Certification professionnelle

Objectifs et contexte de la certification :

Dans un contexte de transformation numérique accélérée, l’intelligence artificielle (IA) s’impose comme un levier stratégique majeur dans de nombreux secteurs économiques. En France, les initiatives portées par la Stratégie nationale pour l’intelligence artificielle (SNIA) et le plan France 2030 reflètent une volonté de structurer un écosystème technologique performant et responsable. La certification Grade de Licence en Sciences et ingénierie "Intelligence Artificielle" de l’UTT s’inscrit dans cette dynamique en certifiant des professionnels capables de répondre aux besoins croissants des entreprises tout en intégrant les dimensions éthiques et réglementaires inhérentes à ces technologies.

L’adoption de l’IA transforme profondément les pratiques industrielles, économiques et sociétales. Des applications variées analyse de données massives, automatisation des processus, personnalisation des services – permettent aux entreprises d’améliorer leur efficacité et leur compétitivité. Cependant, ces avancées s’accompagnent de défis importants :

• Complexité technique : Développement et déploiement de modèles IA performants adaptés aux contraintes métiers

• Conformité réglementaire : Respect des cadres légaux en vigueur

• Problématiques éthiques : Garantir la transparence, la fiabilité et la durabilité des solutions IA

• Transition écologique : Réduire l’impact environnemental des technologies numériques.

Ces enjeux nécessitent des profils qualifiés, capables de maîtriser non seulement les aspects techniques, mais aussi les implications méthodologiques et organisationnelles des projets d’IA.

Face à ces besoins, le Grade de Licence en Sciences et ingénierie "Intelligence Artificielle"  certifie des professionnels immédiatement opérationnels, capables d’intervenir sur des projets technologiques variés. En tant qu’assistants ingénieurs, ils jouent un rôle essentiel dans l’analyse des besoins métiers, identifient les contraintes et proposent des solutions adaptées. Ils sont également formés à la gestion et à la gouvernance des données. En parallèle, ils acquièrent les compétences nécessaires au développement et à l’implémentation de modèles IA préentraînés, intègrent des solutions techniques dans des environnements variés et utilisent les outils existants. Ils assurent aussi le suivi de la gestion des projets IA et effectuent une veille technologique et réglementaire. En outre, ils développent des compétences en documentation et en communication des résultats, facilitant ainsi la prise de décision. Ils sont amenés à travailler en interaction avec des équipes multidisciplinaires et multiculturelles.

Enfin, cette certification constitue ainsi une réponse aux attentes du marché en certifiant des professionnels polyvalents, prêts à accompagner les entreprises dans leur transformation numérique, tout en répondant aux attentes d’un marché exigeant et en évolution constante. Les compétences acquises permettent de combler les besoins spécifiques des entreprises, tout en soutenant l’innovation technologique et en assurant une intégration éthique et durable des solutions IA dans les activités professionnelles.

Activités visées :

Dans le cadre de son emploi, l’assistant ingénieur en intelligence artificielle participe au développement, à l’évaluation et à l’intégration de solutions d’intelligence artificielle au sein d’équipes pluridisciplinaires .

Dans ce cadre, il met en œuvre un ensemble d’activités professionnelles :

• Identification et sélection de sources de données internes ou externes pertinentes pour les projets d’intelligence artificielle
• Collecte, structuration et préparation de jeux de données destinés à l’analyse et à l’entraînement de modèles d’apprentissage automatique
• Analyse exploratoire des données et production de visualisations permettant leur interprétation par les équipes métiers
• Analyse de problématiques métiers relevant de l’intelligence artificielle et identification des approches algorithmiques adaptées
• Préparation des jeux de données pour l’entraînement, la validation et le test des modèles d’intelligence artificielle
• Implémentation et paramétrage de modèles de machine learning ou de deep learning à partir d’environnements de développement adaptés
• Adaptation et optimisation de modèles d’intelligence artificielle existants pour répondre à des cas d’usage spécifiques
• Évaluation des performances des modèles et comparaison de différentes solutions algorithmiques
• Identification et correction des biais ou limites des modèles d’intelligence artificielle
• Production de rapports et de visualisations facilitant l’interprétation des performances des modèles
• Intégration de modèles d’intelligence artificielle dans des applications ou services numériques
• Participation au déploiement des solutions d’intelligence artificielle dans des environnements informatiques adaptés
• Mise en place de dispositifs de suivi et de supervision des modèles en production
• Participation au suivi opérationnel d’un projet en intelligence artificielle au sein d’une équipe pluridisciplinaire
• Documentation des solutions développées et gestion de la traçabilité des modèles
• Prise en compte des exigences réglementaires, éthiques et environnementales dans la conception et l’utilisation des solutions d’intelligence artificielle
• Réalisation d’une veille technologique et réglementaire sur les évolutions de l’intelligence artificielle

Compétences attestées :

Le Grade de Licence en Sciences et ingénierie  en "Intelligence Artificielle" atteste des compétences permettant aux diplômés d’intervenir sur l’ensemble du cycle de vie des projets IA, de la collecte des données à la mise en production des solutions :

S’approprier et visualiser des données

Recenser les sources de données internes et externes afin de déterminer leur pertinence, tout en garantissant la conformité avec les réglementations (RGPD, IA Act).

Récupérer les données utilisant des scripts Python, SQL, et des outils ETL afin de répondre aux besoins du projet.

Structurer et nettoyer les données brutes pour permettre leur exploitation dans des bases relationnelles ou non relationnelles en appliquant des techniques avancées (élimination des valeurs aberrantes, gestion des données manquantes) et en garantissant la gouvernance des données, conformément aux réglementations en vigueur.

Réaliser des analyses statistiques exploratoires sur les données afin d’identifier les tendances et relations entre variables, en utilisant des bibliothèques comme Pandas, NumPy, matplotlib.

Produire des visualisations interactives des données pour soutenir la prise de décision, en utilisant des outils comme Power BI ou Kibana, et en intégrant les standards d’accessibilité (RGAA, WCAG) prenant en compte les utilisateurs en situation de handicap.

Tester les visualisations produites afin de garantir leur compréhension et leur pertinence pour les utilisateurs y compris les personnes en situation de handicap

Construire et ajuster des solutions Machine Learning et IA

 Identifier les problématiques IA (classification, régression, clustering) afin de déterminer les approches les plus adaptées, en analysant les données disponibles et les objectifs métier.

Préparer les ensembles de données pour l’entraînement, les tests et la validation afin d’assurer la fiabilité et la robustesse des modèles, en appliquant des techniques de division, randomisation et équilibrage.

 Implémenter des solutions de machine Learning à partir des données disponibles afin de répondre aux besoins explicatifs ou prescriptifs du projet, en utilisant des bibliothèques Python telles que TensorFlow, PyTorch, scikit-learn.

Entraîner les solutions de Machine Learning sur les ensembles de données pertinents afin d’optimiser leurs performances prédictives tout en intégrant des pratiques écoresponsables pour minimiser la consommation d’énergie, en ajustant les hyperparamètres avec des techniques comme GridSearchCV ou Optuna.

 Développer des solutions Deep Learning adaptés aux données complexes (images, textes) afin de résoudre des problématiques spécifiques, en utilisant des architectures CNN, RNN ou transformers.

Représenter les données complexes en appliquant des techniques d’encodage, de vectorisation et de normalisation afin de garantir leur exploitabilité dans les solutions de Deep Learning.

Optimiser les solutions de Deep Learning en ajustant des hyperparamètres (learning rate, régularisation, dropout) afin d’améliorer leur robustesse et leur efficacité dans différents contextes.

Participer au développement des solutions de transfert Learning pour réutiliser des modèles préentraînés et les adapter à de nouveaux cas d’usage, en combinant différentes approches et frameworks.

Développer des solutions d’applications d’IA générative intégrant des modèles tels que des chatbots, des systèmes de reconnaissance visuelle ou des outils de traitement du langage (NLP) afin de répondre aux besoins métiers spécifiques en utilisant des modèles génératifs comme GPT ou BERT, tout en garantissant la conformité aux cadres réglementaires (RGPD, IA Act) et éthiques, ainsi que le respect des principes de souveraineté des données.

Adapter les solutions d’IA générative aux spécificités des projets afin d’optimiser leur pertinence et leur performance, en ajustant les paramètres en fonction des retours utilisateurs.

 Évaluer la qualité des contenus générés afin d’assurer leur cohérence, leur originalité et leur adéquation aux besoins, en utilisant des métriques d’évaluation spécifiques et des tests utilisateur.

 Assurer la conformité aux cadres éthiques et réglementaires (RGPD, IA Act) lors du développement des solutions, en veillant à la transparence et à l’interprétabilité des modèles pour respecter les exigences légales et les principes éthiques.

Tester et valider des solutions Machine Learning et IA

 Mesurer les performances des modèles à l’aide de métriques spécifiques (précision, rappel, F1-score, RMSE) en utilisant des bibliothèques comme scikit-learn et des outils comme MLflow pour sélectionner la solution la plus adaptée.

 Identifier et corriger les biais algorithmiques pour garantir l’équité et la robustesse des modèles en production, en utilisant des outils comme Aequitas ou Fairlearn.

 Comparer les résultats obtenus avec plusieurs algorithmes pour sélectionner la solution la plus pertinente en prenant en compte les retours des utilisateurs et des contraintes techniques, économiques et environnementales. 

 Ajuster les solutions IA en fonction des résultats des tests et des retours utilisateurs, en modifiant les paramètres des modèles ou en améliorant les algorithmes pour répondre aux besoins métiers.

 Rédiger des rapports techniques détaillant les résultats des solutions pour faciliter leur compréhension par les parties prenantes.

Produire des tableaux de bord visuels permettant de visualiser les performances des modèles IA et de faciliter leur interprétabilité et explicabilité, en intégrant des outils comme Power BI ou Tableau.

 Utiliser des techniques quantitatives d’interprétabilité et d’explicabilité afin de comprendre les décisions prises par le modèle.

Intégrer et mettre en production des solutions IA

Adapter les solutions IA pour leur intégration dans des environnements de production (on-premise, cloud AWS ou Azure) afin de garantir leur compatibilité avec les infrastructures existantes, en tenant compte des spécificités des systèmes.

 Contribuer au déploiement des modules nécessaires (backend, frontend, bases de données, API) pour assurer le bon fonctionnement des applications intégrant des modèles IA, en collaborant avec les développeurs et les équipes infrastructure.

Réaliser des tests fonctionnels et de performance (unitaires, intégration, end-to-end, non-régression) afin de valider le comportement et la robustesse des modèles dans les systèmes informatiques.

 Assurer l’accessibilité et l’ergonomie des solutions intégrées afin de garantir leur utilisation par des utilisateurs variés, en respectant les standards d’accessibilité et d’expérience utilisateur.

Garantir le niveau de journalisation et d’alerting des solutions IA pour faciliter le suivi, le diagnostic et la maintenance en cas de dysfonctionnements.

 Collaborer avec les équipes DevOps pour analyser et comprendre les besoins spécifiques liés au déploiement des modèles IA et participer à la conception des pipelines de déploiement et d’apprentissage automatique.

 Déployer les modèles IA dans des environnements de production en utilisant des outils de conteneurisation et orchestration (Docker, Kubernetes, MLflow) afin d’assurer leur scalabilité et leur fiabilité.

 Automatiser les pipelines de déploiement en intégrant des méthodologies de MLOps (intégration continue, test continu, déploiement continu, entraînement continu) pour réduire les délais de mise en production et améliorer la gestion des versions.

 Superviser les performances et les dérives des modèles en production afin de détecter les anomalies (concept drift, data drift) et garantir leur efficacité à long terme, en utilisant des outils comme Prometheus ou Grafana.

Mettre en place des processus de réentraînement des modèles pour assurer leur adaptation continue aux évolutions des données et des besoins métiers.

 Assurer le suivi des versions des solutions IA en utilisant des outils de gestion des versions (Git, DVC) pour garantir la traçabilité des modifications et la reproductibilité des modèles.

Participer à la gestion de projet IA et opérer une veille technologique et réglementaire

 Travailler avec des équipes pluridisciplinaires pour suivre l’avancement des projets IA, en utilisant des outils de gestion de projet comme Jira ou Trello

Rédiger des cahiers des charges pour formaliser les besoins, les contraintes techniques et les objectifs du projet, en tenant compte des spécifications métiers et des contraintes réglementaires.

 Définir et suivre des indicateurs de performance (KPI) adaptés pour mesurer l’efficacité des solutions développées et leur alignement avec les objectifs métiers.

 Documenter les solutions développées pour faciliter leur maintenance et leur compréhension par les parties prenantes.

Effectuer des revues périodiques du projet afin de valider les étapes clés et d’identifier les éventuelles difficultés, en appliquant les méthodologies adaptées selon la nature du projet

 Analyser les évolutions technologiques et réglementaires en IA pour identifier des opportunités d’innovation en matière de bases de données, les frameworks et les outils en effectuant une veille technologique continue.

 Assurer la conformité aux contraintes techniques, réglementaires et environnementales en intégrant des pratiques écoresponsables et en respectant les normes en vigueur afin de garantir la fiabilité, la durabilité et réduire les risques juridiques. 

Proposer des améliorations aux solutions IA existantes en fonction des résultats issus de la veille technologique et des benchmarks disponibles afin garantir leur pérennité face aux évolutions technologiques et optimiser leur intégration dans les processus métiers

Modalités d'évaluation :

• Examens écrits ou sur ordinateur

• Travaux pratiques (rapports et présentation)

• Études de cas 

• Cas pratiques

• Réalisation de projets individuels 

• Réalisation de projets collectifs 

• Mises en situation simulées/réelles

• Soutenances

• Périodes d’immersion en entreprise