Ingénieur en intelligence artificielle (MS)

L'ingénieur en intelligence artificielle est aujourd'hui un professionnel spécialisé dans la conception, le développement, la mise en oeuvre et le déploiement d'applications et d'algorithmes informatiques capables d'imiter certaines capacités cognitives humaines telles que la vision, la compréhension du langage naturel, la prise de décision et bien d'autres encore. Ces ingénieurs utilisent des techniques telles que l'apprentissage automatique, les réseaux neuronaux, le traitement du langage naturel, la vision par ordinateur, la synthèse de son, la reconstitution 3D et d'autres domaines connexes pour créer de solutions technologiques avancées. Un ingénieur en IA doit également avoir une compréhension approfondie des concepts théoriques sous-jacents, de la régulation et des implications éthiques de l'utilisation de l'IA. Il travaille souvent en collaboration avec des experts en domaines spécifiques pour concevoir des solutions adaptées aux besoins particulier de chaque application.

La certification "ingénieur en intelligence artificielle (MS)" répond aux besoins du marché du travail en développant les compétences liées à la conception et à la gestion du projet de sciences de données, à l’extraction, à la structuration, à la gestion, au traitement, à l’analyse et à la valorisation des données. Dans un contexte mouvant et concurrentiel où la transformation technologique redéfinit les contours de l’industrie et des services, les compétences clés de l’ingénieur en intelligence artificielle sont attendues par les entreprises de nombreux secteurs. La certification constitue un apport d’outils et de méthodes afin de satisfaire les besoins identifiés sur le marché du travail.

Activités visées :

• Identification des problématiques business pouvant nécessiter un projet d'IA
• Traduction de enjeux métiers en problématiques de traitement de données
• Cadrage d'un projet d'intelligence artificielle
• Analyse des risques du projet IA
• Définition de l'architecture du projet IA
• Assurance de la qualité et la complétude des données pour l'analyse exploratoire
• Traitement des données pour les rendre exploitables par les modèles d'apprentissage automatique
• Définition et implémentation d'une stratégie de data quality
• Production d'un modèle d'apprentissage automatique
• Optimisation d'un modèle d'apprentissage automatique
• Elaboration des scenarios et ses modèles de prédiction
• Planification d'une stratégie de production
• Coordination d'un projet d'IA
• Accompagnement des équipes métiers
• Rendu des résultats
• Gestion de l'impact de la solution dans le temps
• Valorisation de l'innovation apportée par les résultats
• Développement des modèles d'apprentissage profond pour le traitement, l'analyse et la génération de données textuelles
• Développement de modèles d'IA symbolique
• Développement des modèles pour la reconnaissance d'images et la vision par ordinateur
• Application des méthodes de l'apprentissage dans le contexte de la robotique de l'interaction homme-robot
• Développement des modèles pour le traitement, l'analyse et la génération de données sonores de dialogue
• Mise en place l'infrastructure nécessaire pour faciliter l'analyse exploratoire des données en mode continu
• Maintien de manière itérative les modèles d'apprentissage automatique
• Optimisation d'un modèle d'apprentissage automatique pour le déploiement
• Optimisation des performances des modèles d'apprentissage automatique
• Déploiement de manière incrémentale et continue des modèles d'apprentissage automatique

• Recueillir les besoins métiers (optimisation du CRM, ciblage des campagnes marketing, …) en rencontrant les différents services de l’entreprise afin de déterminer la nécessité d’entreprendre une stratégie de développement et d’intégration de technologies de science des données.
• Structurer le processus d'identification des exigences métier pour un projet intégrant l'IA en formalisant ces besoins à travers des scénarios utilisateur, afin de créer de solutions adaptées aux attentes des clients et à plusieurs profils y compris ceux utilisant des technologies d'assistance.
• Effectuer une veille des outils et des tendances émergentes en intelligence artificielle en actualisant son expertise afin de garantir que les méthodes appliquées intègrent efficacement les dernières techniques disponibles.
• Établir une roadmap en formalisant les besoins, les objectifs et les contraintes (y compris les contraintes de robustesse et compatibilité avec les technologies d'assistance comme VoiceOver, NVDA ou JAWS) afin de définir le périmètre du projet d’intelligence artificielle et son déroulement sous la forme d’itérations.
• Identifier les aspects du projet IA qui pourraient ne pas être conformes aux réglementations en vigueur, en particulier en ce qui concerne la collecte, le stockage, le traitement et la gestion des données personnelles, et le principe de notification et rétroaction nécessaires pour les lecteurs d'écran, afin d’élaborer une stratégie d'atténuation
• Évaluer la responsabilité civile découlant de l'utilisation des systèmes IA, notamment en cas de préjudice causé à des tiers par des décisions ou des actions automatisées, afin d’élaborer une stratégie d'atténuation des risques juridiques.
• Examiner le projet IA, ses vulnérabilités, celles de ses systèmes informatiques, les cyberattaques, le piratage ou la fuite de données sensibles afin d’élaborer une stratégie de mitigation des risques de sécurité et de donner des mécanismes de contestation.
• Évaluer les risques éthiques liés à l'utilisation de l'IA en examinant les réglementations et les lois pertinentes en matière d'éthique applicables au projet IA afin de mitiger les risques normatifs et de réputation.
• Rechercher les biais potentiels dans les données d'entraînement ou dans les algorithmes utilisés, afin de détecter des éléments qui pourraient entraîner des résultats discriminatoires ou injustes et prendre en compte les contraintes technologiques et économiques (ex : compatibilité avec les appareils à faible puissance) qui peuvent nuire à l'inclusivité.
• Examiner les impacts potentiels du projet IA sur l'économie, l'environnement et d'autres aspects non techniques afin d’identifier les risques sociaux des implémentations choisies.
• Identifier les risques potentiels pour la réputation de l'organisation découlant de l'utilisation de l'IA afin d’éviter les retombées négatives sur la marque ou la perte de confiance des clients.
• Identifier les modules ou les composants de l'application existante qui sont fortement couplés, afin de faciliter l'évolutivité des briques techniques enrichies par l’IA dans une application qui tient compte de la privacité dès la conception.
• Séparer les fonctionnalités IA en modules distincts, chacun étant responsable d'une tâche spécifique, afin de réduire les dépendances et les interactions avec d'autres parties de l'application.
• Utiliser des standards ouverts et des formats de données interopérables pour échanger des informations entre les fonctionnalités IA et les autres composants de l'application, afin de favoriser l'intégration et l'interopérabilité.
• Élaborer un plan pour la transition de l'architecture monolithique vers une architecture plus flexible et évolutive, en définissant des étapes progressives afin de faciliter la refonte et la réorganisation de l’application.
• Analyser les flux de données à travers l'application pour identifier les points où les données nécessaires à l'IA sont générées, collectées, transformées ou stockées, afin d'évaluer la compatibilité de ces flux avec les besoins des modèles d'IA.
• Identifier les points de connexion entre le système d'IA et l’existant ; et évaluer la facilité d'intégration de ces points de connexion avec l'architecture monolithique existante en définissant des étapes claires et des mesures de validation afin d'assurer la continuité opérationnelle.
• Traiter les données manquantes et gérer les valeurs aberrantes en minimisant les données en accord avec le RGPD tout en réduisant l’impact sur la validité des résultats afin d'assurer l'intégrité des données
• Nettoyer des données temporelles et gérer les lacunes dans les séries temporelles, en définissant des critères de nettoyage avec des techniques d’imputation afin de vérifier une cohérence temporelle dans l’application
• Normaliser et mettre à l’échelle pour une sélection appropriée des données en fonction du contexte du modèle afin de garantir que ces données sont préparées de manière optimale.
• Atténuer les effets des valeurs extrêmes afin de garantir des résultats plus stables, fiables et moins sensibles
• Discrétiser les variables continues en réduisant la sensibilité aux valeurs spécifiques et encoder les variables catégorielles afin de garantir une représentation numérique appropriée des catégories.
• Évaluer les sources de données afin de garantir que les données utilisées dans un projet sont fiables, de haute qualité et alignées sur les objectifs du projet et les régulations en cours, en contribuant ainsi à des analyses et des décisions plus robustes.
• Réduire la dimension des données en éliminant les redondances, en anonymisant et en "de-identifiant" les données tout en préservant les aspects les plus significatifs des données afin de simplifier la manipulation et l'analyse.
• Préparer le texte pour l’apprentissage en établissant des critères de pré-traitement et des méthodes de nettoyage / normalisation afin d’assurer la qualité, la cohérence et la pertinence des données textuelles pour permettre une analyse et une modélisation efficaces.
• Définir une stratégie de qualité de la donnée en utilisant des critères de qualité afin de garantir que les données et les analyses sont fiables, de haute qualité et répondent aux exigences métier spécifiques et pour contribuer à la prise de décision informée et à la confiance dans les résultats obtenus.
• Surveiller les anomalies statistiques en utilisant des techniques de détection afin d’identifier celles qui pourraient compromettre l'intégrité des analyses et des modèles...

• Ecole nationale supérieure de techniques avancées
• Télécom Paris - Institut Mines Télécom

• Ecole nationale supérieure de techniques avancées

  1ère habilitation	Début validité	Fin validité
  28/02/2025	28/02/2025	28/02/2030

• Télécom Paris - Institut Mines Télécom

  1ère habilitation	Début validité	Fin validité
  28/02/2025	28/02/2025	28/02/2030

• Ingénieur en intelligence artificielle (MS) (https://www.intercariforef.org/formations/certification-111697.html)