Métiers et formations
Un métier décrit des activités ; une certification atteste un cadre de compétences ; une formation prépare un parcours. Comparez ces objets séparément.
Référentiels et données
Retrouver une information et comprendre sa portée.
Ces relevés documentaires complètent la préparation d’un projet. Choisissez le référentiel adapté à votre question, puis ouvrez la fiche et sa source pour vérifier le périmètre et le millésime.
Choisir le bon point de départ
Quelle information cherchez-vous ?
Les données sont des copies locales de sources identifiées, pas une consultation en temps réel. Une absence dans le relevé ne prouve pas une absence dans la source.
Définitions et lectures
Retrouvez un terme, sa définition et ses équivalents ; examinez ensuite la date et le contexte de la référence avant de la reprendre dans une page.
Décrire un périmètre
Une adresse administrative ne constitue pas une zone de service. Une présence d’équipement ne mesure ni le stock, ni l’accueil, ni la qualité d’une prestation.
Relier le résultat à sa source
Contrôlez l’identité, le millésime et les limites indiquées dans la fiche. Pour une décision actuelle, consultez l’organisme d’origine.
Données et ressources documentées
Explorer les référentiels et leurs fiches
Choisissez un référentiel et affinez la recherche. Les fiches précisent la source, le millésime et les limites des informations publiées.
Relier certification, formation et organisme
Relevez le code précis, le statut et les compétences de la certification. Comparez ensuite le programme proposé et l’organisme préparateur : une ressemblance de titre ne suffit pas. Pour une décision d’inscription, vérifiez la fiche officielle et les organismes habilités à la date de votre démarche.
Explorer les entrées et leurs sources
Les résultats proviennent des relevés indiqués ci-dessous. La zone sélectionnée s’applique aux statistiques et aux lieux, tandis que les aliments, produits, métiers, fiches pratiques, activités, notions, certifications et bibliographies restent des référentiels nationaux. Les travaux de recherche couvrent des références nationales ou internationales.
755 résultats · page 1 sur 42 · jusqu’à 18 entrées affichées. Classement alphabétique par intitulé.
Organismes certificateurs et domaines Formacode — 416 identifiants et 389 domaines dans la sélection
Retrouvez les certifications rattachées à un identifiant SIRET publié, puis affinez par domaine de formation. Ce répertoire porte uniquement sur les fiches sélectionnées pour le thème du site, publiées et indiquées actives dans l’export France compétences du 22 octobre 2026.
416 identifiants de certificateurs trouvés · page 1 sur 24. Classement par nom publié puis SIRET. Le choix d’un territoire ne localise pas une session de formation.
Les noms et états restent ceux de la source ; plusieurs noms pour un même SIRET sont affichés ensemble. Les mentions sans SIRET de 14 chiffres restent visibles sur leurs fiches de certification et ne sont pas regroupées par ressemblance. Formacode décrit un domaine, sans équivalence de diplôme. Ce répertoire ne recense ni sessions, ni centres de formation partenaires, ni habilitations actuelles. Source France compétences RNCP et RS · Licence Ouverte 2.0.
Comparer les certifications en développement, systèmes, réseaux, données et cybersécurité à partir de leurs blocs de compétences. La recherche porte sur les intitulés, codes, certificateurs, domaines Formacode et titres des blocs. Les référentiels sont nationaux ; le choix d’un territoire ne localise pas une formation.
Source et lecture des certifications
Source : France compétences, exports RNCP et Répertoire spécifique au format 4.1 du 22 octobre 2026. Seules les fiches indiquées « Publiée » et « Actif : Oui » sont retenues dans cette photographie. Le statut et les dates doivent être vérifiés sur la fiche officielle avant toute inscription.
Le RNCP décrit des qualifications professionnelles avec un niveau lorsqu’il est renseigné. Le Répertoire spécifique (RS) décrit des compétences complémentaires ou des habilitations ; aucun niveau RNCP ne lui est attribué ici. Les numéros de certification distinguent des enregistrements, même lorsque leurs intitulés sont identiques.
La sélection RNCP s’appuie sur les codes ROME publiés dans les fiches et sur des intitulés liés au thème. La sélection RS repose sur les intitulés : l’export RS ne publie pas de codes ROME. Les liens métier-certification utilisent uniquement un code présent dans les deux référentiels ; ils ne valent ni équivalence, ni condition suffisante d’accès à un emploi.
Une fiche décrit une certification, ses compétences et son certificateur. Elle ne constitue pas une offre de formation, une admission, une autorisation d’exercice ou une garantie de financement. Les partenaires mentionnés dans cet export sont consultables sur chaque fiche, avec leurs rôles, états et dates publiés ; vérifiez leur habilitation actuelle sur la fiche officielle. Les sessions, tarifs et disponibilités ne sont pas recensés ici. La date de fin d’enregistrement et la date limite de délivrance sont présentées séparément lorsqu’elles sont renseignées.
Jeu de données officiel RNCP et RS · Recherche officielle des certifications · Licence Ouverte 2.0.
Concepteur développeur en intelligence artificielle et analyse big data
RNCP38616 · RNCP · Niveau 6.
Fiche publiée et indiquée active dans l’export du 22 octobre 2026. Vérifier la fiche officielle et son statut actuel.
- Décision d’enregistrement
- 09/02/2024
- Échéance de l’enregistrement
- 09/02/2027
- Date limite de délivrance
- 09/02/2031
Organismes certificateurs publiés
- LE WAGON — SIRET 79494991700023 — état dans la source : Actif
Le certificateur porte la certification. Cette liste ne recense pas les organismes proposant une session de formation et n’attribue aucune habilitation aux établissements de l’annuaire.
Objectifs et contexte publiés
Le marché de la donnée et de l'IA connaît une croissance exponentielle grâce à l'impact croissant de la numérisation, des objets connectés, des réseaux sociaux et des plateformes numériques. Selon des études, le marché de l'IA devrait atteindre 90 milliards de dollars en 2025. Le gouvernement français a mis en place une stratégie nationale pour l'IA, soutenue par des investissements importants.
Les métiers de la donnée sont répartis en plusieurs pôles, tels que la collecte, le traitement, l'analyse, la protection des données, le développement de modèles d'apprentissage et les opérations liées aux bases de données.
La certification de Concepteur développeur en IA et analyse Big Data répond aux compétences requises pour les data scientists et les data analysts mais aussi pour d'autres métiers liés au traitement de la donnée et de l'intelligence artificielle.
Ces professionnels sont très recherchés sur le marché du travail. Que ce soit pour rendre les données intelligentes et résoudre des problématiques métier ou exploiter les données pour faciliter la prise de décisions, la maîtrise de l'apprentissage automatique, de la science de la donnée et de la visualisation est devenue essentielle dans de nombreux secteurs.
Les métiers de la donnée sont répartis en plusieurs pôles, tels que la collecte, le traitement, l'analyse, la protection des données, le développement de modèles d'apprentissage et les opérations liées aux bases de données.
La certification de Concepteur développeur en IA et analyse Big Data répond aux compétences requises pour les data scientists et les data analysts mais aussi pour d'autres métiers liés au traitement de la donnée et de l'intelligence artificielle.
Ces professionnels sont très recherchés sur le marché du travail. Que ce soit pour rendre les données intelligentes et résoudre des problématiques métier ou exploiter les données pour faciliter la prise de décisions, la maîtrise de l'apprentissage automatique, de la science de la donnée et de la visualisation est devenue essentielle dans de nombreux secteurs.
Activités visées
* Mettre en place des processus de collecte de données de façon automatisée en utilisant des outils d’orchestration ou des scripts informatiques et en respectant les normes légales (RGPD).
* Réaliser des opérations de transformation de données pour écarter les valeurs mal formatées, erronées ou simplement incohérentes et ainsi assurer la qualité des futures analyses.
* Combiner les données pour en créer des modèles : identifier toutes les dimensions et variables qui seront nécessaires à l’analyse de la performance de chaque équipe métier et les mettre à leur disposition.
* Réaliser une étude statistique descriptive des données (distribution, moyenne, écart-type…) pour mieux comprendre comment elles sont distribuées et ainsi expliquer les grandes tendances.
* Utiliser des techniques d’apprentissage automatique : concevoir des programmes informatiques pour expliquer la relation entre une et plusieurs variables afin de prédire des tendances ou de regrouper les données par caractéristiques communes.
* Organiser un travail de cadrage de projet data : réaliser une veille technologique des outils et des techniques statistiques, planifier les différentes étapes du projet tout en évaluant les risques associés.
* Organiser et coordonner le travail nécessaire à la mise en place d’un projet data : identifier les personnes utiles à sa bonne réalisation, mettre en place des outils de gestion de projet et présenter les résultats du projet en s’adaptant au public visé.
* Utiliser des techniques d’apprentissage profond (deep learning) pour exploiter des données non structurées (données textuelles ou visuelles) et approfondir ses analyses ou améliorer la qualité de ses prédictions.
* Mettre en production les algorithmes d’apprentissage profond, en monitorer dans le temps les performances et les améliorer en fonction des différentes innovations technologiques.
* Identifier les indicateurs clés de performance de chaque équipe métier en conduisant des entretiens pour comprendre précisément leurs besoins.
* Mettre à disposition des équipes métiers des interfaces graphiques représentant les indicateurs clés de performance métier (tableaux de bord) afin de les aider dans leurs prises de décision, et ce en s’adaptant au public visé.
* Réaliser des opérations de transformation de données pour écarter les valeurs mal formatées, erronées ou simplement incohérentes et ainsi assurer la qualité des futures analyses.
* Combiner les données pour en créer des modèles : identifier toutes les dimensions et variables qui seront nécessaires à l’analyse de la performance de chaque équipe métier et les mettre à leur disposition.
* Réaliser une étude statistique descriptive des données (distribution, moyenne, écart-type…) pour mieux comprendre comment elles sont distribuées et ainsi expliquer les grandes tendances.
* Utiliser des techniques d’apprentissage automatique : concevoir des programmes informatiques pour expliquer la relation entre une et plusieurs variables afin de prédire des tendances ou de regrouper les données par caractéristiques communes.
* Organiser un travail de cadrage de projet data : réaliser une veille technologique des outils et des techniques statistiques, planifier les différentes étapes du projet tout en évaluant les risques associés.
* Organiser et coordonner le travail nécessaire à la mise en place d’un projet data : identifier les personnes utiles à sa bonne réalisation, mettre en place des outils de gestion de projet et présenter les résultats du projet en s’adaptant au public visé.
* Utiliser des techniques d’apprentissage profond (deep learning) pour exploiter des données non structurées (données textuelles ou visuelles) et approfondir ses analyses ou améliorer la qualité de ses prédictions.
* Mettre en production les algorithmes d’apprentissage profond, en monitorer dans le temps les performances et les améliorer en fonction des différentes innovations technologiques.
* Identifier les indicateurs clés de performance de chaque équipe métier en conduisant des entretiens pour comprendre précisément leurs besoins.
* Mettre à disposition des équipes métiers des interfaces graphiques représentant les indicateurs clés de performance métier (tableaux de bord) afin de les aider dans leurs prises de décision, et ce en s’adaptant au public visé.
Compétences attestées
* Concevoir un processus de collecte de données en évaluant et choisissant des outils adaptés pour faciliter l'accessibilité, la sécurité et l'intégrité des données centralisées dans le respect de la réglementation en vigueur (RGPD).
* Créer un système automatisé de collecte de données en intégrant des solutions ETL (comme Fivetran ou Stitch) et/ou en développant des scripts informatiques en Python ou SQL pour une agrégation rapide et exacte des données correspondant aux besoins métier.
* Développer des stratégies de nettoyage de données, en analysant le contexte spécifique des données pour assurer un traitement approprié et sécurisé des données qui réponde aux besoins métier de l’entreprise.
* Extraire des données en développant des scripts personnalisés (par exemple en Python ou SQL) pour récupérer des informations précises et pertinentes depuis une ou plusieurs bases de données.
* Mener des analyses exploratoires en calculant des techniques statistiques descriptives (comme la moyenne ou l’analyse des fréquences) pour comprendre la distribution des données et écarter les valeurs anormales.
* Identifier et interpréter des tendances en utilisant des langages de programmation (par exemple Python) et/ou des outils métiers adaptés (par exemple un tableur) pour comprendre finement le contexte et la nature des données analysées.
* Sélectionner l’algorithme d’apprentissage le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente à la problématique métier rencontrée.
* Préparer et transformer des données en utilisant des techniques de prétraitement (preprocessing) pour les adapter aux spécificités du modèle d'apprentissage automatique choisi.
* Entraîner un modèle d'apprentissage automatique en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
* Identifier les évolutions clés en IA et Big Data en analysant des sources d'information spécialisées pour rester à la pointe des dernières innovations et alimenter les stratégies de projet.
* Élaborer et évaluer la problématique métier en utilisant des approches analytiques, pour créer un cahier des charges qui reflète précisément les besoins et les objectifs du projet data.
* Évaluer les risques inhérents au projet IA et Big Data concernant l’impact éthique, le respect du RGPD ou encore la conformité aux normes environnementales, en proposant des méthodes d’audit pour garantir une conformité globale du projet.
* Planifier et coordonner les ressources humaines et matérielles de manière efficace, en structurant un calendrier des activités qui garantit le respect des délais et des budgets du projet data.
* Piloter une équipe multidisciplinaire en mettant en place des mécanismes d'évaluation et de feedback continus, assurant ainsi une progression fluide et coordonnée du projet data.
* Présenter les résultats de projets IA et Big Data en adaptant le contenu et la forme aux différentes parties prenantes, y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG pour garantir une compréhension claire et inclusive.
* Préparer des données non structurées en les convertissant en données numériques et sous forme tabulaires pour servir de données d'entraînement à un algorithme d’apprentissage profond.
* Sélectionner l’algorithme d’apprentissage profond le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente adaptée à la problématique métier rencontrée.
* Entraîner un modèle d'apprentissage profond en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
* Déployer efficacement un modèle d'apprentissage profond en utilisant des outils et plateformes de production adaptés (MLOps), pour assurer une accessibilité et une performance optimale des prédictions de l'algorithme aux utilisateurs finaux.
* Identifier les indicateurs clés à calculer en interrogeant les besoins métier afin de structurer les tableaux de bords nécessaires à des prises de décisions stratégiques.
* Choisir des visualisations pertinentes en prenant en considération la nature massive des données et le profil des usagers y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG afin de faciliter la compréhension des informations obtenues grâce à l’IA et au Big Data.
* Créer des tableaux de bord en utilisant des outils de BI (comme PowerBI ou Looker Studio) afin de rendre accessibles et interactives les analyses prédictives aux autres membres de l'entreprise.
* Créer un système automatisé de collecte de données en intégrant des solutions ETL (comme Fivetran ou Stitch) et/ou en développant des scripts informatiques en Python ou SQL pour une agrégation rapide et exacte des données correspondant aux besoins métier.
* Développer des stratégies de nettoyage de données, en analysant le contexte spécifique des données pour assurer un traitement approprié et sécurisé des données qui réponde aux besoins métier de l’entreprise.
* Extraire des données en développant des scripts personnalisés (par exemple en Python ou SQL) pour récupérer des informations précises et pertinentes depuis une ou plusieurs bases de données.
* Mener des analyses exploratoires en calculant des techniques statistiques descriptives (comme la moyenne ou l’analyse des fréquences) pour comprendre la distribution des données et écarter les valeurs anormales.
* Identifier et interpréter des tendances en utilisant des langages de programmation (par exemple Python) et/ou des outils métiers adaptés (par exemple un tableur) pour comprendre finement le contexte et la nature des données analysées.
* Sélectionner l’algorithme d’apprentissage le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente à la problématique métier rencontrée.
* Préparer et transformer des données en utilisant des techniques de prétraitement (preprocessing) pour les adapter aux spécificités du modèle d'apprentissage automatique choisi.
* Entraîner un modèle d'apprentissage automatique en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
* Identifier les évolutions clés en IA et Big Data en analysant des sources d'information spécialisées pour rester à la pointe des dernières innovations et alimenter les stratégies de projet.
* Élaborer et évaluer la problématique métier en utilisant des approches analytiques, pour créer un cahier des charges qui reflète précisément les besoins et les objectifs du projet data.
* Évaluer les risques inhérents au projet IA et Big Data concernant l’impact éthique, le respect du RGPD ou encore la conformité aux normes environnementales, en proposant des méthodes d’audit pour garantir une conformité globale du projet.
* Planifier et coordonner les ressources humaines et matérielles de manière efficace, en structurant un calendrier des activités qui garantit le respect des délais et des budgets du projet data.
* Piloter une équipe multidisciplinaire en mettant en place des mécanismes d'évaluation et de feedback continus, assurant ainsi une progression fluide et coordonnée du projet data.
* Présenter les résultats de projets IA et Big Data en adaptant le contenu et la forme aux différentes parties prenantes, y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG pour garantir une compréhension claire et inclusive.
* Préparer des données non structurées en les convertissant en données numériques et sous forme tabulaires pour servir de données d'entraînement à un algorithme d’apprentissage profond.
* Sélectionner l’algorithme d’apprentissage profond le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente adaptée à la problématique métier rencontrée.
* Entraîner un modèle d'apprentissage profond en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
* Déployer efficacement un modèle d'apprentissage profond en utilisant des outils et plateformes de production adaptés (MLOps), pour assurer une accessibilité et une performance optimale des prédictions de l'algorithme aux utilisateurs finaux.
* Identifier les indicateurs clés à calculer en interrogeant les besoins métier afin de structurer les tableaux de bords nécessaires à des prises de décisions stratégiques.
* Choisir des visualisations pertinentes en prenant en considération la nature massive des données et le profil des usagers y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG afin de faciliter la compréhension des informations obtenues grâce à l’IA et au Big Data.
* Créer des tableaux de bord en utilisant des outils de BI (comme PowerBI ou Looker Studio) afin de rendre accessibles et interactives les analyses prédictives aux autres membres de l'entreprise.
Prérequis d’entrée en formation
Le candidat doit être titulaire d’un diplôme de niveau 4 avec au moins 1 an d’expérience professionnelle ou être titulaire d’un niveau 5 ou plus dans un domaine scientifique et / ou de gestion.
Le candidat devra également obtenir l’aval de la commission pédagogique (entretien en visioconférence et test d’entrée).
Le candidat pourra choisir entre l’option Data Science (bloc 5) et l’option Data Analyse (bloc 6) suivant ses résultats aux tests d’entrée et sur décision de la commission pédagogique.
Le candidat devra également obtenir l’aval de la commission pédagogique (entretien en visioconférence et test d’entrée).
Le candidat pourra choisir entre l’option Data Science (bloc 5) et l’option Data Analyse (bloc 6) suivant ses résultats aux tests d’entrée et sur décision de la commission pédagogique.
Secteurs d’activité visés
Le Concepteur - Développeur en intelligence artificielle et analyse Big Data est amené à travailler:
* en travailleur indépendant (freelance)
* dans de jeunes entreprises innovantes (startup)
* dans des grandes entreprises de technologies telles que Google, Facebook, Microsoft
* dans des entreprises de service financier : banque, assurance, service financier
* dans des entreprises de commerce électronique
* dans des entreprises de santé et pharmaceutique :
* dans des entreprises de conseil en management
* dans de nombreuses autres industries, telles que les médias, les télécommunications, l'énergie et les transports, qui ont également besoin de compétences en données pour optimiser leurs opérations et prendre des décisions éclairées.
* en travailleur indépendant (freelance)
* dans de jeunes entreprises innovantes (startup)
* dans des grandes entreprises de technologies telles que Google, Facebook, Microsoft
* dans des entreprises de service financier : banque, assurance, service financier
* dans des entreprises de commerce électronique
* dans des entreprises de santé et pharmaceutique :
* dans des entreprises de conseil en management
* dans de nombreuses autres industries, telles que les médias, les télécommunications, l'énergie et les transports, qui ont également besoin de compétences en données pour optimiser leurs opérations et prendre des décisions éclairées.
Types d’emplois accessibles indiqués
Data Analyst - Data Scientist - Développeur en Intelligence Artificielle - BI Analyst - Chef de projet Data - Chief Data Scientist - Consultant Data - Développeur Data
Réglementations mentionnées dans la fiche
RGPD : règlement général sur la protection des données UE 2016/679 Parlement Européen
Blocs de compétences RNCP — 6 blocs publiés
RNCP38616BC01 — Automatiser la collecte et le traitement des données (Data Engineering)
Compétences du bloc
Concevoir un processus de collecte de données en évaluant et choisissant des outils adaptés pour faciliter l'accessibilité, la sécurité et l'intégrité des données centralisées dans le respect de la réglementation en vigueur (RGPD).
Créer un système automatisé de collecte de données en intégrant des solutions ETL (comme Fivetran ou Stitch) et/ou en développant des scripts informatiques en Python ou SQL pour une agrégation rapide et exacte des données correspondant aux besoins métier.
Développer des stratégies de nettoyage de données, en analysant le contexte spécifique des données pour assurer un traitement approprié et sécurisé des données qui réponde aux besoins métier de l’entreprise.
Créer un système automatisé de collecte de données en intégrant des solutions ETL (comme Fivetran ou Stitch) et/ou en développant des scripts informatiques en Python ou SQL pour une agrégation rapide et exacte des données correspondant aux besoins métier.
Développer des stratégies de nettoyage de données, en analysant le contexte spécifique des données pour assurer un traitement approprié et sécurisé des données qui réponde aux besoins métier de l’entreprise.
Modalités d’évaluation du bloc
Un cas pratique d'étude d'un jeu de données concernant une problématique métier. Le candidat devra réaliser un traitement de cette donnée et son transfert automatique.
RNCP38616BC02 — Analyser et synthétiser les données préalablement à l’utilisation d’algorithmes d’IA
Compétences du bloc
Extraire des données en développant des scripts personnalisés (par exemple en Python ou SQL) pour récupérer des informations précises et pertinentes depuis une ou plusieurs bases de données.
Mener des analyses exploratoires en calculant des techniques statistiques descriptives (comme la moyenne ou l’analyse des fréquences) pour comprendre la distribution des données et écarter les valeurs anormales.
Identifier et interpréter des tendances en utilisant des langages de programmation (par exemple Python) et/ou des outils métiers adaptés (par exemple un tableur) pour comprendre finement le contexte et la nature des données analysées.
Mener des analyses exploratoires en calculant des techniques statistiques descriptives (comme la moyenne ou l’analyse des fréquences) pour comprendre la distribution des données et écarter les valeurs anormales.
Identifier et interpréter des tendances en utilisant des langages de programmation (par exemple Python) et/ou des outils métiers adaptés (par exemple un tableur) pour comprendre finement le contexte et la nature des données analysées.
Modalités d’évaluation du bloc
Un cas pratique d'étude d'un jeu de données sur une problématique métier sera donné au candidat. Ce dernier devra effectuer une analyse de données en récupérant ces données puis en calculant des statistiques descriptives pour en tirer des conclusions.
RNCP38616BC03 — Appliquer des techniques d’analyse IA via des algorithmes d'apprentissage automatiques (Machine Learning)
Compétences du bloc
Sélectionner l’algorithme d’apprentissage le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente à la problématique métier rencontrée.
Préparer et transformer des données en utilisant des techniques de prétraitement (preprocessing) pour les adapter aux spécificités du modèle d'apprentissage automatique choisi.
Entraîner un modèle d'apprentissage automatique en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
Préparer et transformer des données en utilisant des techniques de prétraitement (preprocessing) pour les adapter aux spécificités du modèle d'apprentissage automatique choisi.
Entraîner un modèle d'apprentissage automatique en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
Modalités d’évaluation du bloc
Un cas pratique d'étude d'un jeu de données sur une problématique métier sera donné au candidat. Ce dernier devra réaliser un algorithme d’apprentissage automatique et évaluer les performances de son modèle.
RNCP38616BC04 — Mener des projets IA et Big Data en équipe en intégrant les contraintes légales et des considérations éthiques
Compétences du bloc
Identifier les évolutions clés en IA et Big Data en analysant des sources d'information spécialisées pour rester à la pointe des dernières innovations et alimenter les stratégies de projet.
Élaborer et évaluer la problématique métier en utilisant des approches analytiques, pour créer un cahier des charges qui reflète précisément les besoins et les objectifs du projet data.
Évaluer les risques inhérents au projet IA et Big Data concernant l’impact éthique, le respect du RGPD ou encore la conformité aux normes environnementales, en proposant des méthodes d’audit pour garantir une conformité globale du projet.
Planifier et coordonner les ressources humaines et matérielles de manière efficace, en structurant un calendrier des activités qui garantit le respect des délais et des budgets du projet data.
Piloter une équipe multidisciplinaire en mettant en place des mécanismes d'évaluation et de feedback continus, assurant ainsi une progression fluide et coordonnée du projet data.
Présenter les résultats de projets IA et Big Data en adaptant le contenu et la forme aux différentes parties prenantes, y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG pour garantir une compréhension claire et inclusive.
Élaborer et évaluer la problématique métier en utilisant des approches analytiques, pour créer un cahier des charges qui reflète précisément les besoins et les objectifs du projet data.
Évaluer les risques inhérents au projet IA et Big Data concernant l’impact éthique, le respect du RGPD ou encore la conformité aux normes environnementales, en proposant des méthodes d’audit pour garantir une conformité globale du projet.
Planifier et coordonner les ressources humaines et matérielles de manière efficace, en structurant un calendrier des activités qui garantit le respect des délais et des budgets du projet data.
Piloter une équipe multidisciplinaire en mettant en place des mécanismes d'évaluation et de feedback continus, assurant ainsi une progression fluide et coordonnée du projet data.
Présenter les résultats de projets IA et Big Data en adaptant le contenu et la forme aux différentes parties prenantes, y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG pour garantir une compréhension claire et inclusive.
Modalités d’évaluation du bloc
Etude d'un cas pratique, production d'une présentation répondant à une problématique métier. Le candidat devra analyser une problématique métier, identifier des innovations technologiques pertinentes, justifier ses choix techniques, proposer un plan de gestion de projet (ressources, planification, modalités de suivi et de coordination) et une analyse des risques inhérents à la réalisation de ce projet.
RNCP38616BC05 — Option Data Science - Développer et mettre en production des algorithmes d’IA par apprentissage profond (Deep Learning)
Compétences du bloc
Préparer des données non structurées en les convertissant en données numériques et sous forme tabulaires pour servir de données d'entraînement à un algorithme d’apprentissage profond.
Sélectionner l’algorithme d’apprentissage profond le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente adaptée à la problématique métier rencontrée.
Entraîner un modèle d'apprentissage profond en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
Déployer efficacement un modèle d'apprentissage profond en utilisant des outils et plateformes de production adaptés (MLOps), pour assurer une accessibilité et une performance optimale des prédictions de l'algorithme aux utilisateurs finaux.
Sélectionner l’algorithme d’apprentissage profond le plus adapté en comparant les performances et les caractéristiques des différentes familles d’algorithmes afin d'apporter une réponse pertinente adaptée à la problématique métier rencontrée.
Entraîner un modèle d'apprentissage profond en optimisant une loss function (fonction de coût) à partir des données d’entraînement afin de permettre à l’algorithme d’effectuer le moins d’erreurs possibles selon des indicateurs de succès clairement définis.
Déployer efficacement un modèle d'apprentissage profond en utilisant des outils et plateformes de production adaptés (MLOps), pour assurer une accessibilité et une performance optimale des prédictions de l'algorithme aux utilisateurs finaux.
Modalités d’évaluation du bloc
Un cas pratique d'étude d'un jeu de données sur une problématique métier sera donné au candidat. Ce dernier devra réaliser un algorithme d’apprentissage automatique profond et évaluer les performances de son modèle. De plus, le candidat se verra donner un modèle qu’il devra alors déployer en production.
RNCP38616BC06 — Option Data Analyse - Concevoir des tableaux de bords avancés (Business Intelligence)
Compétences du bloc
Identifier les indicateurs clés à calculer en interrogeant les besoins métier afin de structurer les tableaux de bords nécessaires à des prises de décisions stratégiques.
Choisir des visualisations pertinentes en prenant en considération la nature massive des données et le profil des usagers y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG afin de faciliter la compréhension des informations obtenues grâce à l’IA et au Big Data.
Créer des tableaux de bord en utilisant des outils de BI (comme PowerBI ou Looker Studio) afin de rendre accessibles et interactives les analyses prédictives aux autres membres de l'entreprise.
Choisir des visualisations pertinentes en prenant en considération la nature massive des données et le profil des usagers y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG afin de faciliter la compréhension des informations obtenues grâce à l’IA et au Big Data.
Créer des tableaux de bord en utilisant des outils de BI (comme PowerBI ou Looker Studio) afin de rendre accessibles et interactives les analyses prédictives aux autres membres de l'entreprise.
Modalités d’évaluation du bloc
Un cas pratique d'étude d'un jeu de données sur une problématique métier sera donné au candidat. Ce dernier devra identifier les indicateurs clés à calculer afin de réaliser un tableau de bord. A partir de ce tableau de bord, le candidat donnera ses conclusions et ses recommandations.
Voies d’accès et jurys indiqués
| Voie d’accès | Indication de la source | Composition du jury publiée |
|---|---|---|
| Formation initiale sous statut d’élève ou d’étudiant | Non | Non renseignée |
| Contrat d’apprentissage | Oui | Le jury est obligatoirement composé d’un enseignant et d’au moins deux professionnels d’entreprise extérieurs à Le Wagon |
| Formation continue | Oui | Le jury est obligatoirement composé d’un enseignant et d’au moins deux professionnels d’entreprise extérieurs à Le Wagon |
| Contrat de professionnalisation | Oui | Le jury est obligatoirement composé d’un enseignant et d’au moins deux professionnels d’entreprise extérieurs à Le Wagon |
| Candidature individuelle | Non | Non renseignée |
| Expérience (VAE) | Oui | Le jury est obligatoirement composé d’un enseignant et d’au moins deux professionnels d’entreprise extérieurs à Le Wagon |
Codes ROME publiés dans la fiche de certification
- M1805 — Études et développement informatique
- M1403 — Études et prospectives socio-économiques
Le rapprochement repose sur un code publié dans les deux sources. Les intitulés ROME peuvent avoir évolué ; il ne s’agit pas d’une équivalence de diplômes.
Domaines Formacode
- 31025 — Analyse de données
- 31035 — Data visualisation
- 31026 — Data science
- 31028 — Intelligence artificielle
- 31052 — Data Warehouse
Nomenclature des spécialités de formation (NSF)
- 114b — Modèles mathématiques ; Informatique mathématique
- 125g — Langages artificiels et informatique ; Linguistique et didactique des langues
- 326 — Informatique, traitement de l'information, réseaux de transmission
Enregistrements antérieurs cités
Promotions et indicateurs d’insertion publiés
Les effectifs et indicateurs ci-dessous concernent les promotions indiquées dans la fiche de certification. Ils ne constituent pas un taux de réussite à un examen, une mesure de qualité d’un centre de formation ou une garantie d’emploi. Le nombre de certifiés ne fournit pas le nombre de répondants aux enquêtes d’insertion ; les dénominateurs de ces taux ne sont pas publiés dans les champs repris ici. Les champs absents restent « Non renseigné » et les zéros publiés sont conservés.
RNCP38616 — Concepteur développeur en intelligence artificielle et analyse big data
Échelle propre à cette fiche, avec origine à zéro. Les barres représentent des effectifs publiés, sans estimation des années manquantes. Aucun taux d’insertion n’est calculé à partir de ces effectifs.
| Année de promotion | Nombre de certifiés | Certifiés par la VAE | Insertion globale à 6 mois (%) | Insertion dans le métier à 2 ans (%) |
|---|---|---|---|---|
| 2021 | 113 | 0 | 86 % | 75 % |
| 2022 | 120 | 0 | 76 % | Non renseigné |
L’indicateur d’insertion dans le métier à 6 mois n’est renseigné pour aucune promotion de cette fiche dans l’export utilisé.
Vérifier les statistiques et leur contexte sur la fiche officielle RNCP38616
Source : France compétences, export RNCP et Répertoire spécifique 4.1 du 22 octobre 2026 · Licence Ouverte 2.0. Les valeurs décrivent ce relevé daté. Les champs d’insertion globale à 6 mois, d’insertion dans le métier à 6 mois et à 2 ans restent distincts.
Partenaires publiés pour RNCP38616 — 14 mentions dans l’export
Ces lignes proviennent de la rubrique « Partenaires » de cette certification dans l’export France compétences du 22 octobre 2026. Les rôles et états décrivent cette photographie ; ils ne garantissent ni une habilitation actuelle, ni une session ouverte, ni une adresse d’enseignement. Consulter le contexte de la certification.
14 mentions correspondant aux critères · page 1 sur 1 · ordre de l’export, au plus 25 lignes par page. Un même organisme peut figurer sur plusieurs certifications ; ces mentions ne comptent pas des centres distincts.
| Nom et SIRET publiés | Rôle publié | État de l’habilitation dans la source | Dates publiées |
|---|---|---|---|
| ALYRA SIRET : 82815245400041 | Former et organiser les évaluations HABILITATION_ORGA_FORM | Actif | Date actif : 30/07/2024 Dernière modification de l’état : 30/07/2024 |
| LE WAGON SIRET : 79494991700114 | Former HABILITATION_FORMER | Actif | Date actif : 13/02/2024 Dernière modification de l’état : 13/02/2024 |
| LE WAGON SIRET : 79494991700106 | Former HABILITATION_FORMER | Actif | Date actif : 13/02/2024 Dernière modification de l’état : 13/02/2024 |
| LE WAGON SIRET : 79494991700080 | Former HABILITATION_FORMER | Actif | Date actif : 13/02/2024 Dernière modification de l’état : 13/02/2024 |
| LE WAGON SIRET : 79494991700130 | Former HABILITATION_FORMER | Actif | Date actif : 15/01/2025 Dernière modification de l’état : 15/01/2025 |
| LE WAGON SIRET : 79494991700122 | Former HABILITATION_FORMER | Actif | Date actif : 15/01/2025 Dernière modification de l’état : 15/01/2025 |
| LE WAGON SIRET : 79494991700049 | Former HABILITATION_FORMER | Actif | Date actif : 15/01/2025 Dernière modification de l’état : 15/01/2025 |
| LE WAGON SIRET : 79494991700031 | Former HABILITATION_FORMER | Actif | Date actif : 15/01/2025 Dernière modification de l’état : 15/01/2025 |
| LE WAGON FOR BUSINESS SIRET : 89845125700015 | Former HABILITATION_FORMER | Actif | Date actif : 09/02/2024 Dernière modification de l’état : 09/02/2024 |
| Le Wagon Casablanca SIRET : non renseigné | Former HABILITATION_FORMER | Actif | Date actif : 15/01/2025 Dernière modification de l’état : 15/01/2025 |
| Le Wagon Maurice SIRET : non renseigné | Former HABILITATION_FORMER | Actif | Date actif : 15/01/2025 Dernière modification de l’état : 15/01/2025 |
| PSTB-PARIS SCHOOL OF TECHNOLOGY & BUSINESS EN ABREGE P.S.T.B SIRET : 81209558600044 | Former et organiser les évaluations HABILITATION_ORGA_FORM | Actif | Date actif : 27/08/2026 Dernière modification de l’état : 27/08/2026 |
| SIMPLON.CO SIRET : 79279132900016 | Former et organiser les évaluations HABILITATION_ORGA_FORM | Actif | Date actif : 22/05/2026 Dernière modification de l’état : 22/05/2026 |
| STUDI SIRET : 91114836900018 | Former et organiser les évaluations HABILITATION_ORGA_FORM | Actif | Date actif : 27/08/2026 Dernière modification de l’état : 27/08/2026 |
Les identifiants, noms, rôles, états et dates sont reproduits tels que publiés. Aucun rapprochement avec un établissement de l’annuaire n’est déduit du nom. Consultez la fiche officielle et le certificateur avant toute inscription.
Consulter la fiche complète et les organismes habilités sur France compétences