Architecte en intelligence artificielle

Objectifs

Cette première phase pose les bases techniques indispensables pour aborder sereinement la suite de la formation. Vous commencez par programmer en Python, structurer votre code, comprendre la logique algorithmique et utiliser les outils essentiels du développeur moderne, comme Git et GitHub. L' objectif n'est pas de plonger immédiatement dans l'IA, mais de vous rendre à l'aise avec le code, les environnements de travail et les bonnes pratiques logicielles, afin de construire un socle solide. Cette étape vous permet de ne plus être bloqué par la technique et de progresser ensuite vers l'IA avec confiance et autonomie.

/........./ 

Prouvez que vous savez construire, pas seulement apprendre. Tout au long de cette phase finale, vous développez un projet d'IA complet, de bout en bout. Données, modèles, architecture, déploiement et démonstration : vous appliquez l' ensemble des compétences acquises dans un contexte proche du monde professionnel. Vous repartez avec un projet concret, démontrable et valorisable, reflet de votre capacité à livrer un système d'IA réel.

Programme de la formation

Module 1 – AI Engineering Foundation 

• Bases solides en Python, algorithmique et bonnes pratiques de code.


• Prise en main des outils du développeur (VS Code/Cursor, Git, GitHub, terminal).

Module 2 – Exploratory Data Analysis 

• Explorer, nettoyer et transformer les données avec Python, Pandas et NumPy.


• Utiliser stats descriptives et visualisation (Matplotlib) pour comprendre un dataset.

Module 3 – Data Infrastructure 

• Collecter la donnée via APIs, bases SQL et fichiers.


• Construire data lakes/warehouses sur le cloud (AWS, S3, RDS) et des pipelines ETL.

Module 4 – Machine Learning 

• Préparer les données et entraîner des modèles supervisés et non supervisés (scikit-learn).


• Travailler sur l'évaluation, la régularisation et la lutte contre l'overfitting.

Module 5 – Deep Learning Foundation 

• Comprendre réseaux de neurones, descente de gradient et représentations apprises.


• Manipuler texte et images avec PyTorch et Hugging Face.

Module 6 – Deep Learning Model Architecture 

• Plonger dans les Transformers et l'attention.


• Utiliser l'écosystème Hugging Face et découvrir CLIP pour le multimodal.

Module 7 – Generative Process / GenAI 

• Comprendre la génération de texte (auto-régressif) et d'images (diffusion).


• Poser les bases pour construire des systèmes GenAI (LLM, diffusion) intégrables en produit.

Module 8 – Adaptation & Evaluation 

• Adapter des modèles (Transfer Learning, SFT, LoRA/QLoRA).


• Introduire RL, RLHF, DPO et les métriques d'évaluation (BLEU, ROUGE, BertScore, LLM-as-a-judge).

Module 9 – ML Engineering 

• Déployer des modèles avec Docker, FastAPI, Streamlit et MLflow.


• Mettre en place monitoring, traçabilité et entraînements distants.

Module 10 – AI Engineering (LLM Systems) 

• Construire des apps LLM avec LangChain/LangGraph, RAG et bases vectorielles (Weaviate).


• Gérer observabilité, déploiement (vLLM, Hugging Face) et connexion à des outils (MCP).

Module 11 – Demoday 

• Concevoir un projet IA de bout en bout, de la donnée au déploiement.


• Mettre en production une app ML ou LLM observable, documentée et présentable.

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique