Lead AI

Objectifs

Construire un système d'IA fonctionnel est une chose. Le piloter dans la durée, l' industrialiser, le sécuriser et l'aligner avec les contraintes réglementaires, organisationnelles et économiques en est une autre. La formation AI Lead s'adresse à des profils techniques souhaitant prendre de la hauteur et évoluer vers des rôles de référent, lead ou architecte IA. Elle vous apprend à concevoir et gouverner des systèmes d'intelligence artificielle complexes, déployés à grande échelle, tout en maîtrisant les enjeux de performance, de coûts, de conformité et de fiabilité. Vous développerez une vision globale des systèmes d'IA en production : gouvernance des données, régulation (AI Act, RGPD), architectures distribuées, infrastructures cloud et GPU, orchestration, MLOps avancé, évaluation continue et sécurité des systèmes d'IA générative. Cette formation est à l'état de l'art technique et la prise de décision : comment choisir une architecture, arbitrer entre coût et performance, anticiper les risques, structurer les équipes et garantir la pérennité des solutions d'IA dans le temps. À la fin de la formation AI Lead chez Jedha, vous serez capable de : - Concevoir et piloter des architectures d'IA complexes et distribuées - Mettre en place une gouvernance des données et des modèles (catalogage, traçabilité, contrôle des accès) - Intégrer les exigences réglementaires (RGPD, AI Act) dès la conception des systèmes - Optimiser l'utilisation des ressources de calcul (GPU, coûts, performance) - Orchestrer des pipelines MLOps & LLMOps avancés (déploiement, monitoring, évaluation continue) - Sécuriser les systèmes d'IA générative face aux risques opérationnels et éthiques - Porter un rôle de lead technique dans des projets IA à fort enjeu

Description

Module 1 – Data Governance 

• Gouvernance des données et des modèles, data maturity, modèles d'organisation data


• Intégration RGPD / AI Act dès la conception


• Data catalog, data lineage, contrôle d'accès (RBAC, y compris vector DB)


• Arbitrages coût / performance (TCO, FinOps, Buy vs Build)

• Architecture GPU, gestion mémoire, optimisation (OOM, FP16)


• Exécution de workloads IA sur Kubernetes + Helm


• Calcul distribué pour le ML et le Deep Learning avec Ray (local & cluster)

• Infra as code avec Terraform sur AWS (EC2, S3, IAM, réseaux)


• Gestion d'infras cloud complexes et reproductibles


• Orchestration de pipelines data / IA avec Airflow (DAGs, supervision

• Tests et validation de modèles (Pytest, unit & acceptance tests)


• Pipelines CI/CD avec GitHub Actions


• Entraînement continu et retrain automatisé (Airflow)


• Monitoring et détection de dérive avec Evidently

• Évaluation continue et amélioration par le contexte plutôt que le réentraînement


• GraphRAG avec base graphe (type Neo4j)


• Sécurisation des systèmes LLM (NeMo Guardrails, prompt injection, jailbreak…)

• Création d'une application MLOps / LLMOps de bout en bout


• Démonstration d'une architecture IA industrialisée, observable et défendable devant des décideurs