Chatbot : créer son agent conversationnel
- Durée
- Durée :2 jours
- Niveau
- Niveau :Fondamental
- Certification
- Certification :Non
Intra uniquement
Aucune session prévue
Description de la formation Certification Intelligence Artificielle
PLB Consultant est partenaire officiel du PECB.
Ce partenariat nous permet de proposer les formations officielles du PECB conformément aux exigences du PECB : formateur PLB accrédité par le PECB, support de cours officiel du PECB, examen de certification PECB et unités FPC. Les sessions ont lieu chez PLB ou à distance.
Ce cours Certified Artificial Intelligence Professional (CAIP) aide les participants à acquérir les connaissances et les compétences nécessaires pour exceller dans des rôles liés à l'IA. Il couvre un large éventail de domaines, allant des concepts fondamentaux de l'IA aux applications avancées telles que le Machine Learning, le Deep Learning, le traitement du langage naturel, la robotique, la vision par ordinateur et les systèmes experts.
Il met également l'accent sur les pratiques responsables en matière d'IA, notamment la gestion des risques, l'éthique et la conformité, afin de garantir que les participants soient bien préparés à mettre en œuvre des solutions d'IA dans des scénarios réels.
Il prépare également à la certification Certified AI Professional (CAIP) de PECB.
Programme de la formation
Objectif opérationnel :
Savoir appliquer les principes de l’intelligence artificielle pour concevoir, entraîner et déployer des modèles adaptés aux besoins de l’entreprise.
Objectifs pédagogiques :
À l'issue de cette formation, vous aurez les connaissances et compétences nécessaires pour :
- Expliquer les principes fondamentaux de l'IA et ses différentes applications.
- Effectuer des analyses de données et créer des visualisations pertinentes pour soutenir les projets d'IA.
- Appliquer des techniques de Machine Learning à des problèmes concrets, notamment l'apprentissage supervisé, non supervisé et par renforcement.
- Mettre en œuvre des réseaux neuronaux simples et des architectures de Machine Deeep avancées telles que les CNN.
- Comprendre les systèmes de traitement du langage naturel (NLP) et les méthodologies de vision par ordinateur.
- Comprendre la robotique et les systèmes experts pour l'automatisation basée sur l'IA.
- Identifier et atténuer les risques liés à l'IA tout en garantissant la conformité aux réglementations.
- Développer des stratégies d'IA éthiques alignées sur les valeurs organisationnelles et les besoins sociétaux.
- Se préparer et passer la certification PECB® Certified AI Professional.
Jour 1
Approche pédagogique
Objectifs pédagogiques
Examen et certification
Histoire de l'IA
Machine Learning
Deep Learning
Réseaux neuronaux
Connaissances en IA
Informatique cognitive, sémantique et soft computing
Systèmes d'IA
Principes de l'IA
Virtualisation des données
Considérations éthiques dans l'analyse des données
Principes de conception, théorie des couleurs et perception visuelle
Outil populaire de visualisation des donnéesJour 2
Qu'est-ce que le Machine Learning ?
Concepts clés : modèles, algorithmes et apprentissages
Différents types de données
Théorème « No-Free Lunch »
Définition du problème et définition des objectifs
Collecte de données
Analyse exploratoire des données (EDA)
Nettoyage et prétraitement des données
Ingénierie des caractéristiques
Modélisation et évaluation
Déploiement et surveillance
Types de systèmes ML
Régression linéaire
Régression logistique
K-Nearest Neighbors (KNN)
Évaluation des modèles d'apprentissage supervisé
Apprentissage des règles d'association
Évaluation des résultats de regroupement
ML avancé et applications plus larges
Introduction à l'apprentissage par renforcement et applications
Introduction aux réseaux neuronaux
Systèmes de recommandation
Détection des anomalies
Études de cas sur Machine LearningJour 3
Linguistique fondamentale pour le langage naturel
Prétraitement du texte
Tronçonnage et lemmatisation
Mots vides et filtrage de base
Méthodes basées sur des règles ou méthodes statistiques
Marquage POS
Notions de base sur la reconnaissance d'entités nommées (NER)
Word embeddings
Document Embeddings
Classification de texte et analyse des sentiments
Biais et équité dans le NLP
Architectures encodeur, décodeur et encodeur/décodeur
Série GPT
Au-delà de GPT
Innovations dans les modèles spécialisés et de raisonnement
Ingénierie de prompt
IA conversationnelle et ChatGPT
Apprentissage par renforcement à partir des commentaires humains
Traitement du langage naturel multimodal
Génération de texte et cas d'utilisation créatifs
Gestion des hallucinations et des fausses informations
Neurones, couches et fonctions d'activation
Passage vers l’avant et rétropropagation
Régularisation
Initialisation et normalisation
Optimiseurs
Types de fonctions de perte
Surveillance des performances
Considérations relatives au GPU et au matériel
Perceptrons multicouches (MLP)
Notions de base sur les réseaux neuronaux convolutifs (CNN)
Architectures CNN courantes
Fondements des réseaux neuronaux récurrents
AutoML
Réglage des hyperparamètresJour 4
Types de modèles génératifs
Applications des modèles génératifs
Comprendre les auto-encodeurs
Principes de base des réseaux antagonistes génératifs (GAN)
Comment les GAN apprennent-ils ?
Traitement automatique du langage naturel (NLP)
Étude de cas : progrès médicaux grâce à l'IA
Étude de cas : les réseaux neuronaux Tesla
Étude de cas : ChatGPT par OpenAI
Représentation et traitement des images : notions de base
Techniques classiques de vision par ordinateur
Processus d'un modèle de vision par ordinateur
Deep Learning dans la vision par ordinateur
Sujets avancés et tendances actuelles
Outils et frameworks pour la vision par ordinateur
Défis et considérations éthiques
Composants clés des robots
Cinématique et mouvement
Perception robotique et IA
Système d'exploitation robotique (ROS) et outils
Applications robotiques
Cas d'utilisation : Zebra Medical Vision et Tesla Optimus
Défis, éthique et perspectives d'avenir
Divulgation d'informations sensibles
Vulnérabilité de la chaîne d'approvisionnement
Empoisonnement des données et des modèles
Traitement inapproprié des résultats
Agence excessive
Fuite des prompts système
Faiblesses des vecteurs et du gaufrage
Désinformation
Consommation énergétique
Deepfake
La supercherie du deepfake – étude de cas
Biais et équité dans l'IA
Responsabilité, transparence et interprétabilité des modèles d'IA
Mise en œuvre stratégique de l'IA
Gestion et mise en œuvre de projets d'IAJour 5
Exemples de sujets
Objectifs et structure de la formation
Informations généralesApproche pédagogique
Objectifs pédagogiques
Examen et certification
Concepts et principes fondamentaux de l'intelligence artificielle
Intelligence artificielle (IA)Histoire de l'IA
Machine Learning
Deep Learning
Réseaux neuronaux
Connaissances en IA
Informatique cognitive, sémantique et soft computing
Systèmes d'IA
Principes de l'IA
Analyse et visualisation des données
Analyse des donnéesVirtualisation des données
Considérations éthiques dans l'analyse des données
Principes de conception, théorie des couleurs et perception visuelle
Outil populaire de visualisation des donnéesJour 2
Fondements de la Data Science et du Machine Learning
Introduction à la Data ScienceQu'est-ce que le Machine Learning ?
Concepts clés : modèles, algorithmes et apprentissages
Différents types de données
Théorème « No-Free Lunch »
Workflow du Machine Learning
Comprendre le workflow du Machine LearningDéfinition du problème et définition des objectifs
Collecte de données
Analyse exploratoire des données (EDA)
Nettoyage et prétraitement des données
Ingénierie des caractéristiques
Modélisation et évaluation
Déploiement et surveillance
Types de systèmes ML
Apprentissage supervisé
Introduction et aperçu de l'apprentissage superviséRégression linéaire
Régression logistique
K-Nearest Neighbors (KNN)
Évaluation des modèles d'apprentissage supervisé
Apprentissage non supervisé
Exploration des algorithmes de regroupementApprentissage des règles d'association
Évaluation des résultats de regroupement
ML avancé et applications plus larges
Introduction à l'apprentissage par renforcement et applications
Introduction aux réseaux neuronaux
Apprentissage auto-supervisé
Introduction à l'analyse des séries chronologiquesSystèmes de recommandation
Détection des anomalies
Études de cas sur Machine LearningJour 3
Concepts fondamentaux du traitement automatique du langage naturel (NLP)
Pourquoi le NLP est-il important ?Linguistique fondamentale pour le langage naturel
Prétraitement du texte
Tronçonnage et lemmatisation
Mots vides et filtrage de base
Méthodes basées sur des règles ou méthodes statistiques
Marquage POS
Notions de base sur la reconnaissance d'entités nommées (NER)
Techniques de base et intermédiaires du NPL
Bag of Words (BoW) et TF-IDFWord embeddings
Document Embeddings
Classification de texte et analyse des sentiments
Biais et équité dans le NLP
Traitement automatique du langage naturel : transformateurs et grands modèles linguistiques
Le transformateur et le mécanisme d'attentionArchitectures encodeur, décodeur et encodeur/décodeur
Série GPT
Au-delà de GPT
Innovations dans les modèles spécialisés et de raisonnement
Ingénierie de prompt
Applications NLP et orientations futures
Traduction automatique et NLP multilingueIA conversationnelle et ChatGPT
Apprentissage par renforcement à partir des commentaires humains
Traitement du langage naturel multimodal
Génération de texte et cas d'utilisation créatifs
Gestion des hallucinations et des fausses informations
Concepts fondamentaux du Deep Learning
Qu'est-ce que le Deep Learning ?Neurones, couches et fonctions d'activation
Passage vers l’avant et rétropropagation
Régularisation
Initialisation et normalisation
Optimiseurs
Types de fonctions de perte
Surveillance des performances
Considérations relatives au GPU et au matériel
Architectures de Deep Learning et techniques avancées
Réseaux à action directePerceptrons multicouches (MLP)
Notions de base sur les réseaux neuronaux convolutifs (CNN)
Architectures CNN courantes
Fondements des réseaux neuronaux récurrents
AutoML
Réglage des hyperparamètresJour 4
Modèles génératifs et architectures spécialisées
Que sont les modèles génératifs ?Types de modèles génératifs
Applications des modèles génératifs
Comprendre les auto-encodeurs
Principes de base des réseaux antagonistes génératifs (GAN)
Comment les GAN apprennent-ils ?
Deep Learning et orientations futures
Véhicules autonomesTraitement automatique du langage naturel (NLP)
Étude de cas : progrès médicaux grâce à l'IA
Étude de cas : les réseaux neuronaux Tesla
Étude de cas : ChatGPT par OpenAI
Vision par ordinateur
Introduction à la vision par ordinateurReprésentation et traitement des images : notions de base
Techniques classiques de vision par ordinateur
Processus d'un modèle de vision par ordinateur
Deep Learning dans la vision par ordinateur
Sujets avancés et tendances actuelles
Outils et frameworks pour la vision par ordinateur
Défis et considérations éthiques
Robotique
Introduction à la robotiqueComposants clés des robots
Cinématique et mouvement
Perception robotique et IA
Système d'exploitation robotique (ROS) et outils
Applications robotiques
Cas d'utilisation : Zebra Medical Vision et Tesla Optimus
Défis, éthique et perspectives d'avenir
Sécurité de l'IA
Attaque par injection de promptsDivulgation d'informations sensibles
Vulnérabilité de la chaîne d'approvisionnement
Empoisonnement des données et des modèles
Traitement inapproprié des résultats
Agence excessive
Fuite des prompts système
Faiblesses des vecteurs et du gaufrage
Désinformation
Consommation énergétique
Deepfake
La supercherie du deepfake – étude de cas
Éthique de l'IA
Conception éthique de l'IABiais et équité dans l'IA
Responsabilité, transparence et interprétabilité des modèles d'IA
Gouvernance et stratégie en matière d'IA
Gouvernance et stratégie en matière d'IAMise en œuvre stratégique de l'IA
Gestion et mise en œuvre de projets d'IAJour 5
Préparation à l'examen de certification
Séances de questions-réponsesExemples de sujets
Examen de certification
Public cible :
Cette formation s'adresse aux :
- Professionnels de l'IA activement impliqués dans le développement et la mise en œuvre des technologies d'IA.
- Praticiens expérimentés en IA cherchant à approfondir leurs connaissances, à se tenir informés des dernières tendances et à affiner leurs compétences en leadership.
- Data Scientists chargés de développer et d'optimiser des modèles d'IA.
- Responsables informatiques supervisant les projets et initiatives liés à l'IA au sein de leur organisation.
Prérequis :
Une compréhension générale des connaissances de base en programmation est recommandée.
Il est également fortement recommandé de consulter les documents ci-dessous (liens) avant la session de formation afin de vous familiariser avec les concepts clés et de tirer le meilleur parti de la session :
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Cette formation vous prépare à l'examen de certification PECB Certified Artificial Intelligence Professional (CAIP) du PECB, compris dans le tarif de la formation. Il s'agit d'un examen « à livre ouvert ».
Durée : 180 minutes. Les candidats qui passent l'examen dans une langue qui n'est pas leur langue maternelle ou leur langue de travail peuvent bénéficier d'un temps supplémentaire de 25 %, soit 188 minutes au total.
Notation : il y a 80 questions, chacune valant 1 point. Il n'y a pas de notation négative. Les candidats doivent répondre correctement à 56 questions (70 %) pour réussir l'examen.
L'examen en ligne se déroule en ligne à distance dernier jour. En cas d'échec à l'examen, vous pouvez le repasser dans les 12 mois qui suivent sans frais supplémentaires.
Date de mise à jour du programme : 13/02/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage