Toute personne souhaitant comprendre les domaines d’application et les bénéfices de l’Intelligence Artificielle : dirigeants, DSI, chefs de projets, développeurs, architectes...
A l’issue de la formation, le stagiaire sera capable de d’analyser les apports potentiels de l’Intelligence Artificielle (IA) pour la mise en oeuvre de projets, en s’appuyant sur un vocabulaire commun et une vue d’ensemble des solutions, outils et technologies du marché.
avoir des connaissances générales en informatique et en gestion de projet numérique
|
| Définir et comprendre le concept d’Intelligence Artificielle |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Définitions et positionnement IA, deep learning et Machine Learning
Les apports du deep learning, état de l'art.
Outils disponibles. Exemple de projets.
Exemples, domaines d'application. Présentation de deepmind.
Démonstrations avec OpenAI (ChatGPT), Google Bard, AWS
|
|
| Connaître les principales solutions, outils et technologies déployés dans un projet d’IA |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Outils DeepLearning de haut niveau distribués : Keras/TensorFlow.
Non distribués : PyTorch, Lasagne
|
|
| Identifier les clés de réussite d’une solution d’Intelligence Artificielle |
Durée : 3h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Préparation des données, régularisation, normalisation, extraction des caractéristiques.
Optimisation de la politique d'apprentissage.
Exploitation des modèles, mise en production. TensorFlow Hub. Serving.
Visualiser les reconstructions.Atelier : mise en place d'un serveur de modèles et d'une application tf-lite
Mise en évidence des problèmes de convergence et du vanishing gradient.
Les erreurs d'architecture. Comment distribuer un réseau de neurones.
Les limites du DeepLearning : imiter/créer. Cas concrets d'utilisation.
|
|
| Appréhender les enjeux juridiques et éthiques de l’IA |
Durée : 1h30
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Propriété de la donnée, environnement juridique du traitement, sécurité.
Notion de loi extra-territoriales, champs d'application.
Impact des choix technologiques en matière d'analyse et de stockage de données.
|
|
| Comprendre les applications de l’IA à différents domaines |
Durée : 3h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Santé, industrie, finance.
Prévision : prospectives, gestion des stocks, négociations
Transformation des métiers : automatisation de tâches, robotique, refonte des modes de fabrication
L'IA au service de la protection des donnéesAtelier : Mise en oeuvre sur cloud AutoML : langages naturels, traduction, reconnaissance d'images, ...
|
|
| Appréhender les concepts de Machine Learning et Deep Learning |
Durée : 3h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Les réseaux de neurones : principe, différents types de réseaux de neurones (artificiels, convolutifs, récurrents, ...)
Fonctionnement d'un réseau de neurones. Comprendre le fonctionnement de l'apprentissage d'un réseau de neurones.
Apprendre à lire une courbe d'apprentissage.Atelier : Comparaison de courbes d'apprentissage avec TensorFlow sur plusieurs paramètres.
|
