Sciences et ingénierie - Intelligence artificielle

Compétences

• Recenser les sources de données internes et externes afin de déterminer leur pertinence, tout en garantissant la conformité avec les réglementations (RGPD, IA Act).
• Récupérer les données utilisant des scripts Python, SQL, et des outils ETL afin de répondre aux besoins du projet.
• Structurer et nettoyer les données brutes pour permettre leur exploitation dans des bases relationnelles ou non relationnelles en appliquant des techniques avancées (élimination des valeurs aberrantes, gestion des données manquantes) et en garantissant la gouvernance des données, conformément aux réglementations en vigueur.
• Réaliser des analyses statistiques exploratoires sur les données afin d’identifier les tendances et relations entre variables, en utilisant des bibliothèques comme Pandas, NumPy, matplotlib.
• Produire des visualisations interactives des données pour soutenir la prise de décision, en utilisant des outils comme Power BI ou Kibana, et en intégrant les standards d’accessibilité (RGAA, WCAG) prenant en compte les utilisateurs en situation de handicap.
• Tester les visualisations produites afin de garantir leur compréhension et leur pertinence pour les utilisateurs y compris les personnes en situation de handicap

Modalités d'évaluation

Examens écrits ou sur ordinateur : Analyse de jeux de données pour identifier les problématiques, proposition de techniques de nettoyage et structuration adaptées et de visualisations. Travaux pratiques (rapport de TP) : Réalisation de visualisations interactives et rédaction d’un rapport expliquant les étapes suivies et les choix réalisés. Rapport de projets individuels : Mise en œuvre d’un pipeline complet de collecte, traitement et visualisation des données. Mise en situation simulée : Présentation d’une analyse de données appuyée par des supports visuels adaptés. Interaction avec un évaluateur technique. Périodes d’immersion en entreprise : Contribution aux projets de structuration et de visualisation de données. Réalisation d’un rapport d’activité sur les processus suivis et les livrables produits.

Compétences

• Identifier les problématiques IA (classification, régression, clustering) afin de déterminer les approches les plus adaptées, en analysant les données disponibles et les objectifs métier.
• Préparer les ensembles de données pour l’entraînement, les tests et la validation afin d’assurer la fiabilité et la robustesse des modèles, en appliquant des techniques de division, randomisation et équilibrage.
• Entraîner les solutions de Machine Learning sur les ensembles de données pertinents afin d’optimiser leurs performances prédictives tout en intégrant des pratiques écoresponsables pour minimiser la consommation d’énergie, en ajustant les hyperparamètres avec des techniques comme GridSearchCV ou Optuna.
• Développer des solutions Deep Learning adaptés aux données complexes (images, textes) afin de résoudre des problématiques spécifiques, en utilisant des architectures CNN, RNN ou transformers.
• Représenter les données complexes en appliquant des techniques d’encodage, de vectorisation et de normalisation afin de garantir leur exploitabilité dans les solutions de Deep Learning.
• Optimiser les solutions de Deep Learning en ajustant des hyperparamètres (learning rate, régularisation, dropout) afin d’améliorer leur robustesse et leur efficacité dans différents contextes.
• Participer au développement des solutions de transfert Learning pour réutiliser des modèles préentraînés et les adapter à de nouveaux cas d’usage, en combinant différentes approches et frameworks.
• Développer des solutions d’applications d’IA générative intégrant des modèles tels que des chatbots, des systèmes de reconnaissance visuelle ou des outils de traitement du langage (NLP) afin de répondre aux besoins métiers spécifiques en utilisant des modèles génératifs comme GPT ou BERT, tout en garantissant la conformité aux cadres réglementaires (RGPD, IA Act) et éthiques, ainsi que le respect des principes de souveraineté des données.
• Adapter les solutions d’IA générative aux spécificités des projets afin d’optimiser leur pertinence et leur performance, en ajustant les paramètres en fonction des retours utilisateurs.
• Évaluer la qualité des contenus générés afin d’assurer leur cohérence, leur originalité et leur adéquation aux besoins, en utilisant des métriques d’évaluation spécifiques et des tests utilisateur.
• Assurer la conformité aux cadres éthiques et réglementaires (RGPD, IA Act) lors du développement des solutions, en veillant à la transparence et à l’interprétabilité des modèles pour respecter les exigences légales et les principes éthiques.

Modalités d'évaluation

Études de cas : Analyse d’une problématique métier pour sélectionner et justifier l’algorithme le plus adapté. Travaux pratiques (rapport de TP) : Développement de modèles à partir de données brutes, optimisation des hyperparamètres et évaluation des performances. Projets collectifs : implantation et optimisation d’une solution IA complète répondant à une problématique métier. Mise en situation réelle (hackathons) : Résolution de problématiques IA dans un délai restreint, avec présentation d’un prototype fonctionnel. Soutenance orale : Explication des choix de modèles et présentation des choix techniques et des résultats obtenus. Périodes d’immersion en entreprise : Participation à la conception et au développement de solutions IA adaptés à des besoins réels.

Compétences

• Mesurer les performances des modèles à l’aide de métriques spécifiques (précision, rappel, F1-score, RMSE) en utilisant des bibliothèques comme scikit-learn et des outils comme MLflow pour sélectionner la solution la plus adaptée.
• Identifier et corriger les biais algorithmiques pour garantir l’équité et la robustesse des modèles en production, en utilisant des outils comme Aequitas ou Fairlearn.
• Comparer les résultats obtenus avec plusieurs algorithmes pour sélectionner la solution la plus pertinente en prenant en compte les retours des utilisateurs et des contraintes techniques, économiques et environnementales.
• Ajuster les solutions IA en fonction des résultats des tests et des retours utilisateurs, en modifiant les paramètres des modèles ou en améliorant les algorithmes pour répondre aux besoins métiers.
• Rédiger des rapports techniques détaillant les résultats des solutions pour faciliter leur compréhension par les parties prenantes.
• Produire des tableaux de bord visuels permettant de visualiser les performances des modèles IA et de faciliter leur interprétabilité et explicabilité, en intégrant des outils comme Power BI ou Tableau.
• Utiliser des techniques quantitatives d’interprétabilité et d’explicabilité afin de comprendre les décisions prises par le modèle.

Modalités d'évaluation

Examens écrits ou sur machine : Validation des performances d’un modèle avec des métriques adaptées, identification et documentation des biais éventuels. Projets (rapport et présentation) : Documentation du processus de validation d’un modèle IA, justifier les méthodologies utilisées et présenter les résultats lors d’une soutenance. Cas pratiques : Réalisation de tests approfondis (non-régression, robustesse), comparaison de modèles pour sélectionner le plus performant en fonction des métriques définies. Application de tests et de validations sur des modèles dans des contextes variés. Résolution de problèmes spécifiques liés aux biais ou aux performances. Mise en situation constituée : Application des modèles à des jeux de données variés pour tester leur robustesse dans des scénarios réalistes. Périodes d’immersion en entreprise : Mise en œuvre des tests de validation sur des modèles déployés. Proposition d’améliorations à partir des résultats obtenus et élaboration de rapports de validation adaptés au contexte professionnel.

Compétences

• Adapter les solutions IA pour leur intégration dans des environnements de production (on-premise, cloud AWS ou Azure) afin de garantir leur compatibilité avec les infrastructures existantes, en tenant compte des spécificités des systèmes.
• Contribuer au déploiement des modules nécessaires (backend, frontend, bases de données, API) pour assurer le bon fonctionnement des applications intégrant des modèles IA, en collaborant avec les développeurs et les équipes infrastructure.
• Réaliser des tests fonctionnels et de performance (unitaires, intégration, end-to-end, non-régression) afin de valider le comportement et la robustesse des modèles dans les systèmes informatiques.
• Assurer l’accessibilité et l’ergonomie des solutions intégrées afin de garantir leur utilisation par des utilisateurs variés, en respectant les standards d’accessibilité et d’expérience utilisateur.
• Garantir le niveau de journalisation et d’alerting des solutions IA pour faciliter le suivi, le diagnostic et la maintenance en cas de dysfonctionnements.
• Collaborer avec les équipes DevOps pour analyser et comprendre les besoins spécifiques liés au déploiement des modèles IA et participer à la conception des pipelines de déploiement et d’apprentissage automatique.
• Déployer les modèles IA dans des environnements de production en utilisant des outils de conteneurisation et orchestration (Docker, Kubernetes, MLflow) afin d’assurer leur scalabilité et leur fiabilité.
• Automatiser les pipelines de déploiement en intégrant des méthodologies de MLOps (intégration continue, test continu, déploiement continu, entraînement continu) pour réduire les délais de mise en production et améliorer la gestion des versions.
• Superviser les performances et les dérives des modèles en production afin de détecter les anomalies (concept drift, data drift) et garantir leur efficacité à long terme, en utilisant des outils comme Prometheus ou Grafana.
• Mettre en place des processus de réentraînement des modèles pour assurer leur adaptation continue aux évolutions des données et des besoins métiers.
• Assurer le suivi des versions des solutions IA en utilisant des outils de gestion des versions (Git, DVC) pour garantir la traçabilité des modifications et la reproductibilité des modèles.

Modalités d'évaluation

Études de cas : Analyse des contraintes techniques et réglementaires pour l’intégration d’une solution IA. Proposition de stratégies adaptées. Rapport de projets : Développement d’un système complet de production pour une solution IA, avec supervision des performances et gestion des dérives. Documentation des processus de déploiement. Cas pratiques : Simulation de la mise en production de solutions IA en prenant en compte les contraintes techniques et réglementaires. Déploiement de solutions IA dans des environnements simulés. Mise en place de pipelines CI/CD et supervision des modèles. Documentation des défis rencontrés et des solutions proposées. Périodes d’immersion en entreprise : Mise en production d’une solution IA dans un environnement professionnel. Collaboration avec des équipes pluridisciplinaires pour assurer le déploiement et la maintenance des modèles en production.

Compétences

• Travailler avec des équipes pluridisciplinaires pour suivre l’avancement des projets IA, en utilisant des outils de gestion de projet comme Jira ou Trello
• Rédiger des cahiers des charges pour formaliser les besoins, les contraintes techniques et les objectifs du projet, en tenant compte des spécifications métiers et des contraintes réglementaires.
• Définir et suivre des indicateurs de performance (KPI) adaptés pour mesurer l’efficacité des solutions développées et leur alignement avec les objectifs métiers.
• Documenter les solutions développées pour faciliter leur maintenance et leur compréhension par les parties prenantes.
• Effectuer des revues périodiques du projet afin de valider les étapes clés et d’identifier les éventuelles difficultés, en appliquant les méthodologies adaptées selon la nature du projet.
• Analyser les évolutions technologiques et réglementaires en IA pour identifier des opportunités d’innovation en matière de bases de données, les frameworks et les outils en effectuant une veille technologique continue.
• Assurer la conformité aux contraintes techniques, réglementaires et environnementales en intégrant des pratiques écoresponsables et en respectant les normes en vigueur afin de garantir la fiabilité, la durabilité et réduire les risques juridiques.
• Proposer des améliorations aux solutions IA existantes en fonction des résultats issus de la veille technologique et des benchmarks disponibles afin garantir leur pérennité face aux évolutions technologiques et optimiser leur intégration dans les processus métiers.

Modalités d'évaluation

Examens écrits ou sur machine : QCM/quizz sur les cadres réglementaires, les principes éthiques et les méthodologies de gestion de projet. Cas pratiques : Analyse des impacts éthiques et réglementaires sur des projets fictifs. Proposition de stratégies pour garantir leur conformité. Travaux collectifs : Élaboration de tableaux de bord pour le suivi de KPI, analyse des risques, et gestion de projets IA en équipe. Proposition de solutions adaptées à des contextes spécifiques en interaction avec les équipes métier. Réalisation de projets : Rédaction d’un cahier des charges intégrant une veille technologique et réglementaire. Soutenance orale : Présentation des recommandations issues de la veille et des ajustements projetés pour le projet IA. Périodes d’immersion en entreprise : participation à la gestion et au suivi d’un projet IA dans un contexte réel. Application des méthodologies de gestion de projet et respect des contraintes réglementaires, éthiques et environnementales.