Développeur en intelligence artificielle

Objectifs et contexte de la certification :

Les perspectives positives de l’IA sont cependant nombreuses pour l’humanité et la planète. En matière de développement durable notamment, les progrès de l’intelligence artificielle annoncent des capacités d’automatisation dans l’analyse/gestion de la consommation d’énergie qui laissent augurer d’une utilisation optimale des ressources, tant au niveau des entreprises que des particuliers ou des services publics.

Des progrès décisifs sont également attendus pour une amélioration de la qualité de l’air dans les grandes métropoles, ainsi que pour la rationalisation et la répartition des ressources hydriques en zones sensibles.

Autre direction prometteuse : des modélisations mathématiques très poussées de processus naturels laissent envisager des applications précieuses en matière de biomimétisme.

Les offres d’emploi concernant les spécialistes en intelligence artificielle ne cessent de s'accroître en France notamment ces trois dernières années. Développeurs et ingénieurs R&D sont les plus recherchés.

D’ici 2 ans, 30 % des emplois liés à l’intelligence artificielle et à la data seront vacants en raison d’une pénurie de profils formés. Data scientists, développeurs en IA, data miners, data analysts… ces métiers commencent à fleurir dans de nombreuses entreprises, mais les compétences pour réaliser ces nouvelles missions ne sont pas toujours au rendez‐vous. Il est donc urgent de proposer dès maintenant des parcours en formation initiale, mais aussi en formation continue. Car au‐delà des formations initiales, des métiers semblant éloignés de la technologie – comme ceux de radiologue, médecin ou cadre supérieur – vont devoir s’acculturer.

Le nombre d’offres d’emploi diffusées par l’Apec a progressé de 113 % entre 2016 et 2017, passant de 1 127 à 2 398 offres.

Les sociétés d’activités informatiques sont les premiers recruteurs (42 %), suivi des activités de conseil et gestion des entreprises (19 %) et de R&D (11 %).

L’Île-de-France rassemble 63 % des offres d’emploi en IA.

Le secteur est très porteur, la demande est forte mais l’offre de candidats expérimentés peut être limitée :

Les recruteurs recherchent des profils expérimentés dans 56 % des cas.

Les entreprises de services numériques ont une appétence pour les développeurs, les activités de conseil et gestion pour les chefs de projet et les consultants, et les activités de R&D pour les ingénieurs IA et les docteurs en IA.

Plus que les diplômes, une première expérience et la capacité à réaliser des études de cas sont déterminantes. 

L’intelligence artificielle devrait aussi créer des professions qui restent à inventer. En 2016, un rapport du forum économique de Davos indiquait que 65 % des enfants entrant actuellement en école primaire exerceront un emploi qui n’existe pas encore. Selon une autre étude du fabricant informatique Dell et du think tank « l'Institut du Futur », la robotisation et l’intelligence artificielle devraient profondément transformer le domaine professionnel : 85 % des emplois de 2030 n’existeraient pas encore selon cette étude.

Activités visées :

Bloc 1 : Analyse exploratoire et descriptive de la donnée

 Acquisition et écriture de données

 Conception de représentations graphiques

Bloc 2 Apprentissage automatique (Machine Learning) supervisé et non supervisé

 Préparation, transformation et génération de données

 Entrainement de modèles d'apprentissages supervisés ou non supervisés

 Amélioration des capacités prédictives

 Mise en production de modèles d'apprentissage

 Adoption d'une démarche d'amélioration continue

Bloc 3 Reconnaissance de formes par réseaux de neurones artificiels

 Conversion de données entrantes

 Maîtrise des différentes architectures

 Utilisation de réseaux de neurones

Bloc 4 Développement et Gestion de projet en IA

 Analyse et formulation de problématique

 Planification de projet

 Communication transversale, ascendante et descendante

Compétences attestées :

C1 Acquérir des données à partir de sources adaptées, fournies par le client ou accessibles en Open Data afin d'agrémenter la base de données

C2 Écrire des requêtes pour l'interrogation de la base de données et les composants d'accès aux données

C3 Effectuer des analyses exploratoires afin d'appréhender la composition interne des données

C4 Concevoir une représentation graphique adaptée afin de visualiser les relations entre les données

C5 Préparer des données en vue de l'apprentissage afin que celles-ci soient nettoyées

C6 Transformer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Preprocessing)

C7 Générer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Feature Engineering)

C8 Maîtriser les différents algorithmes d'apprentissage afin d'apporter une réponse adaptée à une problématique de l'organisation

C9 Entraîner un modèle d'apprentissage supervisé pour optimiser une fonction de prédiction à partir d'exemples annotés

C10 Entraîner un modèle d'apprentissage non supervisé pour détecter des structures sous-jacentes à partir de données non étiquetées

C11 Améliorer les capacités prédictives d'un système en sélectionnant un modèle différent ou en modifiant ses hyperparamètres en vue de corriger des erreurs (hyperparameter tunnig)

C12 Mettre en production le modèle d'apprentissage supervisé ou non supervisé obtenu sous la forme d'une API

C13 Adopter une démarche d’amélioration continue en identifiant les axes de perfectionnement d’un produit à l’aide d’une méthode adaptée de manière à améliorer la performance du produit

C14 Convertir les données entrantes (images et texte par exemple) en données adaptées pour un réseau de neurones

C15 Maîtriser les différentes architectures de réseau de neurones : convolutifs pour les images & récurrents pour les séries temporelles et les modèles de traitement automatique du langage (NLP) pour le texte

C16 Utiliser un réseau de neurones convolutifs pour étiqueter des images

C17 Utiliser un réseau de neurones pour comprendre l'intention d'une phrase en langage naturel 

C18 Analyser et formuler une problématique métier du point de vue de l'analyste de données

C19 Planification des actions à mettre en œuvre

C20 Mobiliser les ressources nécessaires pour mener à bien le projet en respectant les délais

C21 Recommander des actions à sa hiérarchie et rendre compte de ses résultats

Modalités d'évaluation :

Cas pratiques d'études de jeux de données sur une problématique métier pour lesquels le candidat devra remettre un notebook, produire un dossier et le présenter devant un jury de professionnels