New

Formation - Certified Artificial Intelligence Professional (CAIP) - Certification PECB

Maîtriser les fondamentaux, les technologies et la gouvernance de l'intelligence artificielle pour concevoir et déployer des solutions d'IA responsables

Formation officielle

La formation Certified Artificial Intelligence Professional (CAIP) permet d'acquérir une vision complète de l'intelligence artificielle, du machine learning au deep learning, en passant par le traitement du langage naturel (NLP). Elle aborde également les enjeux d'IA responsable, de gouvernance, de gestion des risques et de conformité, afin de concevoir, déployer et piloter des projets d'IA fiables, éthiques et conformes aux bonnes pratiques du secteur.
Cette formation prépare à la certification Certified Artificial Intelligence Professional et inclus le voucher pour passer l'examen.

Choisir une session

Informations pratiques

Référence : IA611

Durée : 5 jours (35 heures)
Présentiel
Spécialisation
Certification incluse

Formation - Certified Artificial Intelligence Professional (CAIP) - Certification PECB

A qui s'adresse cette formation ?

Pour qui

Data scientists, Responsables informatiques, Responsables des risques et de la conformité
Responsables risques, conformité et gouvernance de l’IA
Professionnels de l’intelligence artificielle impliqués dans le développement et le déploiement de technologies d’IA

Les objectifs de la formation

Expliquer les principes fondamentaux de l’intelligence artificielle et identifier ses principales applications dans un contexte professionnel
Analyser des données et concevoir des visualisations pertinentes pour accompagner la réalisation de projets d’IA
Appliquer les techniques de machine learning à des problématiques concrètes, notamment l’apprentissage supervisé, non supervisé et par renforcement
Mettre en oeuvre des réseaux de neurones simples et des architectures avancées de deep learning, notamment les réseaux de neurones convolutifs (CNN)
Expliquer le fonctionnement des systèmes de traitement automatique du langage naturel (NLP) et les principales méthodologies de vision par ordinateur
Comprendre les principes de la robotique et des systèmes experts appliqués à l’automatisation pilotée par l’intelligence artificielle
Identifier, évaluer et atténuer les risques liés à l’IA tout en assurant la conformité aux réglementations applicables
Élaborer des stratégies d’IA éthiques et responsables, alignées sur les valeurs de l’organisation et les besoins de la société
Se préparer à l’examen et passer la certification PECB® Certified Artificial Intelligence Professional (CAIP)

Les points forts de la formation

Un programme étudié pour permettre aux participants de préparer le passage de la certification (compris dans le prix de la formation)
Cette formation prépare à la certification Certified Artificial Intelligence Professional et inclus le voucher pour passer l'examen
Une attestation de formation correspondant à 31 crédits de développement professionnel continu (DPC/CPD) est délivrée aux participants ayant suivi la formation

ib Cegos, certifié ISO 9001 et Qualiopi, garantit la qualité et la fiabilité de ses formations et certifications. En savoir plus

Prérequis

Une connaissance générale des bases de la programmation est recommandée
Disposez-vous des connaissances nécessaires pour suivre cette formation ? Testez-vous !

Le programme

Télécharger le programme

1 - Concepts et principes fondamentaux de l’intelligence artificielle

Définition et champ d’application de l’intelligence artificielle
Histoire et évolution de l’IA
Principes de l’apprentissage automatique ou machine learning
Principes de l’apprentissage profond ou deep learning
Fonctionnement des réseaux de neurones
Représentation et gestion des connaissances en IA
Informatique cognitive, sémantique et souple
Fonctionnement des systèmes d’intelligence artificielle

2 - Analyse et visualisation des données

Principes et méthodes d’analyse de données
Visualisation des données
Considérations éthiques liées à l’analyse des données
Principes de conception d’une visualisation efficace
Théorie des couleurs et perception visuelle
Présentation des principaux outils de visualisation de données

3 - Fondements de la science des données et du machine learning

Introduction à la science des données
Définition et principes de l’apprentissage automatique
Concepts clés : modèles, algorithmes et processus d’entraînement
Identification des différents types de données
Présentation du théorème du « No Free Lunch »

4 - Flux de travail d’un projet de machine learning

Comprendre les différentes étapes d’un workflow de machine learning
Définir le problème à résoudre et établir les objectifs du projet
Collecter les données nécessaires Réaliser une analyse exploratoire des données – EDA
Nettoyer et prétraiter les données
Réaliser l’ingénierie des caractéristiques ou feature engineering
Construire et évaluer les modèles
Déployer les modèles et surveiller leurs performances

5 - Apprentissage supervisé

Introduction et présentation générale de l’apprentissage supervisé
Mise en oeuvre de la régression linéaire
Compréhension de la régression logistique
Utilisation de l’algorithme des k plus proches voisins K-Nearest Neighbors ou KNN
Évaluation des modèles d’apprentissage supervisé

6 - Apprentissage non supervisé

Principes et cas d’usage de l’apprentissage non supervisé
Exploration des principaux algorithmes de regroupement ou clustering
Apprentissage et exploitation des règles d’association
Évaluation des résultats d’un processus de regroupement

7 - Machine learning avancé et applications élargies

Introduction à l’apprentissage par renforcement et à ses applications
Introduction aux réseaux de neurones
Principes de l’apprentissage auto-supervisé
Introduction à l’analyse des séries chronologiques
Fonctionnement des systèmes de recommandation
Détection des anomalies
Études de cas consacrées aux applications du machine learning

8 - Concepts fondamentaux du traitement automatique du langage naturel

Comprendre l’importance du traitement automatique du langage naturel NLP
Découvrir les notions fondamentales de linguistique appliquées au NLP
Prétraiter des données textuelles
Appliquer les techniques de racinisation et de lemmatisation
Gérer les mots vides et les opérations de filtrage élémentaires
Comparer les méthodes fondées sur des règles et les méthodes statistiques
Réaliser un étiquetage morphosyntaxique
Découvrir les principes de la reconnaissance d’entités nommées NER

9 - Techniques classiques et intermédiaires de NLP

Représenter les données textuelles avec Bag of Words – BoW – et TF-IDF
Comprendre les word embeddings Utiliser les document embeddings
Mettre en oeuvre la classification de texte et l’analyse des sentiments
Identifier et traiter les problématiques de biais et d’équité dans le NLP

10 - NLP moderne : Transformers et grands modèles de langage

Comprendre l’architecture Transformer et le mécanisme d’attention
Distinguer les architectures encodeur, décodeur et encodeur-décodeur
Découvrir la série des modèles GPT
Explorer les modèles de langage allant au-delà de GPT
Identifier les innovations liées aux modèles spécialisés et aux modèles de raisonnement
Appliquer les principes de l’ingénierie des prompts ou prompt engineering

11 - Applications du NLP et perspectives d’évolution

Conception de systèmes de questions-réponses
Génération de résumés automatiques
Traduction automatique et traitement multilingue du langage naturel
Fonctionnement de l’IA conversationnelle et de ChatGPT
Apprentissage par renforcement à partir de la rétroaction humaine
Principes du NLP multimodal
Génération de texte et cas d’usage créatifs
Gestion des hallucinations et de la désinformation produites par les modèles d’IA

12 - Concepts fondamentaux du deep learning

Définition et principes de l’apprentissage profond
Fonctionnement des neurones, des couches et des fonctions d’activation
Propagation avant et rétropropagation
Techniques de régularisation des modèles Initialisation et normalisation
Utilisation des optimiseurs
Principaux types de fonctions de perte
Surveillance et évaluation des performances
Considérations matérielles et utilisation des GPU

13 - Architectures de deep learning et techniques avancées

Fonctionnement des réseaux feed-forward
Architecture des perceptrons multicouches – MLP
Fondements des réseaux de neurones convolutifs – CNN
Présentation des principales architectures CNN
Fondements des réseaux de neurones récurrents – RNN
Principes et applications de l’AutoML
Ajustement des hyperparamètres

14 - Modèles génératifs et architectures spécialisées

Définition des modèles génératifs
Présentation des différents types de modèles génératifs
Principales applications de l’intelligence artificielle générative
Fonctionnement des autoencodeurs
Principes fondamentaux des réseaux antagonistes génératifs GAN
Comprendre le processus d’apprentissage des GAN

15 - Applications du deep learning et perspectives d’avenir

Utilisation du deep learning dans les véhicules autonomes
Applications en traitement automatique du langage naturel
Étude de cas : avancées médicales soutenues par l’intelligence artificielle
Étude de cas : réseaux de neurones de Tesla
Étude de cas : ChatGPT développé par OpenAI

16 - Vision par ordinateur

Introduction à la vision par ordinateur ou computer vision
Fondements de la représentation et du traitement des images
Techniques classiques de vision par ordinateur
Étapes de conception et de fonctionnement d’un modèle de computer vision
Utilisation du deep learning pour la vision par ordinateur
Sujets avancés et tendances actuelles
Présentation des outils et frameworks de vision par ordinateur
Défis techniques et considérations éthiques

17 - Robotique et intelligence artificielle

Introduction aux principes de la robotique
Présentation des principaux composants d’un robot
Cinématique et gestion du mouvement
Perception robotique et intelligence artificielle
Présentation du système d’exploitation pour robots ROS et de ses outils
Applications de la robotique
Études de cas : Zebra Medical Vision et Tesla Optimus
Défis techniques, enjeux éthiques et perspectives d’avenir

18 - Sécurité de l’intelligence artificielle

Attaques par injection de prompt
Divulgation d’informations sensibles
Vulnérabilités de la chaîne d’approvisionnement
Empoisonnement des données et des modèles
Mauvaise gestion des sorties générées par les modèles
Risques liés à une autonomie excessive des systèmes d’IA
Fuite des prompts système
Faiblesses des vecteurs et des représentations
Production et diffusion de désinformation
Création et détection des deepfakes

19 - Éthique de l’intelligence artificielle

Principes d’une conception éthique et responsable de l’IA
Identification et traitement des biais
Équité dans les systèmes d’intelligence artificielle
Responsabilité des différents acteurs
Transparence des systèmes d’IA
Interprétabilité et explicabilité des modèles

20 - Gouvernance et stratégie de l’IA

Principes de gouvernance de l’intelligence artificielle
Élaboration d’une stratégie d’IA alignée sur les objectifs de l’organisation
Mise en oeuvre opérationnelle et stratégique de l’IA
Gestion et déploiement des projets d’intelligence artificielle

21 - Passage de l’examen PECB Certified Artificial Intelligence Professional – CAIP

L’examen de certification est organisé en ligne après la formation
Préparation et inscription à l’examen :
- Révision des principaux concepts couverts par la certification
- Envoi d’un voucher permettant de passer l’examen à l’issue de la formation
- Création par chaque participant de son profil sur la plateforme PECB
- Sélection d’un créneau d’examen après validation du profil
- Téléchargement de l’application PECB Exams
- Connexion obligatoire à la plateforme 30 minutes avant le début de l’épreuve

22 - Modalités de l’examen

Examen de certification disponible en français
Durée de l'examen : 3 heures
Questionnaire à choix multiple
Score minimum requis pour réussir : 70 %
Utilisation des supports de cours autorisée pendant l’épreuve
Signature du Code de déontologie de PECB nécessaire pour obtenir la certification
En cas d’échec, possibilité de repasser gratuitement l’examen dans les 12 mois suivant la première tentative
Domaines couverts par la certification :
- Domaine 1 :  Concepts et principes fondamentaux de l’intelligence artificielle
- Domaine 2 :Analyse et visualisation des données
- Domaine 3 : Modélisation de l’apprentissage automatique
- Domaine 4 : Apprentissage profond et traitement automatique du langage naturel
- Domaine 5 : Connaissances et applications de la vision par ordinateur et de la robotique
- Domaine 6 : Sécurité de l’intelligence artificielle
- Domaine 7 : Éthique, gouvernance et stratégie de l’intelligence artificielle

Formation qui regroupe des participants de différentes entreprises au sein d'une même session fixe.

Prix

3 990,00 € HT

Consulter les dates et villes

Référence : IA611

Durée : 5 jours (35 heures)
Présentiel
Spécialisation
Certification incluse

Horaires

Nos formations débutent à 9h et se terminent entre 17h et 18h. Pour vous accueillir, nos centres sont ouverts dès 8 heures. Un petit déjeuner d'accueil vous est proposé avant la formation.

Évaluation

Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.

Choisissez votre prochaine session

Date de début

Date de fin

Lieu

Éligibilité

*Nous nous engageons à réaliser les sessions identifiées par "session garantie". Ces sessions sont maintenues sauf force majeure.

Places disponibles

Du 26 oct. au 30 oct. 2026

3 990,00 € HT

A Distance

Le lien de connexion à la formation à distance sera envoyé au participant quelques jours avant le début de sa formation.

S'inscrire

Places disponibles

Du 26 oct. au 30 oct. 2026

3 990,00 € HT

Paris

L'adresse du centre de formation sera communiquée 3 semaines avant le début de la formation

S'inscrire

Places disponibles

Du 7 déc. au 11 déc. 2026

3 990,00 € HT

A Distance

Le lien de connexion à la formation à distance sera envoyé au participant quelques jours avant le début de sa formation.

S'inscrire

Places disponibles

Du 7 déc. au 11 déc. 2026

3 990,00 € HT

Paris

L'adresse du centre de formation sera communiquée 3 semaines avant le début de la formation

S'inscrire

Formation - Certified Artificial Intelligence Professional (CAIP) - Certification PECB

Informations pratiques

A qui s'adresse cette formation ?

Pour qui

Les objectifs de la formation

Les points forts de la formation

Prérequis

Prérequis

Le programme

Forfait Intra

Cette formation est disponible

Horaires

Évaluation

Choisissez votre prochaine session