Expert en intelligence artificielle

RNCP35975BC02Proposer et évaluer des prototypes d'IA

• B2C1. Apprentissage machine. Exploiter et valoriser les données disponibles au regard des spécifications fonctionnelles définies par les directeurs de produit, chefs de produit, et business analysts en utilisant les mécanismes d’apprentissage machine (Machine Learning, Deep Learning) et des plans d’expériences permettant la recherche des modèles d’apprentissage les plus adaptés pour répondre à ce besoin fonctionnel. B2C2. Réseaux de calcul. Utiliser et optimiser : les principes et les architectures d’un réseau de neurones (NPU), le temps de calcul des algorithmes de machine learning avec la programmation *PU (NPU et GPU), la latence des transferts de mémoire, afin de répondre aux besoins en calcul des algorithmes d’apprentissage supervisé et non-supervisé par ce biais. B2C3. Concurrence des calculs. Analyser l’environnement multiserveur et distribué de son organisation en veillant à optimiser et accélérer les temps de traitement sur site (on premise) et sur Cloud ainsi que la latence due aux transferts de mémoire afin de déterminer sur quelles machines confier les calculs. B2C4. Analyse de performance. Évaluer et démontrer la performance d’un prototype en IA avec les métriques standards et spécifiques, en vérifiant la fiabilité des résultats obtenus et en concevant un nouveau modèle efficient afin de corriger les biais, améliorer les traitements de données développés et optimiser les performances des modèles prédictifs dans le but de s’inscrire dans une démarche d’amélioration continue. B2C5. Fiabilité logicielleModéliser la fiabilité logicielle par algèbre de processus pour appliquer la détection de faille DoS (Denial of Service) due à une provocation des phénomènes de famine (starvation) ou d’interblocage (deadlock). Savoirs associés :Apprentissage machine, clustering, réseaux de neurones. Plan d’expériences. Algorithme évolutionniste, algorithme génétique, méthode stochastique, intelligence distribuée, système multi-agents. Programmation parallèle. Programmation

Évaluation : Étude de cas pratique et théorique sur la mise en œuvre de l’apprentissage machine dans une architecture data et de réseaux adaptés. 3 journées de préparation pour l’évaluation pratique, 1 heure d’évaluation théorique et 20 minutes de soutenance orale. Evalution à partir d'une reprise d’un projet en entreprise ou d’un projet de mise en situation professionnelle. Les critères d’évaluation sont appliqués au projet présenté. Le candidat est soumis par ailleurs à une épreuve théorique portant sur l’apprentissage machine et plan d’expérience, l’algorithmique en intelligence distribuée, la programmation concurrence, l'analyse de performance et la fiabilité logicielle Par la VAE : livret de présentation de l’expérience acquise complété le cas échéant par un entretien oral avec le jury.

RNCP35975BC03Acquérir et purifier les données

• B3C1. Disponibilité de la donnée. Analyser et mettre en œuvre des solutions d’architecture de bases de données relationnelles (Maria, Oracle, PostgreSQL, …), des optimisations en données clusterisées (Cassandra, Mongo, HDFS, ...), ainsi que des extensions par service tiers (Firebase, Heroku, Aurora, ...), pour déterminer les systèmes de gestion de base de données les mieux adaptés à rendre la donnée disponible en continue. B3C2. Acquisition. Analyser les demandes fonctionnelles de l’organisation en identifiant les données utiles et en déterminant leur nature, leur structure, leurs solutions de récupération, de cryptage et de stockage afin de cerner et reformuler les problématiques. B3C3. Purification. Concevoir les requêtes des données en s’appuyant sur les langages de programmation du marché (Python pandas/koalas/scikit-learn, Scala, JS, Spark, Query DSL – ElasticSearch, …) afin d’extraire et d’enrichir les données au moyen d’algorithmes adaptés. B3C4. Optimisation. Analyser l’architecture générale des données (ETL, batch DB, cluster DB, …) et leur acheminement (Runtime DB, Backoffice DB, …) afin de concevoir une architecture de flux de données en pipeline permettant d’agréger des types de données et des modes de collecte différents et ainsi proposer des traitements optimisés. B3C5. Interopérabilité. Intégrer, positionner et mettre à jour les API en interfaçant différents systèmes, notamment les applications mobiles (Netflix, Spotify, Uber, Amazon, …) afin de permettre l’échange et le traitement des données d’origine publique et/ou propriétaire. Savoirs associés :Base de données relationnelle SGBD. Base de données répartie SGBDR. Base de données à historique (historic data). ETL vs ELT warehouse. Processus d’API-sation. Indexation des données. Scripting en stream/pipeline, notion de base sur les lambdas (filter, mapreduce). Optimisation du dataflow, workflow, SaaS et composants on premise.

Évaluation : Étude de cas pratique et théorique sur la récolte et la requête des données utiles pour un projet de développement en IA (3 journées de préparation pour l’évaluation pratique, 1 heure d’évaluation théorique et 20 minutes de soutenance orale). Évaluation à partir de la reprise d’un projet en entreprise ou d’un projet de mise en situation professionnelle. Les critères d’évaluation sont appliqués au projet présenté. Par la VAE : livret de présentation de l’expérience acquise complété le cas échéant par un entretien oral avec le jury.

RNCP35975BC04Communiquer entre pairs dans une usine logicielle en livraison continue

• B4C1. Communication technique. Assurer une communication efficace et continue avec les acteurs externes (partenaires, fournisseurs, experts, …) en utilisant une communication directe et factuelle s’appuyant sur l’ensemble de ses savoirs techniques afin de transmettre les informations entre pairs et ainsi contribuer à rendre transparentes les solutions en IA de son organisation dans le cadre d’échanges constructifs sur les plateformes. B4C2. Culture DevOps/DevSecOps. Analyser la démarche d’automatisation des tests de sécurité de son organisation en décomposant l’ensemble des processus de production des applications et de la donnée sous la forme de cartographie de chaînes de valeur afin d’inscrire son chaînon du pipeline de livraison des données dans cette démarche dès l’étape de conception en vue d’identifier des axes d’amélioration et d’optimisation. B4C3. KPI/OKR. Organiser des échanges et des réunions avec les parties prenantes métiers de l’organisation en s’appuyant sur le vocabulaire et les termes adaptés à la cible, en appuyant son argumentation sur des indicateurs de performance (KPI) et en utilisant des outils de suivi de projet (roadmap, backlog, …) pour informer des avancées, enrichir les développements applicatifs et vérifier l’atteinte des objectifs métiers. B4C4. Amélioration continue.Collaborer avec l’ensemble de l’équipe impliquée dans le projet commun en participant à des ateliers adaptés, en tenant compte de tous les apports permis par l’expérience, les feedbacks et les veilles mises en place et en identifiant les enjeux de chacun par rapport aux problématiques métiers et aux résultats d’évaluation des performances obtenues sur les applications mises en œuvre afin de s’inscrire dans une démarche d’amélioration continue. Savoirs associés : Automatisation de la livraison logicielle. L’utilisation de source control et versionning. Construction d'une bug database. Processus de peer programming en différé avec code review/pull request. Processus de releas

Évaluation : Mise en situation sur l’évolution continue du logiciel en culture DevOps et DevSecOps (3 journées de préparation pour l’évaluation pratique, 20 minutes de soutenance orale). Evaluation à partir de la reprise d’un projet en entreprise ou d’un projet de mise en situation professionnelle. Les critères d’évaluation sont appliqués au projet présenté. Par la VAE : livret de présentation de l’expérience acquise complété le cas échéant par un entretien oral avec le jury.