Tout pour bien démarrer dans l’intelligence artificielle (Partie 3) – Formation

Dans la partie 2 de cette série, dont le but est de fournir un panel de connaissances autour de l’IA sans rentrer trop dans le détail, nous avons vu plusieurs notions transverses dont la donnée, la législation ou encore la data science.

Aujourd’hui, nous allons aborder le sujet critique : comment se former, comment être prêt et rester compétitif en intelligence artificielle ? Bonne lecture !

Remarque : la série est divisée en plusieurs articles :

Tutoriel 1 = sur l’IA en général et les choix techniques (langage, framework…)

Tutoriel 2 = sur les notions transverses (la donnée, les lois, la data science, hadoop…)

Tutoriel 3 (ici) = sur comment se former à l’IA, comment valoriser son savoir et surtout comment se démarquer en restant pro-actif !

Tutoriel 4 = sur le machine learning, avec tous ses algorithmes principaux en exemple : k-means, random forest, SVM…

Tutoriel 5 = sur le deep learning en détail (avec son utilisation) : réseaux de neurones artificiels, convolutifs, récurrents, etc…

Tutoriel 6 (à venir) = des grandes questions que l’on se pose sur l’IA, avec des pistes de réflexion et mon avis personnel ouvert au débat 🙂

Remarque sur les liens Amazon/Coursera/Udemy : ces livres et cours font partis de ma collection depuis des années, et sont, à mon avis les meilleurs. Cependant, pour payer le site (hébergement, impôts) et de nouveau rédacteurs, je me suis inscrit aux programmes d’affiliations afin de toucher une petite commission si vous les achetez. Le choix de mes recommandations n’est donc pas motivé par « l’argent » (par exemple je me suis inscrit à l’affiliation Coursera parce que je recommandais les cours d’Andrew Ng), mais si vous n’êtes pas d’accord avec la démarche, n’hésitez pas à passer par Google pour les retrouver !

III. Se tourner vers l’avenir

Comment se former en IA ? Comment se reconvertir en IA ?

Première question que l’on me pose souvent, comment bien démarrer dans l’intelligence artificielle ? Il existe beaucoup de réponses, en fonction des profils de chacun, aussi je vais essayer de donner plusieurs pistes… Mais le principal est, évidemment, d’être très motivé et autonome !

Si je devais recommencer de zéro dans l’IA, en tout cas, je commencerai par décider si je suis plus attiré par le Machine Learning ou le Deep Learning (il faudra connaître un peu de l’un même si on choisit l’autre), en regardant des applications de chacun et des articles en présentant les différences.

Par exemple, le Machine Learning est la partie « statistiques » de l’IA, où un travail préalable d’analyse est nécessaire. Les applications font « moins rêver » que le deep learning (pas de voitures autonomes, d’écriture de romans ou de classification d’images complexes), mais les algorithmes sont plus simples à comprendre…

Pour se former au Machine Learning, je pense que le livre Data Science Fondamentaux et Etudes de cas a le mérite de donner un tour d’horizon, même s’il est très orienté mathématiques (lisez simplement en diagonale les démonstrations), et donne quelques concepts de Data Science. Sinon, les grands classiques :

• Big Data et Machine Learning – 2e éd. – Les concepts et les outils de la data science
• Machine learning avec Python – collection O’Reilly
• Machine Learning avec Scikit-Learn – Mise en oeuvre et cas concrets

Et j’apprendrai le Python 3 en même temps que je les lirai !

Pour du Deep Learning, je ne connais aucun livre « global », qui traite à la fois les réseaux de neurones artificiels, les réseaux de neurones convolutifs et les réseaux de neurones récurrents (les trois principaux réseaux), avec en bonus l’apprentissage par renforcement. Par conséquent, le plus rapide et formateur est de suivre le cours en ligne d’Andrew Ng (sur Coursera, en anglais sous-titré) :

• Spécialisation Deep Learning – Andrew Ng

En résumé, mon plan d’attaque serait (si on groupe avec les parties suivantes) :

• Apprendre à programmer en Python 3 (les grandes bases, le reste viendra avec la pratique et le besoin) et à lire de l’anglais si possible !
• Lire un livre de Machine Learning
• Suivre la formation d’Andrew Ng
• Compléter par des tutoriels de Pensée Artificielle, ActuIA, Medium ou TowardsDataScience
• Ecrire des articles de vulgarisation et/ou aider d’autres personnes, participer à des conventions/conférences 🙂

Quelles certifications choisir ? Sont-elles valorisées ? Comment se démarquer en IA ?

Deux approches sont possibles lorsque l’on veut se former à l’IA : les formations en présentiel, et les formations en ligne.

Du point de vue de l’entreprise, les premières sont plus « tangibles« , concrètes et vérifiables tandis que les secondes témoignent d’une véritable autonomie et d’un désir d’apprendre… Par conséquent, j’ai tendance à très fortement privilégier les formations certifiantes en ligne car :

• Elles sont généralement moins chères
• On peut les suivre à notre propre rythme (en particulier le soir)
• Les certifications électroniques peuvent être vérifiées et ajoutées à LinkedIn
• Il y a beaucoup plus de choix, et on bénéficie de l’aide de milliers d’autres personnes, ainsi que de leurs interrogations et avis !

Concernant les formations en présentiel, le choix va dépendre de la ville où vous résidez. Par exemple à Bordeaux, il y a la « Data University« , un institut privé qui vous aide à vous reconvertir dans l’intelligence artificielle en proposant des cours du soir/week-end, avec des conférences, des partenaires et beaucoup d’autres avantages qui plairont à vos futurs employeurs. Sur Paris, des acteurs plus importants proposent des reconversions, comme Microsoft avec son programme dédié.

Pour les formations en ligne certifiantes, le choix est vaste en anglais, mais il en existe peu en français, et souvent on se tourne vers OpenClassRoom… Heureusement, celles présentées ici sont systématiquement sous-titrées voire traduites !

En anglais, les formations les plus connues sont celles de facultés (Harvard, MIT, etc…) et plus particulièrement celles d’Andrew Ng (de Stanford) sur Coursera : Machine Learning et Deep Learning. Il y a également un cours beaucoup plus généraliste pour présenter l’Intelligence Artificielle à destination du CEO de votre entreprise et des managers (les cours sur Coursera sont généralement à 50€/mois, et rien ne vous empêche de les terminer en 1 mois).

Une autre approche, pour vous spécialiser mais plus chère (de l’ordre de 1000€), est de souscrire à un programme « nanodegree » sur Udacity, ce qui revient à suivre des cours en ligne pendant plusieurs mois.

Enfin, sur Udemy, on trouve de très bon cours en ligne, dont en particulier ceux de l’équipe SuperDataScience qui ont fait, entre-autre :

• Machine Learning A-Z™: Hands-On Python & R In Data Science
• Deep Learning A-Z™: Hands-On Artificial Neural Networks
• Artificial Intelligence A-Z™: Learn How To Build An AI

Pour répondre à la question sur la valorisation de toutes ces certifications, en avoir est un plus, car elles témoignent d’un engagement personnel (les formations demandent plusieurs heures de travail). Les employeurs y sont sensibles, et privilégieront largement une personne ayant suivi une formation en ligne reconnue, plutôt qu’une formation en présentiel où, au final, on apprend moins de choses et on est moins actif. En revanche, une fois dans l’entreprise, ajouter ce type de diplômes n’aide pas particulièrement à avoir des augmentations mais… peut jouer pour changer de poste ou gagner en responsabilités.

Dernier point important de cette partie, ce qui va vous différencier des autres. Tout d’abord, il y aura les certifications que vous aurez dans votre CV ainsi que vos projets personnels. N’hésitez jamais à parler d’eux, et même de certains de vos TP s’ils sont pertinents pour l’entreprise (surtout s’ils sont concrets : un vernis IA est toujours un plus) !

Ensuite, je trouve qu’écrire des articles pour des sites internet dédiés au machine learning ou au deep learning est un vrai plus, car vous aurez d’un côté des contacts, vous mettrez à l’épreuve vos connaissances (impossible d’écrire un article sur un sujet qu’on ne maîtrise pas), et ce sera fait sur votre temps personnel, ce qui témoignera de votre engagement. Le premier site français d’actualité en IA est ActuIA, donc n’hésitez pas à leur écrire. Vous pouvez bien évidemment me contacter aussi pour Pensée Artificielle si vous voulez faire des tutoriels (intelligence artificielle, machine learning, deep learning, neurosciences, informatique quantique, blockchain ou encore réalité virtuelle). Sinon, en anglais, il y a Medium et TowardsDataScience qui ont une audience très large.

Enfin, participer à des hackatons et à des conventions/conférences permet de vous tenir à jour et fait le lien avec le point suivant (notamment le SiDO à Lyon et Viva Technology à Paris, ainsi que beaucoup d’autres orientées IA).

En bonus, j’ajouterai qu’il est important d’avoir un profil LinkedIn à jour et d’avoir en contact des personnes qui travaillent dans les mêmes domaines que vous, car la constitution d’un réseau professionnel ouvre de nombreuses portes et permet de se tenir au courant de l’actualité.

Si je devais me re-former à l’intelligence artificielle et ajouter des certifications à mon CV :

• Je suivrai tout d’abord les 3 formations sur Udemy, car elles sont claires et complètes surtout pour démarrer
• Puis je suivrai les formations en ligne d’Andrew Ng car il y a des TP notés très instructifs
• Enfin, pour me démarquer des autres, j’écrirai des articles autour de l’IA pour des sites (ActuIA, Pensée Artificielle…)

S’intéresser et rester à jour, un travail personnel avant tout

On vient de parler d’écrire des articles, car c’est une manière de challenger ses connaissances. Privilégiez les sites importants, qui valident leur contenu, plutôt que de vous lancer dans votre propre blog (sauf si vous avez de grandes ambitions pour celui-ci ^^).

On a aussi vu qu’il est utile d’avoir un réseau professionnel sur LinkedIn car cela ouvre des opportunités. Dans la même veine mais non visible par les entreprises, je vous conseille de vous abonner à des pages Facebook (par exemple Intelligence Artificielle) et Twitter pour voir passer des actualités autour de l’IA et vous familiariser avec les applications et les recherches actuelles…

De manière plus « passive », je vous encourage à lire régulièrement des articles d’actualités publiés sur Internet, par exemple via Futura Sciences, Science et Avenir, ActuIA, mais aussi par Google et Microsoft (les publications sur leurs blogs de recherche) !

Dans la même veine, il est intéressant de chercher les événements qui ont lieu dans votre ville, voire à se déplacer sur Paris pour des conférences (vous découvrirez une approche à un problème), des salons/conventions (très utiles pour le réseau, pour voir des applications récentes et pour s’élargir l’esprit) et des meet-up (voici deux exemples dont vous trouverez vos équivalents j’en suis certain : Bordeaux Machine Learning et Bordeaux Data Science). Il existe également des cours/conférences en stream sur Internet, notamment via le site TEDx qu’il est toujours bon de consulter.

Enfin, apprendre par la pratique est souvent le plus simple en IA. Cherchez de nouveaux TP (Medium est un site formidable pour ça), apprenez de nouveaux algorithmes (Augmented Random Search) et framework (par exemple PyTorch), de nouveaux langages (Julia)… Ou réalisez vos propres projets personnels : il n’est pas nécessaire qu’ils aboutissent, mais n’abandonnez pas trop vite !

Voici ce qu’il faut faire, par ordre de difficulté, pour rester au top du top :

• Lire des actualités autour de l’IA (via réseaux sociaux ou sites)
• Entretenir son réseau professionnel LinkedIn
• Participer (en tant que visiteur ou exposant) à des salons, à des conventions et à des conférences/meet-up
• Faire régulièrement des projets personnels / TP
• Essayer de publier ses propres tutoriels ou articles d’actualité

ESN, start-up et entreprise « classique »

Pour finir, on me demande parfois s’il vaut mieux travailler dans une start-up ou dans une entreprise pour faire de l’intelligence artificielle/avoir une première expérience valorisante.

Travailler dans une entreprise de services du numérique (ESN, anciennement SSII) signifie que vous ferez des missions chez des clients de votre entreprise. Par exemple, en travaillant pour AKKA (qui recrute comme beaucoup de sociétés, contactez-moi si vous êtes intéressés ^^), je suis parti en mission chez Orange pendant 1 an puis chez le groupe immobilier Pichet pendant 1 mois puis maintenant chez CDiscount… Tandis que travailler directement chez CDiscount (en tant qu’employé) ne vous permettra que de travailler chez CDiscount, mais vous aurez probablement plus de responsabilités/possibilités d’évolution.

En tout cas, les ESN permettent de voir beaucoup d’écosystèmes, de diversifier ses secteurs (télécommunications, immobilier, retail…), de rencontrer beaucoup de personnes (réseau), et d’acquérir une vaste expérience.

Les start-up, à l’inverse, engagent leurs ingénieurs pour travailler directement sur leurs projets. Contrairement à une entreprise « classique », leur objectif est d’être à la pointe de la technologie, en utilisant la dernière version de Python, de tensorflow, le dernier algorithme publié (Augmented Random Search par exemple), etc…

L’investissement personnel dans une start-up est toujours important, puisqu’on ne compte pas ses heures et l’ambiance ressemble à celle d’une « grande famille », avec de nombreux afterwork et événements internes !

En résumé, en début de carrière, si vous voulez acquérir de l’expérience mais ne pas être forcément au top de la technologie, une ESN est un excellent choix. Si vous voulez vous investir dans un projet fou en constante évolution, je ne peux que vous recommander une start-up. Toutes ces expériences seront ensuite fortement valorisées lorsque vous intégrerez une entreprise plus conséquente, aux processus plus lents/figés, mais dans laquelle vous pourrez poursuivre votre carrière et réinvestir votre savoir.

L’autre possibilité pour vous, si vous avez une idée extraordinaire, est de créer votre propre start-up. C’est un processus assez long et complexe (surtout si vous débutez, car il est primordial d’avoir un bon réseau et d’être totalement autonome) mais le jeu en vaut la chandelle. Le mieux est d’en parler avec d’autres personnes qui l’ont déjà vécu, d’intégrer un incubateur, de participer à des salons, de lire des livres sur le sujet (par exemple, Start-up 2e édition : Précis à l’usage de ceux qui veulent changer le monde… et parfois réussissent ! et Comment j’ai planté ma startup : Plus de 100 leçons entrepreneuriales et plus de 100 solutions)…

Enfin, avec de l’expérience et un réseau, vous pouvez partir en tant que freelancer, c’est-à-dire travailler à votre propre compte et réaliser des missions pour vos clients (souvent sur des périodes courtes, type un mois).

Quelles études pour faire de l’IA ? Master ou Thèse ?

Le sujet des études a déjà été traité dans un article précédent, donc nous allons revenir brièvement dessus.

Tout d’abord, pourquoi faire un master/école d’ingénieur et pas simplement une licence ? Le travail en intelligence artificielle étant complexe, la quasi-totalité des entreprises ne recrutent que des ingénieurs (i.e. BAC+5), les métiers de « techniciens en IA » n’étant pas encore démocratisés ni voulus. Si vous êtes en études, il est donc vraiment important de terminer le master, qui est une spécialisation après la licence et qui vous apportera une expérience de plusieurs mois (les stages étant très souvent de vigueur). Si vous vous êtes arrêtés à la licence, tout n’est pas perdu, ne vous inquiétez pas : il existe des formations de reconversion pour avoir un diplôme équivalent au master !

Ensuite, mieux vaut-il avoir un master ou une thèse en intelligence artificielle ? La question n’est pas facile. De manière générale, en France, il y a beaucoup plus de demandes pour des ingénieurs que pour des thésards (dans le privé, car si votre rêve est d’être professeur à la faculté, il faudra obligatoirement passer par la thèse). Ceci s’explique par la différence de salaire, et le fait qu’un ingénieur est jugé « moins spécialisé, plus polyvalent et plus proche de l’industrie ». Mais attention : à l’étranger, c’est l’inverse et mieux vaut avoir une thèse (de manière générale).

Ainsi, si votre objectif n’est pas de faire de la recherche ou d’encadrer une équipe de recherche, il peut être intéressant de s’arrêter au master, sauf si le sujet de votre thèse a de très nombreuses applications industrielles (par exemple, il tourne autour de l’image ou de l’analyse du langage)… Par contre, si vous en avez l’envie et l’opportunité, faire une thèse est une bonne expérience ! Donc les deux possibilités méritent considération !

Voici ensuite le dossier le plus complet sur les différentes écoles et Universités de France : présenté par ActuIA, vous trouverez beaucoup d’informations dont le niveau, les thèmes abordés, le coût d’inscription, la durée… Mais attention : la liste n’est pas arrêtée, beaucoup d’acteurs ouvrant des programmes en 2019 ! Grâce à elle, et aux autres que vous trouverez sur internet, vous devriez avoir de nombreux choix pour la suite de vos études.

Conclusion de cette troisième partie

Avant d’écrire cet article je ne le pensais pas, mais le maître-mot semble être réseau professionnel. En effet, les possibilités de se former et de valoriser ses acquis sont de plus en plus nombreux : formations présentielles ou en ligne, cours, conférences, TP, meet-up, tout le monde peut s’y mettre assez facilement, et tout le monde s’y met ! Avoir un réseau ouvrira alors beaucoup de perspectives et de possibilités.

Comment se démarquer dans un contexte où tout le monde est « sachant auto-didacte » ? En ayant de nombreux contacts avec qui échanger, en formant une communauté et en partageant son savoir.

Dans le prochain article, nous verrons d’ailleurs tout ce qu’il y a à savoir en deep learning, du réseau de neurones artificiels simple aux algorithmes plus complexes !

Crédit de l’image de couverture : Pixapopz – Pixabay License