Ingénieur en intelligence artificielle

Objectifs et contexte de la certification :

L'objectif de la certification est de former des profils scientifiques ou informatiques au métier d'ingénieur en intelligence artificielle (ou Machine Learning Engineer (MLE)). Pour cela, Yotta Academy propose une approche technique de la Data Science en collant au plus proche de la réalité du terrain. Les apprenants développent des compétences sur l’implémentation d’algorithmes de Machine Learning, de mise en production afin d’obtenir une couche applicative servant des utilisateurs finaux, ainsi qu'en gestion de projet en environnement industrialisé. Dans le cadre du dispositif de formation préparant au passage de la certification, les candidats peuvent interagir de façon continue avec les formateurs, qui sont des Machine Learning Engineers experts dans leurs domaines (NLP, Computer Vision), et qui pratiquent au quotidien la data science dans les entreprises.  

Activités visées :

1) Analyser les besoins d'un client pour un projet d'intelligence artificielle

• Analyse du besoin client en intelligence artificielle (IA)

- Analyse de l’existant chez le client et de l’écosystème IT (technologies de l’information)

- Évaluation de la qualité et de la richesse des données du client

- Analyse de la cartographie des données pour traduire une problématique métier en problème mathématiques/statistiques et réciproquement

• Evaluation de la faisabilité d’un projet IA

- Identification des attentes et des objectifs du client

- Formalisation du besoin client 

- Anticipation des complexités techniques et technologiques

- Découpage des tâches associées

- Estimation de la charge de travail à chaque tâche 

• Veille technique et technologie

- Étude détaillée des dernières innovations technologiques pour aider à la compréhension des technologies en évolution

- Utilisation d’une documentation technique

- Mise au point de solutions originales pour l’intégration de nouvelles technologies dans les produits, applications ou services ou dans la création de nouvelles solutions

- Identification des principaux cas d’application de l’IA dans les différents secteurs d’activité et des grandes sources de données qui les alimente

• Définition des cas d’usage d’IA

- Présentation des cas d’usage de l’IA applicable chez le client

- Traduction éléments techniques d’IA au client

2) Concevoir une solution d'intelligence artificielle

• Préparation des données nécessaires au projet d’intelligence artificielle (IA)

- Collecte des données nécessaires à l’usage IA

- Extraction des données

- Nettoyage des données

• Conception du code source du traitement IA

- Écriture du code source permettant de préparer les données en fonction des besoins de l’algorithme d’intelligence artificielle (segmentation, augmentation, nettoyage, filtrage, etc), le cas échéant orientée objet

- Écriture fonctionnelle d’un code respectant la trame d’architecture cible dans un environnement data science (application Python)

- Documentation du code source

• Construction d’un environnement informatique en local ou virtuel

- Configuration de serveur

• Modélisation des données

- Modélisation les données (requêtage) avec l’approche orientée requêtes

- Mise place du système de gestion de base de données analytique

- Configuration du système de gestion de base de données analytique (PostgreSQL)

• Conception du programme d’IA

- Identification précise du besoin métier et des objectifs de performance (analyse de sentiment, classification d’images, prédiction temporelle, régression, etc.)

- Sélection de la méthode d’apprentissage dans le cas d’un algorithme de Machine Learning ou de Deep Learning en se basant sur les statistiques, algèbre et probabilités, notamment la statistique bayésienne et les méthodes d’échantillonnages (MCMC)

- Sélection des algorithmes adaptés à la problématique et aux données (régression linéaire, forêt aléatoire, réseau de neurones, etc.)

- Sélection des outils adaptés au besoin de l’algorithme à implémenter (Scikit-Learn, TensorFlow, PyTorch, Gensim, etc.)

- Comparaison et évaluation des différents modèles ou méthodes de calcul et anticipation des avantages et inconvénients dans un environnement métier

- Intelligibilité du modèle permettant une meilleure appropriation par les équipes métier

• Implémentation de la solution d’IA

- Implémentation d’une solution conforme aux normes de développement logicielles dans un environnement data science

- Développement de l’interaction avec un algorithme ou un service d’IA (par exemple : une API exposant des services cognitifs, un modèle de deep learning préalablement entraîné, etc.) en fonction des traitements visés, par exemple : le langage naturel ou la vision par ordinateur

- Développement d’une interface visuelle permettant l’interaction entre la couche applicative et l’utilisateur final

3) Mise en production d'un système d'intelligence artificielle

• Définition du modèle mathématique (algorithme) applicable au projet d’intelligence artificielle

- Définition du modèle de données

- Mise en œuvre des techniques d’extraction et d’analyse d’informations, obtenues à partir de gisements de données (Big Data)

- Choix des solutions de stockage non relationnelles (NoSQL)

- Sélection du système de gestion de base de données adapté

- Mise place et configuration du système de gestion de base de données

- Mise en œuvre d’outils big data (tel Hadoop)

- Programmation du traitement de données en environnement distribué (Spark, Dask)

• Développement de l’application d’IA

- Sélection des outils et langages de programmation

- Développement de manière collaborative dans un projet agile

- Conception de l’architecture de l’application (serverless, micro-service, design pattern, etc.)

- Écriture des tests unitaires en Python

- Réalisation de tests en utilisant un orchestrateur (gitlab-ci) pour automatiser l’exécution des tests (CI) et le déploiement du code (CD)

- Construction et déploiement d’une image (docker)

- Programmation d’un traitement de données automatisé

• Maintien en condition opérationnelle l’application IA

- Identification du cycle de vie de son cas d'usage de l’IA

- Monitoring d’un modèle en production

- Gestion des évolutions d’un modèle en production

- Reproductibilité d'une chaîne de modélisation

- Versionnage des modèles prédictifs 

- Gestion d’un déploiement sur le cloud 

- Déploiement d’un modèle prédictif sur un serveur 

- Mesure et détection de la dérive des données 

- Application de correctifs dans le cadre de la résolution de bogues techniques et/ou fonctionnels

4) Gestion d'un projet d'intelligence artificielle

• Gouvernance du projet d’intelligence artificielle (IA)

- Définition de la gouvernance des données

- Définition des étapes du processus d’industrialisation et des livrables correspondants

- Suivi des bonnes pratiques d’industrialisation de projet

- Planification des moyens nécessaires à la bonne réalisation du projet d’IA

- Définition des solutions informatiques les plus adaptées à la politique informatique générale et aux besoins des utilisateurs ou du client

• Planification des tâches du projet IA

- Identification et mise en place des étapes d’un projet IA

- Identification des tâches à implémenter et ordonnancement de ces tâches grâce à un outil adapté 

- Estimation de la durée des tâches

- Détermination des ressources requises

- Formalisation des spécifications fonctionnelles attendues

- Production d’un document ressource qui rend compte de l'avancement du projet

- Rédaction de comptes-rendus d’avancement

• Communication de projet

- Tenue d’échanges avec les différents interlocuteurs : collaborateurs et clients

- Mise en œuvre des canaux de communication 

- Elaboration et tenue d’un tableau d’avancement de projet

- Reporting sur l’avancement du projet et ces étapes auprès des parties prenantes

• Pilotage du projet selon la méthode agile

- Mise en place de la vision agile dans le projet IA

- Mobilisation des collaborateurs autour du projet

- Répartition des rôles de chacun selon les compétences techniques et les conditions comportementales de chacun

- Management des équipes du projet

- Organisation de l’intelligence collective au sein du projet d’IA

Compétences attestées :

1) Analyser les besoins d'un client pour un projet d'intelligence artificielle

- Réaliser un audit de l’écosystème du client, en analysant sa cartographie des données, afin d’identifier ses besoins en développement d’application mettant en œuvre des techniques d’IA

- Réaliser une étude de faisabilité en mesurant les utilisations possibles de l’IA dans la structure, les complexités techniques, ainsi que la charge de travail associée, afin d’identifier les cas d’usage de l’IA et de produire les éléments de réponse technique 

- Réaliser une veille technique et technologie en collectant, classifiant et en analysant l’information, afin de maintenir à jour son expertise IA et aider à la prise de décision technique

- Emettre des recommandations d’usage de l’IA au client en utilisant une communication adaptée à un public non expert IA, afin de valider le projet avec lui

2) Concevoir une solution d'intelligence artificielle

- Préparer les données disponibles du client ou issues d’une base de données en sources ouvertes, en les nettoyant et structurant, en vue de leur utilisation par les algorithmes d’IA

- Concevoir le code source de traitement de données simple à réutiliser et à maintenir, afin de construire une architecture de code en environnement Data Science, tout en établissant  un langage commun entre concepteurs de solutions d’IA

- Mettre en place les procédures techniques et technologiques d'exploitation, en configurant les éléments nécessaires, afin de mener à bien tout projet de développement logiciel

- Concevoir une base de données relationnelle à l’aide de méthodes standards de modélisation de données, afin de développer la solution IA

- Concevoir le programme d’intelligence artificielle adapté aux données disponibles afin de répondre aux objectifs fonctionnels du projet, en utilisant les outils et les méthodes standards, notamment de Machine Learning et de Deep Learning

- Développer l’interaction entre les fonctionnalités de l’application et l’intelligence artificielle dans le respect des objectifs visés et des bonnes pratiques du domaine

3) Mise en production d'un système d'intelligence artificielle

- Déterminer le modèle mathématique (algorithme) adapté à la problématique de traitement de données IA, afin de développer une solution IA répondant aux attentes du commanditaire

 - Développer le back-end de l’application d’IA dans le respect des spécifications fonctionnelles et des bonnes pratiques du domaine, afin de construire la solution IA 

- Maintenir opérationnelle l’application d’IA chez le client, à l’aide des outils de monitorage, afin de détecter et réagir aux éventuels dysfonctionnements en appliquant des correctifs

4) Gestion d'un projet d'intelligence artificielle

- Etablir le processus organisationnel d’industrialisation, en définissant les étapes et les moyens nécessaires, afin d’optimiser la prise de décision tout au long du projet d’IA

- Planifier les tâches du projet IA en utilisant un outil adapté afin de prévoir la livraison du projet dans les temps impartis 

 - Communiquer avec les parties prenantes au projet en mettant en œuvre les canaux de communication nécessaires afin de rendre compte de l'avancement du projet 

- Mettre en place une démarche de travail selon la méthode agile en répartissant les rôles au sein d’une équipe agile pour faciliter la collaboration, accélérer le processus itératif et assurer la bonne exécution et livraison du projet

Modalités d'évaluation :

L’évaluation est réalisée à partir des blocs de compétences constituant le titre. Il s’agit d'un cas pratique, d'un examen écrit et de trois projets professionnels.