Bibliothèque Numérique ENI :
tous nos livres & vidéos, en accès illimité 24h/24. Cliquez ici
-100€ sur la Bibliothèque Numérique ENI. Cliquez ici
  1. Livres & vidéos
  2. L’Intelligence Artificielle au service des métiers de l'IT - Comprendre et maîtriser la révolution IA

L’Intelligence Artificielle au service des métiers de l'IT Comprendre et maîtriser la révolution IA

Informations

Livraison possible dès le 21 mai 2025
  • Livraison à partir de 0,01 €
  • Version en ligne offerte pendant 1 an
Livres rédigés par des auteurs francophones et imprimés à Nantes

Caractéristiques

  • Livre (broché) - 17 x 21 cm
  • ISBN : 978-2-409-04969-9
  • EAN : 9782409049699
  • Ref. ENI : EIIAIT

Informations

  • Consultable en ligne immédiatement après validation du paiement et pour une durée de 10 ans.
  • Version HTML
Livres rédigés par des auteurs francophones et imprimés à Nantes

Caractéristiques

  • HTML
  • ISBN : 978-2-409-04970-5
  • EAN : 9782409049705
  • Ref. ENI : LNEIIAIT

Les points forts du livre :

  • Une passerelle claire entre théorie fondamentale et applications concrètes,
  • Des outils pratiques pour les développeurs en contexte IA,
  • Une vision stratégique et prospective pour anticiper les mutations du secteur IT
Consulter des extraits du livre en ligne Aperçu du livre papier
  • Niveau Confirmé à Expert
  • Nombre de pages 636 pages
  • Parution mai 2025
  • Niveau Confirmé à Expert
  • Parution mai 2025

L’intelligence artificielle (IA) redéfinit notre monde et ce livre s’adresse aux professionnels de l’IT et aux curieux désireux de mieux comprendre cette révolution technologique. Alliant théorie, pratique et perspectives d’avenir, il propose une exploration complète des IA génératives et de leur impact sur le développement logiciel, les entreprises et la société. Il permet d'établir un diagnostic du niveau de maturité d'une entreprise et des étapes pour faire évoluer et industrialiser ses usages.

Le livre débute par une immersion dans l’histoire de l’intelligence artificielle, depuis ses fondations philosophiques et mathématiques jusqu’aux avancées contemporaines. Il met en lumière les étapes clés qui ont marqué son évolution, tout en examinant les enjeux éthiques et sociaux qui accompagnent son adoption croissante.

Les chapitres suivants offrent une présentation détaillée des fondamentaux de l’IA et de ses différentes approches, telles que l’apprentissage automatique, le deep learning et les Large Language Models (LLMs) comme GPT ou Gemini. Grâce à des explications claires et accessibles, le lecteur découvre les mécanismes sous-jacents, les techniques de RAG, de fine-tuning, ainsi que des cas d’utilisation concrets.

L’auteur explore également les enjeux stratégiques pour les entreprises, en montrant comment l’IA stimule l’innovation, optimise les processus et transforme les relations client. Des exemples et des études de cas enrichissent son propos, illustrant les défis et les opportunités liés à l’intégration de l’IA dans les organisations.

La suite du livre s’adresse particulièrement aux développeurs, avec des chapitres pratiques sur l’ingénierie des prompts, le debugging avec des IA génératives et la sécurisation des applications. Des outils comme Codex, ChatGPT et VertexAI sont mis en lumière, accompagnés de conseils pour exploiter leur plein potentiel.

Enfin, le livre se clôt sur une réflexion prospective, explorant les tendances émergentes des métiers du développement logiciel.

Avant-propos
  1. 1. L’intelligence artificielle au service des professionnels de l’informatique
  2. 2. Un mot sur l’auteur
  3. 3. À qui s’adresse cet ouvrage ?
  4. 4. Structure du livre
  5. 5. Remerciements
L’histoire de l’intelligence artificielle
  1. 1. Ce que nous allons découvrir
  2. 2. Les débuts de l’intelligence artificielle (1950-1960)
  3. 3. L’âge de l’optimisme (1960-1970)
  4. 4. La période de stagnation (1970-1980)
  5. 5. Renaissance de l’IA (1980-1990)
  6. 6. L’IA dans l’ère de l’Internet (1990-2000)
  7. 7. L’IA au 21e siècle
  8. 8. Conclusion
Les fondamentaux de l’intelligence artificielle
  1. 1. Ce que nous allons découvrir
  2. 2. Classification de l’intelligence artificielle
    1. 2.1 L’intelligence artificielle faible
    2. 2.2 L’intelligence artificielle forte
    3. 2.3 L’intelligence artificielle symbolique
    4. 2.4 L’intelligence artificielle connexionniste
  3. 3. L’intelligence artificielle générative
    1. 3.1 Les types d’IA génératives
      1. 3.1.1 Les réseaux de neurones génératifs
      2. 3.1.2 Les réseaux de neurones récurrents
      3. 3.1.3 Les réseaux de neurones génératifs variationnels
      4. 3.1.4 Les Transformers et les modèles de langage
  4. 4. Le Machine Learning
    1. 4.1 L'interconnexion entre IA générative, LLM et Machine Learning
    2. 4.2 L’apprentissage automatique : le Machine Learning
    3. 4.3 L’apprentissage supervisé (Supervised Learning)
    4. 4.4 L’apprentissage non supervisé (Unsupervised Learning)
    5. 4.5 L’apprentissage par renforcement (Reinforcement Learning)
    6. 4.6 Détection d’anomalies
    7. 4.7 Représentation des données
  5. 5. Les réseaux de neurones (Neural Networks)
  6. 6. Le traitement du langage naturel (NLP)
  7. 7. Le Deep Learning : apprentissage profond
  8. 8. Zoom sur les Large Language Models (LLM)
    1. 8.1 Définition technique des LLM
    2. 8.2 Comment fonctionnent les grands modèles de langage ?
    3. 8.3 Quelles technologies derrière les LLM ?
    4. 8.4 La combinaison gagnante
    5. 8.5 L'entraînement des LLM
    6. 8.6 L’évolution des grands modèles de langage
    7. 8.7 Paramètres d’un LLM
    8. 8.8 Facteurs de performance des LLM
    9. 8.9 Benchmark des LLM
    10. 8.10 DeepSeek V3 : l'IA chinoise qui bouscule les codes
    11. 8.11 Évaluation et transparence des LLM
    12. 8.12 Décembre 2024 : une sanction historique pour OpenAI
    13. 8.13 Limites et défis des LLM
    14. 8.14 Impacts des LLM sur les métiers de l’informatique
  9. 9. Le RAG, architecture et cas d’usage : l’exemple Google
  10. 10. Fine-Tuning
  11. 11. Conclusion
Enjeux stratégiques pour les DSI
  1. 1. Ce que nous allons découvrir et les prérequis
  2. 2. Comprendre l’impact de l’IA générative sur le paysage IT
  3. 3. Évaluer le potentiel de l’IA générative dans un système d’information
  4. 4. Critères de choix d’une IA générative en entreprise
    1. 4.1 Sécurité des données et maîtrise de la confidentialité
    2. 4.2 Qualité des contenus générés
    3. 4.3 Une IA personnalisable
    4. 4.4 Une IA simple d’utilisation pour les collaborateurs
    5. 4.5 Justification du retour sur investissement
    6. 4.6 Alignement avec les objectifs stratégiques de l’entreprise
    7. 4.7 Priorisation des projets pilotes à fort impact dans une DSI
    8. 4.8 Gestion du changement et accompagnement des équipes
  5. 5. Mesure de la valeur et ROI de l’IA générative dans les équipes
    1. 5.1 Définition de KPI spécifiques à l’IA générative
    2. 5.2 Suivi et optimisation des projets
      1. 5.2.1 Mise en place d’un tableau de bord
      2. 5.2.2 Analyse des écarts
      3. 5.2.3 Optimisation continue
      4. 5.2.4 Benchmarking
  6. 6. Poser un cadre méthodologique à l’adoption de l’IA
    1. 6.1 Matrice de mesure : retour sur investissement de l’IA
    2. 6.2 Comment déployer la matrice de mesure ?
    3. 6.3 Communication des résultats et gestion des attentes
  7. 7. Gouvernance et éthique de l’IA générative
    1. 7.1 Mise en place d’un cadre de gouvernance spécifique
    2. 7.2 Gestion des risques liés à l’IA générative (biais, hallucinations, propriété intellectuelle)
    3. 7.3 Conformité réglementaire et protection des données
  8. 8. Conclusion
Le prompt engineering au service des métiers de l’IT
  1. 1. Introduction
  2. 2. Introduction à l’ingénierie des prompts : comprendre les prompts et ce qui les influence
    1. 2.1 L’intérêt de bien « prompter »
    2. 2.2 Un élément indispensable : le LLM
    3. 2.3 La notion de token et la limite de jetons
    4. 2.4 La notion d’hallucination : quand l’IA déraille
    5. 2.5 La notion de température et le « coup de chaud »
    6. 2.6 La notion de « Top-p sampling » : le probabiliste
    7. 2.7 La notion de « Top-k sampling » : l’autre probabiliste
  3. 3. Règles de base pour concevoir des prompts efficaces
  4. 4. Exploration des différentes catégories de prompts
    1. 4.1 Prompt instructif : guider l'utilisateur avec précision
    2. 4.2 Prompt questions : susciter la réflexion et l'exploration
    3. 4.3 Prompt créatif : stimuler l'innovation et la résolution de problèmes
    4. 4.4 Prompt comparatif : analyser et choisir la meilleure solution
    5. 4.5 Prompt explicatif : clarifier les concepts et les processus
    6. 4.6 Prompt d'opinion : encourager la réflexion critique
    7. 4.7 Prompt de dialogue : simuler des interactions réalistes
    8. 4.8 Prompt persuasif : influencer les décisions et les actions
  5. 5. Méthodes de création de prompts
    1. 5.1 Priming : l’amorce
    2. 5.2 Prompts One-shot et Few-shot
    3. 5.3 Prompts Input-Ouput
    4. 5.4 Prompts Generated Knowledge
    5. 5.5 Prompts Chain of Thought
    6. 5.6 Prompts Self Consistency
    7. 5.7 Prompts Least to Most
    8. 5.8 Prompts Tree of Thoughts
    9. 5.9 Prompts Skeleton of Thought
    10. 5.10 Prompts Graph of Thoughts
    11. 5.11 Instruction Prompts
    12. 5.12 Reverse Prompts
    13. 5.13 Vérifier un résultat à l’aide d’un prompt
    14. 5.14 Sécurité et confidentialité des prompts
    15. 5.15 Tableau comparatif des catégories de prompts
  6. 6. Stockez votre créativité : les bibliothèques de prompts
    1. 6.1 L'importance des bibliothèques de prompts
    2. 6.2 Sources de bibliothèques de prompts
    3. 6.3 L'exemple de Anthropic
  7. 7. Évaluation de la performance des prompts
  8. 8. Conclusion : le prompt engineering, compétence ou profession ?
  9. 9. Annexe : bibliothèque de prompts
Outils d’assistance au code pour les développeurs
  1. 1. Introduction
  2. 2. Qu’est-ce qu’un assistant de code IA ?
  3. 3. De Notepad++ à IntelliJ IDEA avec GitHub Copilot
    1. 3.1 Le bloc-notes Notepad
    2. 3.2 Notepad++ : une évolution significative
    3. 3.3 Eclipse : un IDE polyvalent
    4. 3.4 IntelliJ IDEA : l'optimisation pour les développeurs
    5. 3.5 IntelliJ IDEA avec GitHub Copilot : l'IA au service du développement
  4. 4. Quelles options pour les développeurs ?
    1. 4.1 Replit AI : la révolution de l'environnement de développement intelligent
    2. 4.2 Amazon CodeWhisperer : l'assistant IA qui redéfinit le développement moderne
    3. 4.3 Tabnine : l’autre révolution de l’IA pour l’IT
    4. 4.4 GitHub Copilot : l'IA qui révolutionne le Pair Programming
    5. 4.5 Codium : l'alternative open source crédible à la programmation assistée par l’IA
    6. 4.6 Kodezi : l'Assistant IA nouvelle génération pour le développement
    7. 4.7 Gemini Code Assist : l'Intelligence Artificielle au service de l'excellence du code
    8. 4.8 Bloop : l'innovation dans le développement Scala assisté par IA
    9. 4.9 Sourcegraph Cody : l’autre révolution de l’IA dans le développement logiciel
    10. 4.10 Conclusion
  5. 5. Zoom sur la solution : GitHub Copilot
    1. 5.1 Les cas d’usages de GitHub Copilot
    2. 5.2 Le cadre d'utilisation de GitHub Copilot
    3. 5.3 Plans et tarifs de GitHub Copilot
    4. 5.4 Conditions préalables à l'utilisation de GitHub Copilot
    5. 5.5 Comment bien débuter avec GitHub Copilot ?
    6. 5.6 Aperçu des situations concrètes d’utilisation
    7. 5.7 Interaction avec GitHub Copilot
    8. 5.8 Les fonctions complémentaires de Copilot Chat
      1. 5.8.1 Fix
      2. 5.8.2 Tests
      3. 5.8.3 Explain
      4. 5.8.4 Convert
    9. 5.9 Liste complète des commandes GitHub Copilot Chat
    10. 5.10 Écrire une fonction en Python avec GitHub Copilot
    11. 5.11 Complétion de code avec GitHub Copilot
    12. 5.12 Explorer la complétion de code
    13. 5.13 Les options de GitHub Copilot
    14. 5.14 GitHub Copilot est-il meilleur que ChatGPT pour les développeurs ?
  6. 6. Les étapes d’adoption de GitHub Copilot : mesurer l’impact pour les développeurs
    1. 6.1 Comment évaluer le niveau de maturité de l'intégration de l'IA dans le cycle de développement logiciel ?
    2. 6.2 Comment mesurer l’impact sur la productivité de nos ingénieurs ?
    3. 6.3 Appliquons la méthode
    4. 6.4 Quels éléments mesurer ?
    5. 6.5 Une démarche d’évaluation de l’IA
  7. 7. Finalement, quel assistant de code choisir ?
  8. 8. Conclusion
La documentation de code avec l’IA générative
  1. 1. Introduction
  2. 2. Bonnes pratiques de la documentation logicielle
  3. 3. Comment l’IA améliore la qualité logicielle
  4. 4. La qualité passe par la documentation
    1. 4.1 Un condensé de texte
      1. 4.1.1 Documentation du code
      2. 4.1.2 Rapports de bugs
      3. 4.1.3 Articles de recherche
      4. 4.1.4 Journaux de modifications
      5. 4.1.5 Fils de discussion par e-mail
    2. 4.2 La modélisation thématique (prompt modeling)
      1. 4.2.1 Pour les développeurs
      2. 4.2.2 Pour les chefs de projets IT
    3. 4.3 La classification de texte
    4. 4.4 La traduction et la localisation
    5. 4.5 Les diagrammes au format Markdown avec l’IA générative
  5. 5. Outils de documentation du marché
    1. 5.1 Kite
    2. 5.2 Mintlify
    3. 5.3 Tableau comparatif de plusieurs outils
    4. 5.4 Exemple de prompt : clarificateur de code
  6. 6. Conclusion
Une IA sur son poste de travail
  1. 1. Introduction
  2. 2. Identifier le LLM qui répond à vos besoins
    1. 2.1 LeaderBoard : le premier benchmark LLM au monde difficile à contourner
    2. 2.2 LLM open source : l'importance de la taille du modèle
  3. 3. Ollama
  4. 4. Comment exécuter Ollama sur son poste de travail ?
    1. 4.1 Étape 1 - Installation de Docker
    2. 4.2 Étape 2 - Installation d'Ollama
    3. 4.3 Étape 3 - Choix et exécution d'un modèle
    4. 4.4 Étape 4 - Utilisation du modèle
    5. 4.5 Commandes basiques de Ollama
    6. 4.6 Les 10 modèles de langage les plus téléchargés
  5. 5. Comment intégrer Ollama dans votre IDE ?
  6. 6. Interroger un LLM en JavaScript avec Ollama
  7. 7. Conclusion
Sécurité sur les applications avec l’IA générative
  1. 1. Introduction à la sécurisation des applications avec l'IA générative
  2. 2. Attaques courantes et défis en sécurité
    1. 2.1 Les attaques courantes : une menace persistante
    2. 2.2 Les défis de la sécurité dans l’IA générative
  3. 3. Génération de données de test sécurisées
    1. 3.1 Générer un jeu de données de test
    2. 3.2 Générer un jeu de données de test pour un système réseau
    3. 3.3 Génération de données de test pour la messagerie
    4. 3.4 Génération de données de test pour un système de gestion de fichiers
  4. 4. IA générative dans la détection d'intrusions
    1. 4.1 Projet de test d’intrusion
    2. 4.2 Détecter des attaques de déni de service
    3. 4.3 Détecter des attaques de phishing
    4. 4.4 Détecter des attaques de malware
    5. 4.5 Détecter des anomalies dans le trafic réseau
  5. 5. Renforcement de la sécurité des applications web
    1. 5.1 Vulnérabilité XSS
    2. 5.2 Génération de règles de pare-feu dynamiques
    3. 5.3 Sécurisation des applications contre les attaques courantes dans le domaine web
    4. 5.4 Prévention des injections SQL
  6. 6. Évaluation et validation des modèles de sécurité générative
    1. 6.1 Techniques d'évaluation de la performance des modèles génératifs en sécurité
    2. 6.2 Validation des résultats générés pour assurer une prise de décision précise
    3. 6.3 Prompts de dialogue : simuler des interactions réalistes
    4. 6.4 Détection de menaces : identifier les comportements malveillants
    5. 6.5 Classification de comportements : catégoriser les comportements
    6. 6.6 Simulation de scénarios : évaluer les risques
    7. 6.7 Analyse de données : identifier les tendances
  7. 7. IA et RGPD : sont-ils compatibles ?
  8. 8. Conclusion
L’IA pour les Ops et AIOps
  1. 1. Ce que nous allons découvrir
  2. 2. Concepts de base à la compréhension de l’Ops à l’AIOps
  3. 3. La convergence de l’IA et du DevSecOps
    1. 3.1 L'importance de l'IA prédictive pour les équipes DevSecOps
    2. 3.2 L’AIOps, ce nouveau métier
  4. 4. L’IA pour les Ops et AIOps : concepts appliqués
    1. 4.1 Surveillance et gestion des systèmes
    2. 4.2 Automatisation des tâches de déploiement
    3. 4.3 Sécurisation des environnements DevOps
    4. 4.4 Optimisation des performances et de la scalabilité
    5. 4.5 Gestion des incidents et résolution automatisée
    6. 4.6 Automatisation des mises à jour de sécurité
    7. 4.7 Analyse prédictive des performances
    8. 4.8 Gestion des configurations avec l'IA
    9. 4.9 Automatisation des tests de sécurité
    10. 4.10 Intégration continue de la sécurité (DevSecOps)
    11. 4.11 Scripting Python
    12. 4.12 Génération de Dockerfiles
    13. 4.13 Génération d’un manifeste Kubernetes pour un déploiement MongoDB
    14. 4.14 Script Python pour la création automatique de sauvegardes pour une base de données MongoDB
    15. 4.15 Génération de données réalistes pour l'entraînement et les tests de sécurité
    16. 4.16 Automatisation de la rédaction de rapports de sécurité et de conformité
    17. 4.17 Création de politiques de sécurité personnalisées en fonction des besoins de l'organisation
    18. 4.18 Détection d'anomalies comportementales
  5. 5. GitLab pour le DevSecOps renforcé par l’IA
    1. 5.1 GitLab depuis 2023
    2. 5.2 GitLab, explique-moi cette vulnérabilité
  6. 6. Conclusion
L’IA pour les métiers de la data
  1. 1. Introduction
  2. 2. Création de modèles conceptuels de données avec l’IA et normalisation
  3. 3. Optimisation de bases de données à l'aide de l'IA générative
  4. 4. Migration de base de données avec l’IA générative : l’exemple SQL Server vers PostgreSQL
  5. 5. Analyse des logs Data et surveillance des systèmes
  6. 6. Normalisation des modèles en 3FN avec l’IA générative
    1. 6.1 Première Forme Normale (1FN)
    2. 6.2 Deuxième Forme Normale (2FN)
    3. 6.3 Troisième Forme Normale (3FN)
    4. 6.4 Exemple concret : avant et après optimisation
      1. 6.4.1 Scénario avant optimisation
      2. 6.4.2 Scénario après optimisation
    5. 6.5 Problèmes courants dans un script de création de base de données non optimisé
  7. 7. L'IA générative pour la transformation de données
    1. 7.1 Extraction de données
    2. 7.2 Transformation des données
    3. 7.3 Réduction des erreurs humaines dans le processus de transformation
    4. 7.4 Optimisation des performances de chargement pour gérer de grands volumes de données
  8. 8. La prise de décision basée sur les données
  9. 9. Conclusion
L’IA au service des métiers du test
  1. 1. L'IA au service de la qualité logicielle
  2. 2. L'évolution des test logiciels : un voyage à travers les décennies
    1. 2.1 1980 - 1990 : l'ère des tests manuels
    2. 2.2 1990 - 2000 : l'avènement des outils d'automatisation lourds
    3. 2.3 2000 - 2010 : la robustesse et l'open source
    4. 2.4 2010 - 2018 : l'échelle et le DevOps
    5. 2.5 Le futur : les tests autonomes et l’intelligence artificielle
  3. 3. L'IA générative : un allié puissant pour les testeurs et les QA
    1. 3.1 Les tendances et les opportunités de l'IA dans les métiers du test
      1. 3.1.1 Les systèmes de test autonomes alimentés par l'IA
      2. 3.1.2 L'intégration de l'IA dans les pratiques DevOps
      3. 3.1.3 Les opportunités de l'IA dans les métiers du test
  4. 4. Les challenges de l’IA générative à relever pour les testeurs
    1. 4.1 La création de tests inutiles
    2. 4.2 Les exigences de calcul élevées
    3. 4.3 L'adaptation des flux de travail
    4. 4.4 La dépendance à la qualité des données
    5. 4.5 Distinctions entre les tests manuels et les tests automatisés par l'IA
    6. 4.6 L'impact sur le marché du travail
  5. 5. Évaluer son niveau de maturité pour mieux progresser
  6. 6. Intelligence artificielle et tests unitaires : une nouvelle approche de la qualité logicielle
    1. 6.1 Méthodologie de l’évaluation et calcul des scores
    2. 6.2 Les défis et limites des modèles actuels pour les tests unitaires
    3. 6.3 Perspectives d’amélioration
  7. 7. Identifier et gérer le code mort dans les projets par le test
    1. 7.1 Les outils dédiés pour détecter le code mort
    2. 7.2 Les pièges à éviter lors du nettoyage du code mort
    3. 7.3 Quelques bonnes pratiques pour gérer le code mort
  8. 8. Exemples de prompts pour les métiers de test
  9. 9. Outils et frameworks d'automatisation des tests basés sur l'IA
    1. 9.1 Applitools
    2. 9.2 Testim.io
    3. 9.3 CircleCI
    4. 9.4 Katalon Studio
  10. 10. Conclusion
Les nouveaux métiers de l’IA pour l’IT
  1. 1. Introduction
  2. 2. Le concept d’ingénieurs « augmentés »
  3. 3. Les métiers de l’IA pour la gouvernance, la communication et la stratégie
    1. 3.1 Chief AI Officer (CAIO) : le stratège de l’intelligence artificielle
    2. 3.2 Chef de projet IA : le chef d’orchestre de l’intelligence artificielle
    3. 3.3 Juriste spécialisé en IA et IT : le gardien de la conformité
    4. 3.4 Responsable de l’éthique de l’IA : la conscience morale de l’intelligence artificielle
    5. 3.5 Prompt engineer : celui qui sait parler aux IA
    6. 3.6 Les egoteller : les créateurs de personnalité de l’IA
  4. 4. Les métiers de l’IA pour le développement logiciel
    1. 4.1 Comment les développeurs peuvent se préparer à ces changements technologiques
    2. 4.2 Ingénieur en IA pour le développement logiciel : les mains de l’IA
    3. 4.3 Spécialiste en DevOps pour l’IA : l’architecte de la fluidité pour l’intelligence artificielle
  5. 5. Les métiers de la gestion de données
    1. 5.1 Architecte de données d’IA : le bâtisseur des fondations de l’intelligence artificielle
    2. 5.2 Ingénieur de données IA : le maître des données pour l’intelligence artificielle
    3. 5.3 Analyste de données d’IA : l’interprète des données pour l’intelligence artificielle
    4. 5.4 Data Analytics Manager : le chef d’orchestre de la donnée
    5. 5.5 AI Trainer : le sculpteur des modèles d’intelligence artificielle
    6. 5.6 Data Broker : courtier en données personnelles
  6. 6. Les métiers du Machine Learning et du Deep Learning
    1. 6.1 Data Scientist : le maître d’œuvre de la collecte
    2. 6.2 Ingénieur Machine Learning : le concepteur d’algorithmes IA
    3. 6.3 Ingénieur Deep Learning : le spécialiste de la conception
  7. 7. Les métiers de la recherche en intelligence artificielle
    1. 7.1 Chercheur en IA : le fer de lance de l’innovation
    2. 7.2 Ethicien en IA : cadre et protection pour les usages de l’IA
  8. 8. Les métiers de l’automatisation
    1. 8.1 Ingénieur en IA : l’automatisation des processus informatiques IT RPA
    2. 8.2 Ingénieur en cobotique : le concepteur de robots collaboratifs
  9. 9. Les métiers inclassables
    1. 9.1 Algorithm Inspector : l’auditeur des algorithmes à l’ère de l’IA
    2. 9.2 Kill Switch Engineer : l’architecte de la sécurité d’urgence
    3. 9.3 Deepfake Reviewer : le détecteur de manipulations numériques
    4. 9.4 AI-Assisted Legal Mediator : le facilitateur juridique augmenté
    5. 9.5 AI-Powered Storyteller : le narrateur augmenté par l’IA
  10. 10. Les écoles pour travailler dans l’IA
  11. 11. Conclusion
  12.  
Annexe
  1. 1. Glossaire
  2. 2. Bibliographie
  3.  
  4.  
  5. Index
  6.  
Auteur : David BRENET

David BRENET

David BRENET est un ingénieur informatique de formation, cumulant plus de deux décennies d'expérience en tant que responsable informatique, principalement dans les domaines de la banque et de l'assurance. En parallèle de cette carrière, il partage ses connaissances en tant qu'enseignant au Conservatoire national des arts et métiers (CNAM) ainsi qu'à l'Institut de Formation de la Profession de l'Assurance (IFPASS). Cette double fonction lui permet de mêler ses compétences pratiques et méthodologiques à sa passion pour les technologies émergentes. David BRENET se consacre notamment à des domaines tels que l'IA générative et le « machine learning » et propose au lecteur un ouvrage précieux de vulgarisation sur l'intelligence artificielle.

En savoir plus

Découvrir tous ses livres

  • L’intelligence artificielle expliquée Des concepts de base aux applications avancées de l’IA

Nos nouveautés

voir plus