Vous pouvez évaluer vos compétences dans le système Linkedin
Il faut d’abord avoir un compte Linkedin
Curated from www.linkedin.com
Le blog de la formation continue
Vous pouvez évaluer vos compétences dans le système Linkedin
Il faut d’abord avoir un compte Linkedin
Curated from www.linkedin.com
Toutes les formations » réalisées sur le temps de travail des professionnels en chômage partiel seront prises en charge par l’Etat, selon le ministère du Travail.
Vérifiez bien les conditions car il y a toujours moyen que vous ne soyez pas éligible
Curated from www.europe1.fr
Webinar à l’initiative de Franck POULAIN Microsoft OCP France et de Xavier Raymond de l’IAMCP France à destination de l’éco-système Microsoft. Merci à eux.
Les informations qu’il faut quand il faut…
Curated from www.linkedin.com
https://www.actuia.com/contribution/laurent-cervoni/intelligence-artificielle-au-dela-des-donnees/
Les métiers et le marché de l’emploi se transforment notamment en fonction des nouvelles technologies. Il y aurait même 85% des emplois de 2030 qui ne seraient pas connus aujourd’hui. Ainsi, l’éclairage public a-t-il créé les fallotiers (allumeurs de réverbère) qui ont disparu avec l’électricité (qui a donc vu naître les électriciens). Aujourd’hui, les métiers en vogue en Intelligence Artificielle, sont ceux des Data Scientists, Ingénieurs ou Analystes, indissociables de la gestion des données, du Machine Learning et du Deep Learning.
Les applications ou les outils basés sur l’Intelligence Artificielle viennent compléter le travail d’un spécialiste, proposent une approche différente à un problème posé et communiquent parfois directement avec des utilisateurs (interface vocale ou textuelle).
Si le rôle des données est sans aucun doute important dans la construction d’un tel environnement, elles ne garantissent pas seules son bon fonctionnement et son acceptation.
En effet, au cours de l’histoire de l’Intelligence Artificielle, d’autres approches ont démontré l’intérêt de faire intervenir des profils de métiers différents.
Née à l’époque des Knowledge Base Systems (Systèmes à Base de connaissance), autour des année 80-90, la fonction des “cogniticiens“, ingénieurs de la connaissance, consistait à « comprendre un métier » pour l’enseigner à la machine.
La puissance de calcul et les capacités de stockage ne permettaient pas un apprentissage automatique à partir de données même si celles-ci pouvaient parfois être disponibles en quantité et qualité satisfaisantes.
Le cœur même des démarches d’IA était donc de tenter de comprendre au mieux le domaine à modéliser et de le décrire sous forme de règles, de faits (les données) et de métaconnaissances.
Cette approche reste nécessaire mais elle a, bien évidemment, évolué.
La nouvelle star de l’IA est le Data Scientist. La technicité des algorithmes, le nombre croissant de techniques et la maîtrise de leur fonctionnement nécessitent, en effet, un réel savoir-faire pour les identifier, comparer leurs performances et les adapter à une problématique spécifique.
Spécialiste de l’analyse des données, de leur mise en bonne forme et du choix des algorithmes, il/elle est donc indispensable à tout projet de Machine Learning ou Deep Learning
Cependant, il serait illusoire de penser que les données contiennent à elles seules tout le savoir-faire d’un domaine. Dans de nombreux cas, les données ne peuvent s’interpréter ou s’analyser qu’avec l’appui des experts du domaine à modéliser.
Un jeu de données n’a, en général, de sens qu’avec la maîtrise du contexte métier dans lequel il doit être exploité.
Par exemple, dans le cas d’un système d’aide à l’octroi de crédit, le Data Scientist s’appuie nécessairement sur un analyste de « risque crédit » pour déterminer les seuils pertinents de décision mais aussi l’impact et l’importance de certaines variables pour la décision et la performance du modèle à concevoir.
Dans le domaine médical, pour certaines pathologies, si l’IA est très performante dans la phase de diagnostic, l’intervention d’un médecin reste indispensable à l’interprétation des résultats et pour le suivi thérapeutique).
Ainsi, la vérification de la pertinence d’un apprentissage s’appuie sur une expertise métier. Et pour les situations d’apprentissage non supervisé, l’analyse des résultats et l’exploitation des classes obtenues est nécessairement le fruit d’une expertise.
Il se retrouve ainsi comme l’était le cogniticien des systèmes à Base de connaissance, à devoir recueillir et comprendre le savoir-faire des spécialistes concernés.
En outre, la « personnification » d’un outil d’Intelligence Artificielle requiert aussi un savoir-faire qui s’incarne dans un nouveau métier parfois appelé « ergoteller ». Particulièrement indispensable dans le cas d’un « robot conversationnel ou interactif », ce profil intervient pour donner de l’émotion à l’IA.
Enfin, les choix de conception d’une plateforme d’intelligence artificielle exigent aussi une dimension éthique adressée par un « Chief Ethic Officer » ou Ethicien.
Ainsi, la construction d’un projet d’IA, dans un domaine métier donné, passe par l’association du savoir-faire du Data Scientist, des compétences des experts métiers, d’un « cogniticien » pour faciliter l’expression de l’expertise et d’un designer pour satisfaire les attentes des utilisateurs.
Cette capacité à maîtriser les algorithmes, la gestion des données et la faculté à s’immerger dans une expertise métier pourrait faire naître une nouvelle espèce hybride : le « Data Cogniticien »…
Lire la suite sur: https://www.actuia.com/contribution/laurent-cervoni/intelligence-artificielle-au-dela-des-donnees/
Les débuts de l’histoire de Google
C’est en 1995 que Larry Page (alors âgé de 22 ans) et Sergey Brin (21 ans), étudiants en Informatique à l’Université de Standford aux Etats-Unis se rencontrent. Un an plus tard, fraîchement diplômés, ils décident ensemble de créer un moteur de recherche.
|