Intelligence artificielle (IA) : déployer le modèle d’apprentissage le plus adapté aux besoins de l’entreprise

• Avoir une vision claire et précise de l'intelligence artificielle (IA)
• Comprendre les principaux modèles d'apprentissage du machine learning (supervisé, non supervisé, par renforcement) et les principes du deep learning (réseaux de neurones)
• Déterminer le modèle d’apprentissage le plus adapté aux problématiques et aux besoins de l’entreprise
• Utiliser une plateforme de prototypage et de déploiement d’une solution IA sans écrire une ligne de code (no-coding)

L’intelligence artificielle (IA) : introduction
Fondements de l’intelligence artificielle
Domaines et champs d’application

Comprendre les principaux modèles de Machine Learning
Apprentissage supervisé (régression, classification)
Apprentissage non supervisé (Clustering)

Les champs d'application de l'apprentissage profond (Deep Learning)
Les réseaux de neurones artificiels
. traitement des problèmes de régression et de classification
Les réseaux de neurones à convolution
. vision numérique (traitement d’images et de vidéos pour la reconnaissance de contenus spécifiques)
Les réseaux de neurones récurrents
. traitement des séries temporelles (composition musicale ou traitement du langage naturel, …)
Les réseaux de neurones GAN (Réseaux antagonistes génératifs)
. génération de contenus (images, vidéos ; les deep fakes, mais aussi amélioration de la qualité images et vidéos)
. illustration avec Midjourney ou DALL·E 2
Les transformers (architectures de réseau de neurones basées sur l'attention).
. modèle de réseaux de neurones le plus adapté au NLP (traitement du langage naturel)
. illustration avec ChatGPT

Déterminer le meilleur modèle de machine learning
Sélectionner le meilleur modèle en fonction du domaine métier, de la complexité de la problématique traitée, des besoins d’explication des résultats, du volume de données disponible, de la nature même des données
Illustration de ces modèles par plusieurs projets d’entreprise intégrant l'intelligence artificielle (IA)
Importance d’un bon paramétrage d’un modèle
Mesurer la qualité des résultats obtenus