Aller au contenu principal
Espace étudiant Découvrir nos programmes
Programme professionnel3 mois

Intelligence Artificielle & AI Engineering

Devenez capable de concevoir, intégrer et mettre en production des produits fiables fondés sur le machine learning, les LLM, le RAG et les agents IA.

Durée estimée
3 mois
Modules
8
Scolarité
129,00 €
Commencer l’inscription Savoir lesquelles de ces compétences votre CV démontre déjà
Intelligence Artificielle & AI Engineering

Votre promotion

Anita Borg

Inscriptions ouvertes

14 Places restantes

Présentation

À propos de ce programme

Ce programme s’adresse aux professionnels du logiciel et de la data qui souhaitent évoluer vers un rôle d’AI Engineer, ainsi qu’aux profils techniques en reconversion disposant déjà de bases solides en programmation. Il vous accompagne dans la construction de systèmes d’intelligence artificielle utilisables dans des produits réels, au-delà de l’expérimentation isolée. Le parcours couvre les principaux composants d’une solution moderne : préparation et exploitation des données, machine learning, traitement du langage, modèles de langage (LLM), génération augmentée par récupération (RAG), agents IA, évaluation, observabilité et mise en production. Chaque domaine est abordé sous l’angle des choix d’architecture, de la qualité des résultats, de la sécurité, des coûts et de la maintenabilité. Vous apprendrez à relier un besoin produit à une solution technique mesurable, à sélectionner une approche adaptée et à identifier ses limites. Les systèmes d’IA générative exigent notamment une évaluation spécifique : la pertinence des réponses, les erreurs de récupération, les hallucinations, la robustesse des instructions et le comportement des agents doivent être observés avant et après leur déploiement. L’objectif professionnel est de vous rendre opérationnel sur des missions d’AI Engineering : prototypage raisonné, intégration de modèles et de services, conception de chaînes de traitement, industrialisation et amélioration continue. Le programme ne promet ni emploi ni résultat commercial ; il fournit un cadre de progression pour construire des solutions d’IA documentées, évaluables et prêtes à être intégrées dans un contexte professionnel.

À qui s’adresse ce programme

  • Développeurs logiciels souhaitant concevoir et intégrer des fonctionnalités fondées sur l’IA.
  • Ingénieurs data ou machine learning souhaitant élargir leurs compétences aux LLM, au RAG et aux agents IA.
  • Ingénieurs backend ou full-stack évoluant vers des produits intégrant des modèles d’intelligence artificielle.
  • Profils techniques en reconversion disposant d’une expérience concrète en programmation et souhaitant viser un rôle d’AI Engineer.
  • Responsables techniques ou product engineers souhaitant mieux cadrer les choix d’architecture, d’évaluation et de mise en production liés à l’IA.

Prérequis

  • Pratique régulière d’un langage de programmation, de préférence Python, avec des fonctions, des modules, des structures de données et la gestion d’erreurs.
  • Bases en développement logiciel : Git, API HTTP, tests, environnements d’exécution et manipulation de données structurées.
  • Notions de SQL et capacité à lire, transformer et contrôler la qualité d’un jeu de données.
  • Compréhension élémentaire des probabilités, des statistiques descriptives et de l’évaluation d’un modèle.
  • Aisance avec la ligne de commande et les concepts de base du développement web ou des services backend.
  • Capacité à lire une documentation technique en anglais, les principales ressources et bibliothèques du domaine étant souvent publiées dans cette langue.

Objectifs pédagogiques

Ce que vous serez en mesure de démontrer.

  • Analyser un besoin produit et formuler un problème d’intelligence artificielle avec des critères de réussite observables.
  • Préparer des données et construire des solutions de machine learning adaptées à un cas d’usage, en interprétant leurs résultats et leurs limites.
  • Intégrer un LLM dans une application en maîtrisant les instructions, les formats de sortie, la gestion du contexte et les appels à des outils.
  • Concevoir une architecture RAG et en évaluer séparément la qualité de la récupération, de la génération et de la réponse finale.
  • Développer des agents IA capables d’orchestrer des étapes et des outils dans un périmètre contrôlé, avec des mécanismes de sécurité et de reprise.
  • Mettre en place une évaluation reproductible, une observabilité et des contrôles de qualité pour suivre le comportement d’un système d’IA.
  • Préparer la mise en production d’un service d’IA en tenant compte de la robustesse, de la confidentialité, des performances, des coûts et de la maintenabilité.
  • Documenter les choix techniques, les limites connues et les conditions d’utilisation d’un produit intégrant l’intelligence artificielle.

À l’issue du Programme

Votre Passeport ISIIL rend vos compétences visibles.

Les compétences que vous démontrez pendant ce Programme rejoignent un profil professionnel vivant, relié à leurs preuves et vérifiable en ligne.

Aperçu du Passeport ISIIL
ISIIL Vérifiable en ligne
TitulaireVotre identité
ProgrammeIntelligence Artificielle & AI Engineering

Profil de compétences

Les compétences réellement démontrées.

  1. Compétences démontréesValidées au fil du Programme
  2. Preuves associéesÉvaluations et réalisations reliées
  3. Page publiquePartageable selon vos choix
Un profil qui évolue avec votre parcoursVisibilité maîtrisée

Le Passeport se construit au fil de vos évaluations, puis vous choisissez les éléments que vous souhaitez partager.

Structure du programme

Un parcours académique clairement organisé.

Consultez en un regard la composition du programme, l’ordre des enseignements et les examens actuellement publiés.

Modules
8
Cours
31
Examens
8
Modules d’enseignement Cours et unités pédagogiques Examens
Module 01

Cadrage des problèmes d’IA et préparation des données

Relier un besoin produit à un problème d’intelligence artificielle formulé avec des critères observables, puis organiser, transformer et contrôler la qualité des données nécessaires à sa résolution.

  1. 1.1

    Cadrage produit et formulation d’un problème d’IA

  2. 1.2

    Collecte, gouvernance et qualité des données

  3. 1.3

    Exploration et préparation des jeux de données

0Aucun examen publié
Module 02

Machine learning appliqué

Construire et interpréter des solutions de machine learning adaptées à un cas d’usage, en reliant les choix de modèles, les résultats mesurés et leurs limites.

  1. 2.1

    Modélisation supervisée et pipelines de machine learning

  2. 2.2

    Validation et sélection des modèles

  3. 2.3

    Interprétation des modèles et analyse des erreurs

  4. 2.4

    Apprentissage non supervisé et détection d’anomalies

1examen publié
Module 03

Traitement du langage et intégration des LLM

Exploiter le traitement du langage et intégrer des modèles de langage dans une application en maîtrisant les instructions, le contexte, les formats de sortie et les appels à des services.

  1. 3.1

    Fondamentaux du traitement automatique du langage

  2. 3.2

    Conception des instructions et gestion du contexte des LLM

  3. 3.3

    Sorties structurées et intégration applicative des LLM

  4. 3.4

    Appels à des outils et flux de traitement pilotés par un LLM

1examen publié
Module 04

Architectures RAG et qualité des réponses

Concevoir une architecture de génération augmentée par récupération, puis distinguer et analyser la qualité de l’indexation, de la récupération, de la génération et de la réponse finale.

  1. 4.1

    Préparation et indexation des connaissances pour le RAG

  2. 4.2

    Conception de la récupération et du contexte

  3. 4.3

    Génération fondée sur les sources

  4. 4.4

    Évaluation et diagnostic des systèmes RAG

1examen publié
Module 05

Agents IA et orchestration contrôlée

Développer des agents capables d’orchestrer des étapes et des outils dans un périmètre maîtrisé, avec des mécanismes de sécurité, de contrôle et de reprise.

  1. 5.1

    Fondements des agents IA et de l’orchestration

  2. 5.2

    Outils, contexte et workflows agentiques

  3. 5.3

    Sécurité et contrôle des agents IA

  4. 5.4

    Robustesse et reprise des agents IA

1examen publié
Module 06

Évaluation et observabilité des systèmes d’IA

Mettre en place une évaluation reproductible et une observabilité adaptées aux modèles et aux systèmes génératifs, afin de suivre la pertinence, les erreurs, la robustesse et le comportement en fonctionnement.

  1. 6.1

    Concevoir une évaluation reproductible des systèmes d’IA

  2. 6.2

    Évaluer la qualité des systèmes génératifs

  3. 6.3

    Mettre en place l’observabilité et le suivi de qualité

1examen publié
Module 07

Industrialisation et mise en production

Préparer le déploiement d’un service d’IA en tenant compte de la robustesse, de la confidentialité, des performances, des coûts, de la maintenabilité et des contrôles de qualité.

  1. 7.1

    Architecture de déploiement des services d’IA

  2. 7.2

    Robustesse et fiabilité en production

  3. 7.3

    Sécurité et confidentialité des systèmes d’IA

  4. 7.4

    Performance et maîtrise des coûts d’exécution

  5. 7.5

    Livraison continue et maintenabilité des solutions d’IA

1examen publié
Module 08

Conception intégrée de produits fondés sur l’IA

Assembler les choix de données, de modèles, de RAG, d’agents et d’exploitation dans une solution cohérente, en documentant l’architecture, les limites connues et les conditions d’utilisation.

  1. 8.1

    Cadrage et architecture intégrée d’un produit IA

  2. 8.2

    Intégration de la chaîne IA de bout en bout

  3. 8.3

    Validation et arbitrages d’un système IA intégré

  4. 8.4

    Documentation et préparation à l’exploitation d’un produit IA

1examen publié

À l’échelle du programme

Les épreuves qui portent sur l’ensemble du parcours plutôt que sur un module.

1examen publié