• Présentation générale

    La filière IAD a pour objectif de former les étudiants ingénieur aux techniques et méthodes d'Intelligence Artificielle et de Science des données au sens large.

    Les domaines abordés sont l'ingénierie des connaissances, l'apprentissage, l'ingénierie des données et les méthodes décisionnelles.

    Chaque étudiant de la filière pourra construire un projet personnalisé en combinant les UVs de base de la filière avec des UVs complémentaires ou intéressantes pour construire un projet particulier.

    Il sera aussi possible d'approfondir ces connaissances en se spécialisant avec un M2 parcours AOS plus spécialisé en IA et Science des données.

    Un projet de fin d'études devra compléter la formation avec un lien fort avec les domaines de la filière.

    Pour une description plus détaillée en vidéo : vidéo de présentation de la filière IAD.

    Formation

    La formation s'articule plus particulièrement autour de trois points : la constitution et la structuration de bases ou d'entrepôts de données, à partir de sources ou de systèmes parfois hétérogènes ; l'exploitation des données, via des outils d'analyse de données (data mining) et d'apprentissage automatique (machine learning) ; et la gestion des connaissances.

    Les ingénieurs issus de la filière IAD ont donc des compétences :

    • en bases de données, entrepôts de données, distribution de données et de calculs (UV NF26),
    • en analyse des données et en apprentissage machine : analyses factorielles, classification automatique, segmentation, analyse discriminante, arbres de décisions, réseaux de neurones artificiels, etc (UVs SY09 et SY19).
    • en gestion des connaissances : extraction et gestion de connaissances, capitalisation des connaissances,  indexation et recherche d'information, raisonnement à base de règles et de modèles, agents réactifs et cognitifs, etc. (UV IA03, IA04 et LO17)

    Les UVs de la filière et les prerequis sont :

    • IA03 (TM) : Techniques de modélisation, capitalisation et gestion des connaissances (semestre d'automne). Conseil : IA01.
    • IA04 (TM) : Systèmes multi-agents (semestre d'automne). Conseils : IA01 et IA02.
    • LO17 (TM) : Indexation et recherche d’information (semestre de printemps).
    • NF26 (TM) : Data warehouse et gestion de données en haute volumétrie. Prérequis : BDD relationnelle (NF18 ou équivalent). Statistique (SY02 ou équivalent).
    • SY09 (CS) : Analyse de données et data mining (semestre de printemps). Prérequis : Statistique (SY02 ou équivalent), Algèbre linéaire (MT23, MT11, CPGE ou équivalent).
    • SY19 (TM) : Apprentissage automatique (machine learning) (semestre d'automne). Prérequis : Statistique (SY02 ou équivalent).

    Ces enseignements ne sont pas réservés aux étudiants de la filière.

    Remarques :

    • SY02 est fortement recommandé pour faire IAD
    • ML01 n'est pas une UV PSF-IAD. Elle est fortement déconseillée si vous souhaitez faire IAD. Il y a un fort recouvrement avec SY09. Aussi, si vous avez fait ML01 vous ne pourrez pas suivre SY09. Cela serait vraiment dommage car d'après les anciens et anciennes, SY09 est l'UV phare de la filière à ne pas manquer. Enfin, si vous êtes déjà en IAD, vous ne pourrez pas la faire.

     

    UVs connexes

    En complément, les UV suivantes peuvent être intéressantes :

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

    Toute autre UV que vous trouvez intéressante pour votre projet est également fortement encouragée.

    Débouchés et domaines d'application

    Les débouchés principaux sont entre autres :

    Métiers traditionnels de l'IA

    • Data scientist
      Conception de méthodes d'apprentissage et d'analyse, évaluation des méthodes, recherche académique ou dans l'industrie, etc.
    • Data engineer
      Mise en oeuvre de méthodes d'apprentissage, conception de pipeline, analyse de données, business intelligence, etc.
    • Ingénieur de la connaissance
      Extraction et gestion de connaissances, modélisation de processus d'entreprise, capitalisation des connaissances, programmation web, etc.

    Métiers spécifiques à l'IA générative

     
    • Prompt Engineer
      Conception et optimisation des instructions pour les modèles génératifs, développement de stratégies de prompting, amélioration des performances des LLM.
    • AI Safety Engineer
      Assurance de la sécurité et de l'alignement des modèles IA, développement de mécanismes de contrôle, évaluation des risques.
    • LLM Operations (LLMOps)
      Déploiement et maintenance des modèles de langage en production, optimisation des performances, monitoring et scaling.
    • AI Trainer / RLHF Specialist
      Entraînement des modèles avec des retours humains, amélioration continue des performances, gestion des données d'entraînement.
    • Generative AI Product Manager
      Définition des produits basés sur l'IA générative, stratégie produit, coordination entre équipes techniques et business.

    Autres métiers émergents

    • MLOps Engineer
      Automatisation des pipelines de machine learning, déploiement continu de modèles, infrastructure ML, monitoring en production.
    • AI Ethics Specialist
      Veille aux aspects éthiques de l'IA, évaluation des biais, développement de frameworks éthiques, compliance réglementaire.
    • Computer Vision Engineer
      Développement de systèmes de vision par ordinateur, reconnaissance d'images, détection d'objets, analyse vidéo.
    • NLP Engineer
      Spécialisation dans le traitement du langage naturel, développement d'applications de compréhension et génération de texte.
    • AI Researcher
      Recherche et développement de nouveaux algorithmes, publication scientifique, innovation en IA, collaboration académique-industrie.
    • AI Product Designer
      Conception de l'UX/UI pour les produits IA, design d'interactions homme-machine, prototypage d'interfaces intelligentes.
    • AI Business Analyst
      Analyse de l'impact business de l'IA, ROI des projets IA, transformation digitale, stratégie d'adoption de l'IA.

    La triple compétence en science des données (data science), en management d’entrepôts de données (data management) et en ingénierie de la connaissance, très appréciée des entreprises, permet d’exercer un métier dans des secteurs d’activités très variés :

    • pour le compte d'entreprises spécialisées dans les technologies de l'information, en particulier les éditeurs de logiciels (Dassault, SAP, etc) ;
    • auprès d'entreprises ou d’administrations (banques, assurances, production industrielle, distribution, télécommunications, etc) ;
    • au sein de sociétés de services et d’ingénierie informatiques (SSII).
◄Accueil
►Validation de la filière