Expert Intelligence Artificielle / Data (Contrat d'apprentissage)

1/Fondamentaux de l’IA
Calcul scientifique et algorithmique :  Histoire de l'IA - Concepts et applications - Statistiques - probabilités et algèbre linéaire - Développement avec Python
Apprentissage automatique :  Algorithmes de régression de classement et de classification - Développement de l’IA symbolique - Évaluation de modèles d'IA  (graphes, métriques et A/B testing)

2/Approches avancées en IA
Ingénierie des données : Extraction de données - SGBD / SQL / NoSQL - ETLs - Spark - Airflow - Data visualisation - Python / R - Power BI / Tableau - Supernet
Apprentissage profond : MLP - CNN - SHAP - LIME - Évaluation de modèles - Interprétabilité et explicabilité des modèles - Réglementation et éthique dans l’IA

3/Infrastructure et maintenabilité
Déploiement de modèles d'IA :  Suivi et monitoring de modèles d’intelligence artificielle Outils d'intégration continue et de déploiement continu de modèles d’intelligence artificielle - Mettre en place un système de monitoring pour suivre les performances d’un modèle en production
Gestion documentaire : Rédiger une documentation
fonctionnelle à destination des utilisateurs ou commanditaires
Rédiger une documentation technique à destination des développeurs ou de l’équipe système - Gestion de la fiabilité & testing : Tests unitaires - tests fonctionnels et tests de non-régression. -Expertise en apprentissage profond

4/Cadrage de projet
Méthode Agile de gestion de projet (Scrum, Waterfall) - l’outil Kanban - estimation temporelle des tâches (diagramme de Gantt) - Rédaction de cahier des charges et gestion documentaire. - Appliquer une méthode de gestion de projet adaptée au (Agile, Cycle en V, etc.)
Data Analysis : Data visualisation - Python / R - Power BI / Tableau - Supernet
Apprentissage profond : Implémentation de modèles d’apprentissage profond (MLP, CNN, RNN, ...) - Utilisation de modèles pré-entraînés pour les LLMs et l’IA générative (Huggingface, OpenAI,...) - Évaluation de modèles d'intelligence artificielle (graphes, métriques et A/B testing) - Implémenter des architectures de réseaux de neurones profonds - Adapter un modèle d’apprentissage profond à une tâche spécifique - Utiliser des modèles pré-entraînés via des bibliothèques spécialisées - Intégrer ces modèles dans une application ou un flux de traitement - Évaluer la performance d’un modèle à l’aide de métriques appropriées - Comparer des modèles par des méthodes d’expérimentation contrôlée

5/Industrialisation et mise en œuvre de solutions d'IA
MLOps : Virtualisation et conteneurisation d’applications - Cycle de vie des testsl ogiciels (STLC), outils d'intégration continue et de déploiement continu de modèles d’intelligence artificielle
MLaaS :  Automatisation de la modélisation de données à l’aide de L’AutoML et Machine Learning as a service