Certificat en Intelligence Artificielle
Ingénierie IA : développer des systèmes d'intelligence artificielle en entreprise
Le Certificat en Intelligence Artificielle est une formation certifiante en ingénierie IA, conçue pour les professionnels en activité et organisée pour être compatible avec l’exercice d’une activité professionnelle.
Le certificat
Le Certificat en Intelligence Artificielle est une formation certifiante en ingénierie IA, conçue pour les professionnels en activité et organisée pour être compatible avec l’exercice d’une activité professionnelle.
Vous apprendrez à...
- Maîtriser les bases du Machine learning et du Deep learning
- Explorer l'IA générative appliquée aux textes et aux images
- Appliquer des méthodes avancées d'IA aux séries temporelles
- Construire des agents IA avec des outils Open Source
- Implémenter des solutions performantes pour l'entreprise
- Mettre en œuvre l'IA dans un cadre réglementaire et éthique responsable
- Réaliser un projet concret
Programme
Le certificat s'articule selon deux axes principaux : le Deep learning d'une part et les modèles de fondation d'autre part, qui constituent aujourd'hui le cœur des approches modernes en intelligence artificielle.
Une remise à niveau en Machine learning (apprentissage supervisé et non-supervisé) précède l'apprentissage des architectures de réseaux de neurones : Deep Neural Network (DNN), Convolutional Neural Network (CNN) pour l'image, Recurrent Neural Network (RNN) pour les données séquentielles, puis celui des modèles de fondation — Large Language Model (LLM) pour le texte, Large Vision Model (LVM) pour la vision, et Time Series Foundation Models (TSFM) pour les séries temporelles.
Enfin, après avoir étudié la conception d'agents IA capables d'interagir avec leur environnement, les participants sont sensibilisés aux implications juridiques et éthiques liées à l'IA, afin de garantir une mise en œuvre responsable de ces technologies.
Public visé & prérequis
Cette formation est destinée aux personnes souhaitant acquérir une culture et des savoir-faire en intelligence artificielle.
Elle est ouverte aux titulaires d'un master (mathématiques, informatique, statistique...) ou d'un diplôme de niveau équivalent, ou aux personnes pouvant justifier d'une expérience technique d'au moins 3 ans dans le domaine de la data et/ou de l'intelligence artificielle. La maîtrise des fondamentaux du machine learning et du langage Python (numpy, pandas, matplotlib) constitue un prérequis.
Certification
Contrôle continu
Tests programmés tout au long du cursus pour valider l'assimilation des fondamentaux de l'intelligence artificielle.
Soutenance de projet
Projet commencé pendant la formation et achevé deux mois après la fin des cours, mettant en pratique les concepts étudiés sur un cas réel.
La validation du certificat est soumise à la réussite à ces épreuves, ainsi qu'à la présence obligatoire aux cours. En cas de réussite, le participant se voit décerner un Certificat en Intelligence Artificielle du Groupe ENSAE-ENSAI.
Pourquoi choisir ce certificat ?
- Un certificat d'intelligence artificielle à dominante scientifique et technique
Le programme repose sur les fondements statistiques et mathématiques de l'apprentissage automatique et du deep learning, et s'adresse à des professionnels souhaitant comprendre les modèles en profondeur, au-delà de leur simple utilisation. - Une progression structurée du machine learning aux modèles de fondation
Des méthodes classiques d'apprentissage supervisé (random forests, boosting, SVM) jusqu'aux modèles de fondation modernes appliqués au langage, à la vision et aux séries temporelles. - Une couverture approfondie du deep learning moderne
Réseaux de neurones profonds, CNN pour l'image, transformers pour le texte, mécanismes d'attention et entraînement de modèles à l'aide de frameworks standards du domaine. - Une compréhension technique des LLM et de leurs modes d'adaptation
Fonctionnement interne des LLM (tokenisation, vectorisation, attention), usages par API ou en local, RAG, fine-tuning supervisé et non supervisé, avec un regard critique sur les limites des modèles. - Une ouverture sur les modèles de fondation les plus récents
Large Vision Models (LVM), apprentissage auto-supervisé et modèles de fondation pour séries temporelles (TSFM), incluant des approches zero-shot pour la prévision. - Un focus avancé sur les architectures d'agents IA autonomes
Conception d'agents outillés et orientés graphe, gestion de la mémoire, intégration du RAG, sécurité, observabilité et passage à l'échelle des systèmes multi-agents. - Un cadre rigoureux intégrant enjeux juridiques et éthiques
RGPD, gestion des risques, biais algorithmiques, transparence et responsabilité dans le déploiement de systèmes d'intelligence artificielle. - Un projet tutoré pour consolider les acquis techniques
Un travail appliqué encadré sur plusieurs séances, permettant de mobiliser les concepts, méthodes et architectures étudiés tout au long du certificat.
Le certificat IA offre une vision cohérente et opérationnelle de l'intelligence artificielle moderne, des méthodes de machine learning et de deep learning jusqu'aux modèles de fondation appliqués au langage, à la vision et aux séries temporelles. Il met l'accent sur la compréhension des modèles, mais aussi sur leur utilisation concrète via API, RAG, fine-tuning et agents. Le parcours est complété par une sensibilisation aux enjeux juridiques et éthiques liés à l'usage des données et de l'IA, afin de permettre un déploiement à la fois efficace, responsable et conforme aux cadres réglementaires.
Machine learning
Ce module rappelle les fondamentaux de l’apprentissage statistique et les principales méthodes d’apprentissage supervisé (bagging et random forests, gradient boosting, SVM). Une attention particulière est portée au risque de sur-apprentissage et à ses palliatifs (découpage apprentissage / validation / test et validation croisée). Vous implémenterez ces méthodes à l’aide de Scikit-Learn et de ses pipelines de traitements.
Deep learning
Ce module explore les concepts avancés du Deep learning, sous-catégorie du machine learning qui s’appuie sur des réseaux de neurones profonds. Il introduit les bases conceptuelles (réseaux neuronaux, fonctions d’activation, backpropagation) et propose des applications concrètes sur des données structurées. Pour les images, les réseaux de neurones convolutifs (CNN) sont utilisés pour des tâches comme la classification. Pour le texte, des modèles de type transformers sont étudiés pour la classification (ex : analyse de sentiments) et la génération. Vous implémenterez ces méthodes à l’aide des frameworks TensorFlow / Keras et PyTorch.
Large Language Models (LLM)
Ce module présente les principaux concepts des LLM en détaillant successivement leurs caractéristiques « Grande Volumétrie », « Langage » et « Modèle de Fondation ». Il expose leurs principes de fonctionnement : tokenisation, vectorisation, mécanisme d’attention et génération de texte. Il présente les différentes manières d’utiliser les LLM, notamment l’utilisation par API et l’utilisation en local. Il fournit enfin les bonnes pratiques pour adapter un LLM à son propre corpus, via la génération augmentée de récupération (RAG) et la mise en œuvre de fine-tuning supervisé ou non.
Large Vision Models (LVM)
Ce module présente les principaux concepts des LVM en détaillant successivement leurs caractéristiques « Grande Volumétrie », « Vision » et « Modèle de Fondation ». Il expose les principes des réseaux de neurones appliqués à l’analyse des images (convolution, différentes couches du réseau…). Après avoir détaillé les techniques d’entraînement classiques, il aborde les apports des transformers pour les images et leur mise en œuvre, puis présente les concepts d’apprentissage auto-supervisé et leur fonctionnement.
Time Series Foundation Models (TSFM)
Cette introduction présente une nouvelle génération de modèles capables de prédire des séries temporelles sans entraînement spécifique sur les données de l’utilisateur (zero-shot forecasting). Après avoir présenté les apports des TSFM, la session explore l’écosystème actuel avant de guider les participants dans la réalisation d’une première prédiction simple.
Agents IA autonomes
Ce module propose une exploration approfondie des architectures d’agents IA, avec un accent particulier sur les approches par graphe et les frameworks modernes tels que LangGraph, CrewAI ou LlamaIndex. Les participants apprennent à concevoir des agents capables d’interagir avec des outils externes, à gérer la mémoire et le RAG, et à intégrer les principaux concepts de standardisation. Le module couvre également les enjeux de sécurité, d’observabilité et de fiabilité, avant d’ouvrir sur les architectures avancées (agents multimodaux, systèmes multi-agents) et sur les problématiques de passage à l’échelle.
Droit et éthique de la donnée
Ce module d’introduction aborde les aspects juridiques et éthiques liés à l’utilisation des données. Il couvre les réglementations comme le Règlement Général sur la Protection des Données (RGPD), qui régit la collecte, l’utilisation et la protection des données personnelles. L’accent est mis sur la conformité légale, la gestion des risques et la minimisation des biais algorithmiques. Sur le plan éthique, vous explorerez les dilemmes posés par l’IA et le machine learning, en particulier en matière d’équité, de transparence et d’impact social.
Intervenants
Le certificat est assuré par une équipe d'enseignants-chercheurs et de praticiens reconnus, mêlant expertise académique et expérience opérationnelle de pointe en intelligence artificielle.
Professeur des universités, Éric est le responsable pédagogique et scientifique de l’ENSAE-ENSAI Formation continue. Il a rédigé en collaboration de nombreux ouvrages scientifiques alliant théorie et applications. Il effectue sa recherche au Centre de Recherche en Economie et Statistique (CREST) et est régulièrement invité au Laboratoire National de Los Alamos.
Diplômée de l’INSA en informatique, Fei GAO est experte en data et analytics, spécialisée dans les données massives de santé. Elle exerce au Health Data Hub, où elle contribue à la mise en œuvre de standards d’interopérabilité et de traitements distribués (Spark) pour l’exploitation du Système National des Données de Santé. Elle conçoit et anime des formations avancées en data science (Python, R, SQL), machine learning, NLP et architectures Big Data, avec une forte orientation vers les applications concrètes et les environnements de production.
Thomas Kerdreux est CEO et fondateur de Galeio, une société qui développe des modèles de fondation et des agents pour les données complexes. Diplômé de l’École Polytechnique et docteur en optimisation pour le Machine Learning à l’ENS Paris, il a mené des travaux de recherche en intelligence artificielle en Europe et aux États-Unis, avant de cofondre aux États-Unis Geolabe, spécialisée dans l’exploitation de données satellites. Avec Galeio, il développe aujourd’hui une nouvelle génération d’IA capable de comprendre, raisonner et agir sur des données géospatiales, scientifiques et industrielles.
Vincent Lefieux est diplômé de l’ENSAI et titulaire d’un doctorat en statistique de l’Université Rennes 2. Après avoir exercé comme ingénieur-chercheur à EDF R&D puis à RTE R&D, il pilote aujourd’hui la feuille de route en intelligence artificielle de RTE. En parallèle de ses activités industrielles, il a enseigné depuis de nombreuses années la statistique, le machine learning et l’intelligence artificielle dans plusieurs grandes écoles d’ingénieurs, notamment à l’ENSAI et à l’École des Ponts ParisTech. Il a également été enseignant-chercheur associé à l’Université Pierre-et-Marie-Curie de 2010 à 2015.
Ingénieur diplômé de l’Ecole polytechnique en 2017, Alexandre a ensuite obtenu en 2020 un doctorat en climatologie au MIT. Après trois ans de postdoc à l’Université de Berne, en Suisse, il rejoint aux Etats-Unis Geolabe LLC pour travailler sur l’analyse d’images satellites appliquée à la surveillance des variations millimétriques de la surface terrestre et des émissions de gaz à effet de serre. En 2024, il revient en France pour cofonder Galeio, une entreprise spécialisée dans la création de modèles de fondation pour les données géospatiales.
FAQ
Vous hésitez encore ? Voici les réponses aux questions les plus fréquemment posées sur le Certificat en Intelligence Artificielle.
Oui. Le certificat est conçu pour des professionnels en activité, avec un rythme compatible avec une activité à temps plein.
Le certificat s’adresse aux personnes souhaitant acquérir une culture et des savoir-faire en IA, avec un positionnement scientifique et technique orienté ingénierie (deep learning, modèles de fondation, agents).
La formation est ouverte aux titulaires d’un master (mathématiques, informatique, statistique…) ou équivalent, ou aux personnes justifiant d’au moins 3 ans d’expérience technique en data et/ou IA. La maîtrise des fondamentaux du machine learning et du langage Python (numpy, pandas, matplotlib) est requise.
Le certificat représente 18 journées de formation de 7 heures (126 heures au total) et se déroule sur une période d’environ 7 mois.
La formation se déroule en présentiel à Issy-les-Moulineaux, dans les locaux de l’ENSAE-ENSAI Formation continue.
Le programme est structuré autour de deux axes : deep learning et modèles de fondation. Il couvre aussi une remise à niveau en machine learning, puis LLM (texte), LVM (vision), TSFM (séries temporelles) et la conception d’agents IA capables d’interagir avec des outils, ainsi qu’un volet droit et éthique.
Vous apprendrez notamment à maîtriser les bases du machine learning et du deep learning, explorer l’IA générative pour le texte et l’image, appliquer des méthodes avancées aux séries temporelles, construire des agents IA avec des outils open source, mettre en œuvre l’IA dans un cadre réglementaire et éthique, et réaliser un projet concret.
Les implémentations s’appuient sur des outils standards : Scikit-Learn (et ses pipelines) pour le machine learning, TensorFlow / Keras et PyTorch pour le deep learning, et des frameworks d’agents comme LangGraph, CrewAI ou LlamaIndex (avec mémoire et RAG).
Oui. Le module LLM couvre les principes de fonctionnement (tokenisation, vectorisation, attention, génération), l’usage par API ou en local, et les bonnes pratiques pour adapter un modèle à un corpus, notamment via la RAG et le fine-tuning (supervisé ou non).
Oui. Il inclut un module Large Vision Models (principes des réseaux appliqués à l’image, transformers pour la vision, apprentissage auto-supervisé) et une introduction Time Series Foundation Models (écosystème TSFM, prévision zero-shot et première mise en pratique).
Oui. En plus de tests de contrôle continu, les participants soutiennent un projet commencé pendant la formation et achevé deux mois après la fin des cours. La validation dépend de la réussite aux épreuves et de la présence obligatoire aux cours.
En cas de réussite, il est délivré un Certificat en Intelligence Artificielle du Groupe ENSAE-ENSAI.
Le prix du cursus est de 9 950 € HT (non soumis à la TVA).
Nos formations certifiantes sont en général éligibles au CPF, mais le Certificat en Intelligence Artificielle, plus récent, ne l’est pas encore. D’autres modes de financement peuvent être mobilisés selon votre statut.
