Se former à l'intelligence artificielle : par où commencer ?

Quand on décide de se former à l'IA — dans une perspective de reconversion professionnelle, pour augmenter ses compétences ou simplement pour rester dans la course —, le plus difficile est de savoir par où commencer. Foncer aveuglément, sans objectif clair et sans stratégie, c'est la garantie de se perdre dans un labyrinthe aux ramifications infinies. L'intelligence artificielle est en effet un champ disciplinaire très vaste. Le marché de l'emploi en IA est en forte croissance, mais les besoins sont hétérogènes : tous les métiers ne nécessitent pas le même niveau de technicité. Les métiers gravitant autour de l'IA forment des strates qui demandent différentes compétences avec différents niveaux techniques. Il est important de savoir ce que l'on vise pour se positionner au niveau le plus adapté.

Strate 1 : le management de la transformation et des projets IA

La première strate, si l'on commence par le haut, est celle du management de la transformation et des projets. Il peut s'agir de directeurs, de managers, de chefs de projets qui gravitent autour de l'IA. Ces profils n'ont pas nécessairement besoin d'acquérir des compétences opérationnelles en IA ; ils doivent davantage comprendre les différents enjeux de l'intelligence artificielle (techniques, métiers, juridiques...).

Cela dit, l'IA a quelque chose de très spécifique par rapport aux autres technologies : les enjeux métiers sont intimement liés aux enjeux techniques. Ces profils ont donc besoin de comprendre les concepts fondamentaux techniques, notamment pour pouvoir échanger avec les équipes opérationnelles : qu'est-ce qu'un modèle de machine learning ? Comment ces modèles sont-ils entraînés ? Comment sont-ils déployés ? Comment évalue-t-on leurs performances ?

Une bonne partie des projets IA échouent par manque d'alignement entre les objectifs stratégiques et métiers d'un côté, et la technique de l'autre : des attentes irréalistes, des budgets insuffisants, des cadrages mal faits, etc. Et c'est souvent dû à un déficit de compréhension des enjeux techniques de la part des managers.

Strate 2 : l'utilisation des outils d'IA générative

La deuxième strate, un peu plus technique, est celle de l'utilisation des outils d'intelligence artificielle générative. Cela peut concerner les profils cités précédemment (managers, chefs de projets, etc.) mais, plus généralement, tout professionnel qui souhaite optimiser ses processus et augmenter sa productivité.

Il peut s'agir de se familiariser avec les modèles d'IA générative pour produire des présentations et des documents, d'utiliser des outils de workflows comme n8n pour automatiser des tâches bureautiques (extraire des informations à partir de documents, etc.), ou encore d'utiliser des agents pré-implémentés pour traiter des fichiers Excel ou autres. Cela peut même aller jusqu'à utiliser l'IA générative pour coder et créer des applications simples, sans nécessairement avoir de compétences préalables en programmation.

Cette strate ne demande pas de prérequis techniques, mais elle devient de plus en plus un prérequis pour l'employabilité.

Strate 3 : concevoir et développer des modèles de machine learning

La troisième strate concerne les profils dont l'ambition est d'apprendre à concevoir et à développer des modèles d'intelligence artificielle, et je vise en particulier les modèles de machine learning « classique ». J'entends par là les modèles qui sortent du cadre des LLM (Large Language Models, de type ChatGPT). Il s'agit des modèles déployés aujourd'hui massivement en entreprise : classifications de documents, algorithmes de recommandation, de prédiction, etc.

Ces profils disposent déjà, généralement, d'un vernis technique, ayant déjà programmé dans un langage informatique et plus ou moins pratiqué des disciplines quantitatives (économie, finance, biologie...). L'objectif de la formation est alors de les initier à Python, qui est le langage de référence pour l'IA, mais surtout de leur permettre de comprendre le fonctionnement interne des modèles de machine learning pour ne pas les utiliser simplement comme des boîtes noires.

De telles formations alternent entre théorie et pratique ; elles nécessitent trois à quatre jours, à l'issue desquels les apprenants deviennent capables de mener un projet de machine learning de l'analyse des données jusqu'à l'entraînement et la validation du modèle — ce qui est considéré traditionnellement comme le travail du data scientist.

Strate 4 : les compétences de pointe en IA

Les strates les plus avancées techniquement visent différentes compétences de pointe. Elles concernent des profils qui ont déjà des compétences techniques en programmation Python ou en machine learning.

Il s'agit par exemple d'acquérir des compétences avancées en LLM : comprendre les différentes étapes de leur entraînement, apprendre à les réentraîner (fine-tuner) sur des jeux de données spécifiques, développer des agents basés sur les LLM, etc.

Une autre direction serait d'apprendre à déployer et industrialiser les modèles de machine learning — une compétence très demandée aujourd'hui, que l'on appelle le MLOps (Machine Learning Operations). Cela suppose des connaissances préalables en Python et en machine learning. L'objectif est de s'initier aux outils et pratiques de mise en production : exposer un modèle via une API, dockeriser une application, construire un pipeline CI/CD, faire du monitoring en production, etc. Ces compétences sont celles que l'on attend d'un machine learning engineer ou d'un ingénieur MLOps.

En résumé

Le paysage de la formation en IA est vaste, mais il n'est pas chaotique dès lors que l'on sait se repérer. L'essentiel est de commencer par identifier clairement son point de départ et son objectif : piloter des projets IA, utiliser les outils au quotidien, développer des modèles, ou se spécialiser sur des compétences de pointe. Chaque strate a sa logique, ses prérequis et ses débouchés. Bien se situer, c'est déjà une bonne partie du chemin.