Formation Reconnaissance d'Image à l'aide de l'Intelligence Artificielle (Computer Vision) Introduction, marché et étapes d'un projet de Computer Vision

Le marché de l'Intelligence Artificielle (IA) est en pleine effervescence et en maturation continues. Il suscite beaucoup de fantasmes mais génère aussi des projets très concrets et attractifs sur le plan économique ainsi que pour la productivité pour les entreprises. Il n’existe pas une IA mais des IA différentes en termes de savoir selon les technologies et les domaines concernés.

Branche de l'intelligence artificielle et plus particulièrement de la vision par ordinateur, la Computer Vision est notamment dédiée à la reconnaissance d’image, à savoir l'ensemble des techniques de détection, d’analyse, et d’interprétation des images pour permettre la réalisation d’une action particulière. Elle fonctionne grâce à un réseau de neurones qui va être entraîné avec un jeu de données annoté.

Cette formation Reconnaissance d'image Intelligence Artificielle examine aussi bien l’angle technique que l’angle économique et métier afin de vous préparer à prendre des décisions avisées sur vos projets de Computer Vision. De cette manière, elle vous permettra d'être proche des acteurs opérationnels (développeurs, data analyste, etc.) pour les mener en production.

Objectif opérationnel : 

Savoir prendre des décisions avisées sur vos projets de Computer Vision.

Objectifs pédagogiques :

Concrètement à l'issue de cette formation Reconnaissance d'image Intelligence Artificielle, vous aurez acquis les connaissances et les compétences nécessaires pour :

• Comprendre les fondamentaux techniques de l’IA, ses concepts et son vocabulaire
• Comprendre les techniques et technologies de l’IA utilisées pour la reconnaissance d’image (OpenCV et DeepLearning)
• Savoir identifier les briques techniques existantes (algorithme, solution Cloud, etc.) et ce qu’il reste à produire dans un projet
• Identifier les compétences métiers nécessaires
• Savoir évaluer les coûts d’un projet Computer Vision et le ROI
• Valider les concepts, les technologies et la dimension projet à travers un cas concret

Les personnes ayant un profil technique et souhaitant approfondir leur compétences peuvent suivre directement la formation Computer Vision : Reconnaissance d'image avancée et cas pratiques avec OpenCV et le Deep Learning (ICVA).

Public :

Ce cours Computer Vision s'adresse aux DSI, Chief Digital Officer, Chief Data Officer, Chief Innovation Officer, Chief Information Officer, Directeurs de PME, Responsables de la qualité et Ingénieurs méthodes process.

Prérequis :

Aucun

Introduction à la Computer Vision et technologies associées

Les usages les plus fréquents
Introduction aux technologies Machine Learning / Deep Learning
Différents modes de représentation d’une image
Problématiques spécifiques à la reconnaissance d’image
Technologies IA utilisées pour la reconnaissance d’image : différence entre OpenCV et les techniques de Deep Learning

Le marché de la Computer Vision

La pluralité des offres sur le marché
Les caractéristiques
Alternative solution sur mesure propriétaire / licence à l'année pour l'utilisation d'une plateforme
Conseils et retours d’expérience

Structurer un projet de Computer Vision

Quel modèle retenir pour mon projet ?
Par où commencer ?
Savoir évaluer la maturité de son projet pour en évaluer le coût
Évaluer le retour sur investissement (ROI)

Les étapes classiques d’un projet de Computer Vision

Création du Dataset
Proof of Concept : validation de la faisabilité technique et mise à disposition d’un algorithme entrainé sur un dataset réduit
Pilote : entraînements et améliorations de l’algorithme dans les conditions réelles
Scale / Industrialisation : déploiement à grande échelle de l’algorithme
Le pilotage du projet (tableau de bord)
Pièges classiques à éviter

Un cas pratique portant sur un projet réel auquel a participé le formateur sert de fil rouge.

Contexte : « Vous allez livrer à une grande entreprise de la cosmétique un algorithme entraîné permettant de définir le niveau de rides d’un utilisateur de leur produit de customized skincare ».
Ce projet a pour but de rattraper et de dépasser la concurrence sur ce sujet.

Objectifs :

• Entraîner un algorithme avec un jeu de données RGPD compliant
• Définir les règles métiers afin d’optimiser la métrique de l'algorithme
• Constituer un dataset comprenant tous les types de rides / labellisation de la donnée
• Entraîner l’algorithme sur un premier set de data
• Définir un plan d’expérimentation pour améliorer l’algorithme
• Mise en production de l’algorithme