• Présentation générale

    La filière IAD forme des ingénieurs aux méthodes de l'intelligence artificielle et de la science des données, au sens large. Sa spécificité est d'articuler deux cultures que l'on oppose souvent : l'IA symbolique (représentation des connaissances, raisonnement, agents) et l'IA numérique (analyse de données, apprentissage statistique et profond). C'est cette articulation qui distingue la filière d'une formation exclusivement orientée data science.

    Quatre domaines structurent la formation :

    • Données : analyse exploratoire et data mining, haute volumétrie, entrepôts, pipelines, qualité des données.
    • Connaissances : recueil et modélisation, formalismes logiques et sémantiques, ontologies et web sémantique, capitalisation.
    • Apprentissage : apprentissage supervisé, non supervisé et profond, apprentissage statistique, modèles génératifs.
    • Raisonnement, décision et incertitude : raisonnement logique et probabiliste, théorie des croyances, décision sous incertitude, optimisation, agents et systèmes multi-agents.

    S'y ajoutent des champs applicatifs (langage et recherche d'information, perception et vision, robotique, recommandation, interaction humain-IA) et des enjeux transversaux (biais et équité, explicabilité, robustesse, confidentialité, cadre réglementaire, frugalité).

    Chaque étudiant construit un parcours personnalisé en combinant les UV de base de la filière avec des UV complémentaires. Un projet de fin d'études présentant un lien fort avec les thèmes de la filière complète la formation.

    Pour aller plus loin : les supports de présentation de la filière (diaporama de l'amphi de rentrée).

    Débouchés : quatre familles de métiers

    Plutôt qu'une liste d'intitulés, les débouchés se lisent par familles d'activité. Chaque famille est rattachée aux UV qui y préparent : les UV de filière sont en gras, les autres sont conseillées en amont ou en complément.

    Famille et intitulés courants Activité UV
    Construire et gouverner la donnée
    Data Engineer, Analytics Engineer, architecte data, Data Steward    		 Concevoir et alimenter bases et entrepôts de données à partir de sources hétérogènes, industrialiser des pipelines, garantir la qualité, la traçabilité et la conformité des données (RGPD, AI Act). NF18 → NF26
    Analyser et modéliser
    Data Analyst, Data Scientist, ML Engineer, spécialisations vision ou TAL    		 Analyses factorielles, classification automatique, segmentation, analyse discriminante, arbres de décision, réseaux de neurones ; conception, évaluation et validation des modèles ; recherche académique ou industrielle. SY02, MT23 → SY09, SY19
    Intégrer et mettre en production
    AI Engineer, MLOps / LLMOps, ingénieur systèmes agentiques    		 Intégrer des modèles dans des applications, concevoir des systèmes de recherche augmentée (RAG) et des architectures d'agents, déployer et superviser en production. AI Engineer est aujourd'hui l'intitulé le plus recherché sur le marché. LO21, SR01, LO23, SR08 → LO17, IA04
    Structurer les connaissances et décider
    Ingénieur de la connaissance, consultant IA, AI Product Manager, référent IA responsable    		 Extraction, modélisation et capitalisation des connaissances, modélisation de processus d'entreprise, raisonnement à base de règles et de modèles, décision sous incertitude, dialogue avec les métiers. IA01, IA02 → IA03, IA04

    Voie recherche. Ingénieur R&D, doctorat académique ou CIFRE. La filière est adossée à l'équipe Connaissances, Incertitudes, Données (CID) du laboratoire Heudiasyc (UMR CNRS 7253) : TX, PR et stages peuvent s'y dérouler.

    Sur les intitulés de poste. Ils se renouvellent tous les deux ou trois ans. Prompt Engineer, apparu en 2023, a été largement résorbé : la compétence s'est diffusée dans l'ensemble des postes et le titre a été absorbé par AI Engineer. Ce qui reste stable, c'est le socle méthodologique : formaliser un problème, choisir une méthode et savoir en évaluer les limites.

    Secteurs

    La triple compétence en science des données, en gestion de données et en ingénierie des connaissances permet d'exercer dans des secteurs variés : santé, transport et mobilité, industrie et maintenance, énergie, défense et sécurité, banque et assurance, environnement, éducation. Les employeurs relèvent aussi bien des éditeurs de logiciels et des entreprises de services du numérique (ESN) que des directions data d'entreprises et d'administrations.

    Compétences visées

    La filière contribue principalement à la compétence C3 : concevoir et mettre en œuvre des systèmes de traitement et d'analyse des données et des connaissances, dont les trois composantes se valident par les UV suivantes :

    • C3-1 : représenter, modéliser et raisonner à partir de connaissances (formalismes logiques et sémantiques, ingénierie des connaissances, web sémantique) : IA01, IA02, IA03, IA04.
    • C3-2 : structurer et stocker des données, bases relationnelles et non relationnelles, exploitation pour l'aide à la décision : NF18, NF26.
    • C3-3 : analyser, traiter et modéliser des données par apprentissage automatique et statistique, indexation et traitement du langage naturel : LO17, SY09, SY19.

    La filière contribue également à C1 : concevoir et développer des logiciels, en particulier par IA04, qui valide la composante C1-4 (logiciels distribués, systèmes multi-agents, architectures orientées service). Les étudiants visant les métiers de l'ingénierie et de la mise en production de l'IA compléteront utilement par LO21 ou SR01 (C1-1), LO23 ou LO22 (C1-2), et par SR08, SR04 ou SR05 pour le volet infrastructure (C2-2).

    Les UV de la filière et leurs prérequis

    UV Intitulé Cat. Semestre Prérequis et conseils
    IA03 Techniques de modélisation, capitalisation et gestion des connaissances TM Automne Conseil : IA01
    IA04 Systèmes multi-agents TM Automne Conseils : IA01 et IA02
    LO17 Indexation et recherche d'information
    contenu élargi à l'IA générative et au traitement automatique du langage    		 TM Printemps Aucun
    NF26 Data warehouse et gestion de données en haute volumétrie TM Printemps Base de données relationnelle : NF18 ou équivalent
    SY09 Analyse de données et data mining CS Printemps Statistique : SY02 ou équivalent
    Algèbre linéaire : MT23, MT11, CPGE ou équivalent
    SY19 Apprentissage automatique (machine learning) TM Automne Statistique : SY02 ou équivalent
    TX / TZ / PR Projet en lien avec les thèmes de la filière   Automne et printemps Suivre la procédure indiquée sur ce site

    Accès aux UV de filière

    Ces enseignements ne sont pas réservés aux étudiants de la filière. Deux règles en gouvernent l'accès :

    1. Un prérequis obligatoire conditionne l'accès à l'UV : il doit avoir été validé ou être suivi en parallèle. Sans cela, l'inscription n'est pas possible, que l'on soit ou non dans la filière. En pratique, SY02 peut être suivie en parallèle de SY09 ou de SY19, et NF18 en parallèle de NF26.
    2. À prérequis satisfait, les étudiants de la filière sont prioritaires sur les étudiants hors filière lorsque les places sont limitées.

    SY02 est par ailleurs fortement recommandée avant d'entrer en IAD.

    ML01 et SY09 sont exclusives l'une de l'autre

    ML01 n'est pas une UV PSF-IAD et n'est pas autorisée en filière IAD. Son recouvrement avec SY09 est important, et SY09 va nettement plus loin. Deux conséquences :

    • si vous êtes en IAD, vous ne pouvez pas suivre ML01 ;
    • si vous avez déjà validé ML01 avant de rejoindre la filière, vous ne pourrez pas suivre SY09.

    ML01 s'adresse aux étudiants d'une autre filière souhaitant un complément en IA, pas aux étudiants d'IAD.

    UV connexes

    En complément, les UV suivantes peuvent être intéressantes :

    • RO04 : méthodes d'optimisation discrètes (utiles pour l'IA symbolique) et continues (utiles pour le machine learning).
    • RO05 : processus stochastiques.
    • SY06 : utile dans le cas de données 1D.
    • SY32 : machine learning sur l'image.

    Toute autre UV que vous jugez pertinente pour votre projet est également fortement encouragée.

    Poursuivre : le parcours AOS du Master

    Le parcours AOS du M2 à l'UTC permet d'approfondir la formation de la filière :

    • approfondir « analyser et modéliser » : AOS1 (avancées en apprentissage statistique), AOS2 (apprentissage profond), AOS6 (graph learning), ISCE (analyse avancée de données) ;
    • approfondir « décider sous incertitude » : AOS4 (décision multicritère et sous incertitudes), AOS5 (optimisation sous incertitude).

    Deux régimes sont possibles :

    • Avec inscription en parallèle en Master. Une UE de Master vaut 3 crédits (demi-UV). Le semestre de Master exige 15 crédits en Master ; le complément se fait par des UV de GI ou par des UE de Master comptant en PSF, dans la limite de 6 crédits.
    • Sans inscription en Master. Jusqu'à 2 UE (6 crédits) peuvent compter en PSF-IAD, mais ces étudiants ne sont pas prioritaires sur les places.

    Contact

    Toute question relative à la filière doit être adressée à resp-gi-iad@utc.fr. Merci de ne pas contacter les responsables individuellement : cette adresse garantit qu'une réponse vous parviendra.

◄Accueil
►Validation de la filière