Formations -> Compétences -> Certifications -> Métiers -> Emplois

Proposer et évaluer des prototypes d'IA

Item

Libelle

Proposer et évaluer des prototypes d'IA

Code

RNCP35975BC02

Liste des compétences

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 fonctionnelle, lambda-calcul, filter mapreduce. Fiabilité logicielle : algèbre de processus, pratique du TDD (Test Driven Development)

Modalités d'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.