Objectifs
La démarche présentée couvre l'ensemble du cycle de vie d'un projet intégrant des données et des services d'intelligence artificielle, de la collecte au déploiement et au maintien en conditions opérationnelles.
Elle débute par l'automatisation de l'extraction de données issues de sources variées : services web, pages web (scraping), fichiers, bases de données et environnements big data. Des scripts adaptés sont développés afin de fiabiliser et pérenniser la collecte. Des requêtes SQL sont conçues pour extraire efficacement les données depuis des systèmes de gestion de bases de données ou des architectures big data, en utilisant les langages propres à chaque environnement.
Les données collectées sont ensuite préparées : agrégation de sources multiples, suppression des entrées corrompues, homogénéisation des formats et structuration du jeu de données final. Une base de données conforme au RGPD est créée à partir de modèles conceptuels et physiques, puis alimentée par import des données préparées. Une API REST est développée afin de mettre le jeu de données à disposition des autres composants du système.
Une veille technique et réglementaire est organisée pour maintenir l'alignement du projet avec l'état de l'art. Les besoins en intelligence artificielle sont analysés, puis un benchmark de services existants est réalisé afin d'identifier les solutions les plus adaptées. Les services sélectionnés sont paramétrés conformément aux spécifications et intégrés au système d'information via des connecteurs et des API.
Lorsque nécessaire, un modèle d'intelligence artificielle est exposé via une API et intégré dans une application en respectant les normes d'accessibilité, de sécurité et de protection des données. Le modèle est monitoré à l'aide de métriques adaptées, avec des outils de collecte, d'alerte et de restitution permettant son amélioration continue. Des tests automatisés sont programmés pour valider les jeux de données ainsi que les phases de préparation, d'entraînement et d'évaluation, garantissant qualité et intégration continue.
Une chaîne de livraison continue est mise en place dans une approche MLOps afin d'automatiser validation, test, packaging et déploiement. Le besoin métier est analysé et formalisé sous forme de spécifications fonctionnelles. L'architecture technique est définie et la réalisation coordonnée en mode agile.
Les composants techniques et interfaces sont développés dans le respect des standards d'accessibilité, de sécurité et de gestion des données. Les tests sont automatisés via des outils d'intégration continue et un processus de livraison continue est configuré pour optimiser les déploiements. Enfin, l'application est surveillée grâce à des dispositifs de monitorage et de journalisation permettant la détection des incidents et leur résolution afin d'assurer performance, fiabilité et évolution continue du système.
Description
Module 1 — Extraction, gestion et préparation des données
Architecture et fonctionnement des bases de données relationnelles
Interrogation et manipulation de données avec SQL
Jointures, agrégations et transformations de données
Optimisation et débogage de requêtes
Modélisation et structuration des données
Organisation et automatisation des flux de données
Principes de gouvernance, qualité et conformité des données
Module 2 — Analyse de données avec Python
Fondamentaux de Python appliqués à l'analyse de données
Manipulation, nettoyage et transformation de données
Automatisation des traitements analytiques
Analyse exploratoire et segmentation de données
Exploitation d'API et collecte automatisée de données
Déploiement de traitements analytiques dans un environnement cloud
Développement et exposition d'une API de données
Module 3 — Data visualisation et restitution des analyses
Principes de la visualisation de données
Conception de tableaux de bord interactifs
Construction d'indicateurs et mesures analytiques
Choix et conception de représentations graphiques adaptées
Déploiement et partage de dashboards
Utilisation d'outils professionnels de data visualisation
Module 4 — Mise en pratique et validation des compétences
Exercices pratiques et études de cas
Évaluations continues
Réalisation d'un projet d'analyse de données à partir de données réelles
Production d'un livrable professionnel
Travail collaboratif en mode projet
Utilisation d'outils d'intelligence artificielle appliqués à la data
Module 5 — Certification professionnelle RNCP
Étude de cas d'automatisation d'un pipeline de données
Production d'un rapport technique
Préparation à la soutenance
Présentation orale du projet
Passage des épreuves certificatives
Module 6 — Accompagnement à l'insertion professionnelle
Construction du projet professionnel
Positionnement sur le marché de l'emploi dans les métiers de la data
Optimisation des outils de candidature
Préparation aux entretiens
Développement du réseau professionnel
Conditions d'accès
Justifier d au moins l une des conditions alternatives suivantes (conditions non cumulatives) :
Etre titulaire d un diplome de niveau Bac +2 ou equivalent ;
Justifier d une experience professionnelle d au moins deux (2) ans dans un domaine tertiaire, de preference en lien avec les technologies de l information ou le management ;
Avoir reussi le test d entree en formation organise par DataBird.
Rythme
Temps plein
Liste des sessions
DATABIRD
- 0643781954
- antoine@data-bird.co
Centre de formation
Lieu de formation