L'essentiel

Icon de certification

Certification
remplacée par

RNCP38616 - Concepteur développeur en intelligence artificielle et analyse big data

Icon de la nomenclature

Nomenclature
du niveau de qualification

Niveau 6

Icon NSF

Code(s) NSF

125g : Langages artificiels et informatique ; Linguistique et didactique des langues

114b : Modèles mathématiques ; Informatique mathématique

114g : Mathématiques de l'informatique, mathématiques financières, statistique de la santé

Icon formacode

Formacode(s)

31028 : Intelligence artificielle

31088 : Programmation

Icon date

Date d’échéance
de l’enregistrement

16-12-2023

RNCP38616 - Concepteur développeur en intelligence artificielle et analyse big data

Niveau 6

125g : Langages artificiels et informatique ; Linguistique et didactique des langues

114b : Modèles mathématiques ; Informatique mathématique

114g : Mathématiques de l'informatique, mathématiques financières, statistique de la santé

31028 : Intelligence artificielle

31088 : Programmation

16-12-2023

Nom légal Siret Nom commercial Site internet
LE WAGON 79494991700023 Le Wagon https://www.lewagon.com/fr

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
 

RNCP35141BC01 - Analyse exploratoire et descriptive de la donnée

Liste de compétences Modalités d'évaluation

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
 

Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels.

Pour le bloc 1 le candidat devra charger les données à partir d'une API, d'un fichier ou d'une base de données relationnelle, commenter la distribution d'un jeu de données et identifier d'éventuelles corrélations, et dessiner des graphiques représentatifs des données
 

RNCP35141BC02 - Apprentissage automatique ( Machine Learning ) supervisé et non supervisé

Liste de compétences Modalités d'évaluation

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 d’une organisation (entreprise, laboratoire, etc.)

 

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 tuning)

 

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


 

Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels.

Pour le bloc 2 le candidat devra traiter les valeurs manquantes ou aberrantes, adapter une transformation des données en fonction de leur nature, construire de nouvelles données pertinentes à partir des données initiales, tester plusieurs modèles et choisir le meilleur, déployer le modèle en production et être capable de corriger/adapter le modèle.
 

RNCP35141BC03 - Reconnaissance de formes par réseaux de neurones artificiels

Liste de compétences Modalités d'évaluation

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 

Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels.

Pour le bloc 3 le candidat devra utiliser un réseau de neurones pour étiqueter des images et pour comprendre l'intention d'une phrase.
 

RNCP35141BC04 - Développement et Gestion de projet en IA

Liste de compétences Modalités d'évaluation

 

C19 Planifier 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

Etude d'un cas pratique, production d'un dossier et présentation orale devant un jury de professionnels.

Pour le bloc 4 le candidat devra analyser et formuler une problématique en fonction du public, constituer une équipe projet adaptée, planifier son projet et rendre compte à sa hiérarchie en utilisant le vocabulaire adapté.
 

Description des modalités d'acquisition de la certification par capitalisation des blocs de compétences et/ou par correspondance :

L’obtention de la certification est conditionnée à la validation de l’ensemble des blocs de compétences. 

Chaque bloc de compétences validé sera sanctionné par une attestation de réussite du bloc.

Secteurs d’activités :

 Tous secteurs d’activité (banques et assurances, secteur public, opérateurs de télécommunication,conseil, …)   et notamment intégrateurs, ESN et grandes entreprises. 

Type d'emplois accessibles :

Développeur en IA

Code(s) ROME :

  • M1805 - Études et développement informatique

Références juridiques des règlementations d’activité :


Le cas échant, prérequis à l’entrée en formation :

 Etre titulaire d’un niveau 5, ou d’un niveau 4 avec 3 ans d’expérience professionnelle, et obtenir l’aval de la Commission Pédagogique quelle que soit la filière initiale suivie 

Le cas échant, prérequis à la validation de la certification :

Pré-requis disctincts pour les blocs de compétences :

Non

Validité des composantes acquises :

Validité des composantes acquises
Voie d’accès à la certification Oui Non Composition des jurys Date de dernière modification
Après un parcours de formation sous statut d’élève ou d’étudiant X

Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science.

Un professeur encadrant du Wagon.

Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification

-
En contrat d’apprentissage X

Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science.

Un professeur encadrant du Wagon.

Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification

-
Après un parcours de formation continue X

Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science.

Un professeur encadrant du Wagon.

Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification

-
En contrat de professionnalisation X

Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science.

Un professeur encadrant du Wagon.

Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification

-
Par candidature individuelle X - -
Par expérience X

 Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science.

Un professeur encadrant du Wagon.

Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification

-
Validité des composantes acquises
Oui Non
Inscrite au cadre de la Nouvelle Calédonie X
Inscrite au cadre de la Polynésie française X

Statistiques :

Liste des organismes préparant à la certification :

Nouvelle(s) Certification(s) :

Nouvelle(s) Certification(s)
Code de la fiche Intitulé de la certification remplacée
RNCP38616 Concepteur développeur en intelligence artificielle et analyse big data

Référentiel d'activité, de compétences et d'évaluation :