données (RGPD)

* Le règlement sur la gouvernance des données (Data Governance Act) - voté en mai 2022, et applicable en septembre 2023 qui régit le partage des données personnelles et non personnelles au niveau européen.

* La proposition de règlement sur les données (Data Act) - du 23 février 2022 - propose de gérer la répartition de la valeur issue de l’utilisation des données personnelles et non personnelles entre les acteurs de l’économie de la donnée (utilisation des objets connectés et développement de l’Internet des objets).