EXIN BCS Artificial Intelligence Foundation — Certification EXIN

Module 1 — Introduction à l'intelligence artificielle

• Définitions clés : IA, apprentissage automatique, IA générative, robotique
• Les trois grandes approches de l'IA : symbolique, statistique, connexionniste
• Concepts fondamentaux : algorithme, modèle, entraînement, inférence
• Types d'IA : IA faible (narrow AI) et intelligence artificielle générale (AGI)
• Repères historiques et grandes orientations futures

Module 2 — Impacts sociétaux, environnementaux et éthiques

• Répercussions de l'IA sur l'emploi, les compétences et l'organisation du travail
• Empreinte carbone des systèmes IA et leviers de réduction : écoconception, sobriété numérique
• Principes éthiques fondamentaux : équité, explicabilité, transparence, protection de la vie privée
• Cadre réglementaire et gouvernance : RGPD, AI Act
• Technologies complémentaires : cloud, IoT, robotique

Module 3 — Technologies et apprentissage automatique

• Chaîne de valeur de l'IA : collecte, préparation, entraînement, déploiement, supervision
• Fondamentaux du machine learning : apprentissage supervisé et non supervisé
• Gestion des modèles : surapprentissage, validation croisée, métriques de performance
• Introduction à l'IA générative et aux grands modèles de langage (LLM)
• La donnée comme composante centrale des systèmes d'IA

Module 4 — Données, qualité et gouvernance

• Critères de qualité des données : exactitude, complétude, fraîcheur, traçabilité
• Gouvernance des données : rôles clés (data owner, data steward) et responsabilités
• Principaux risques liés aux données et stratégies de mitigation
• Bonnes pratiques de visualisation et d'interprétation des données

Module 5 — Cadrage et opportunités de l'IA

• Méthode d'identification des cas d'usage IA alignés avec la stratégie de l'entreprise
• Analyse de la valeur, de la faisabilité et des risques d'un projet IA
• Construction d'un dossier de justification et d'un business case IA
• Estimation des coûts, des bénéfices et du retour sur investissement
• Élaboration d'un plan pilote ou d'un MVP (preuve de concept)

Module 6 — Conduite de projet et gouvernance de l'IA

• Parties prenantes et rôles : sponsor, métier, data scientist, MLOps, juridique, DPO
• Sélection de l'approche de gestion de projet adaptée : agile, itérative, expérimentale
• Gouvernance opérationnelle : politiques d'usage, comité IA, supervision et suivi des modèles
• Surveillance post-déploiement : dérives, qualité de service, équité algorithmique

Module 7 — Évolution des métiers et montée en compétences

• Nouveaux profils émergents : AI product manager, ML engineer, ethics officer, data steward
• Impacts de l'IA sur les métiers et les structures organisationnelles
• Stratégies de montée en compétences : reskilling et upskilling
• L'humain augmenté : collaboration entre expertise humaine et intelligence artificielle

Module 8 — Études de cas et retours d'expérience

• Analyse de cas concrets issus de différents secteurs d'activité
• Facteurs clés de réussite : qualité des données, portage managérial, adoption métier
• Causes d'échec fréquentes : cadrage insuffisant, dette data, défaut d'appropriation
• Transposition des enseignements aux projets IA des participants