Je consulte ma fiche formation, en Pays de la Loire.

Précisions de l’organisme de formation :

• Maîtriser les sources et méthodes de collecte de données.
• Développer la compréhension de l’apprentissage et des techniques de modélisation statistique.
• Concevoir des architectures IA à l’aide de services cloud.
• Gérer la performance en minimiser les impacts énergétiques.
• Prototyper avec des outils no-code.

• Identification des différentes sources de données structurées et non structurées internes (ERP, CRM, IoT) et externes (open data, base de données payantes) en lien avec le projet identifié
• Les différentes méthodes de collecte des données : IoT, APIs, web scraping, fichier plats, …) 
• Identification de la technologie de base de données adaptée (base de données relationnelles, base de données graphe, …)
• Risques juridiques et réglementaires liés à la collecte des données (RGPD) 

• Identification et choix des familles de techniques de modélisation statistiques (classification, régression, clustering) à appliquer pour différents cas d’usage d'IA 
• Choix des approches de modélisation et algorithmes (supervisées et non supervisées) adapté à la problématique métier à traiter
• Concepts de l’apprentissage statistique, machine learning, deep learning, algorithmes supervisés et non supervisés
• Reinforcement learning :principes, cas d'usage (optimisation de la prise de décision, automatisation des processus), algorithmes populaires (Q-learning, SARSA, DDPG)
• Métriques de suivi de performance du modèle adapté au cas d’usage et à la technique de modélisation retenue (RMSE, MAPE, Matrice de confusion, score F1, Precision & recall, …)

• Architecture et briques technologiques à assembler pour développer la solution d’intelligence artificielle (services managés AWS, Azure, OVH Cloud, Google Cloud, …)
• Construction PIPELINE pour maintenir la performance
• Démarche AI Ops pour maintenir la performance de la solution IA dans la durée (ML Ops, CI/CD, mise en place de système d’identification des drifts et anomalies dans les données d’entrée, contrôle de la qualité des données d’entrée et sortie du système IA)
• Prototypage de solutions IA avec des outils no-code (ex : Orange Data Mining, Dataiku, …) 
• Les impacts énergétiques de l’IA  (IA frugale)
• Python, Numpy, Pandas
• Prompt engineering
• Business intelligence vec Power BI
• Les contraintes big data, l'exploitation des données pour maintenir une solution IA

• Dans le cadre de la formation Chef de projet IA à distance de 70 heures, vous devez réaliser des études de cas et répondre à des QCM.
• Dans le cadre de la certification, vous devez réaliser 2 épreuves écrites.