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

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