9 organismes habilités, d'après la liste publiée par France compétences : 9 à former et organiser l'évaluation.
OrganismeSIRETHabilitation
ADOK LEARNING91413659300029Former et organiser l'évaluation
EMIL88879497100026Former et organiser l'évaluation
FAST81478644800047Former et organiser l'évaluation
LES VOTRES81915897300019Former et organiser l'évaluation
LE WAGON79494991700080Former et organiser l'évaluation
LE WAGON BORDEAUX81311299200025Former et organiser l'évaluation
LE WAGON FOR BUSINESS89845125700015Former et organiser l'évaluation
LE WAGON LILLE82468074800020Former et organiser l'évaluation
PATCHOULI81960352300039Former et organiser l'évaluation
Résumé de la certification
Objectifs et contexte
Les perspectives positives de l’IA sont cependant nombreuses pour l’humanité et la planète. En matière de développement durable notamment, les progrès de l’intelligence artificielle annoncent des capacités d’automatisation dans l’analyse/gestion de la consommation d’énergie qui laissent augurer d’une utilisation optimale des ressources, tant au niveau des entreprises que des particuliers ou des services publics.
Des progrès décisifs sont également attendus pour une amélioration de la qualité de l’air dans les grandes métropoles, ainsi que pour la rationalisation et la répartition des ressources hydriques en zones sensibles.
Autre direction prometteuse : des modélisations mathématiques très poussées de processus naturels laissent envisager des applications précieuses en matière de biomimétisme.
Les offres d’emploi concernant les spécialistes en intelligence artificielle ne cessent de s'accroître en France notamment ces trois dernières années. Développeurs et ingénieurs R&D sont les plus recherchés.
D’ici 2 ans, 30 % des emplois liés à l’intelligence artificielle et à la data seront vacants en raison d’une pénurie de profils formés. Data scientists, développeurs en IA, data miners, data analysts… ces métiers commencent à fleurir dans de nombreuses entreprises, mais les compétences pour réaliser ces nouvelles missions ne sont pas toujours au rendez‐vous. Il est donc urgent de proposer dès maintenant des parcours en formation initiale, mais aussi en formation continue. Car au‐delà des formations initiales, des métiers semblant éloignés de la technologie – comme ceux de radiologue, médecin ou cadre supérieur – vont devoir s’acculturer.
Le nombre d’offres d’emploi diffusées par l’Apec a progressé de 113 % entre 2016 et 2017, passant de 1 127 à 2 398 offres.
Les sociétés d’activités informatiques sont les premiers recruteurs (42 %), suivi des activités de conseil et gestion des entreprises (19 %) et de R&D (11 %).
L’Île-de-France rassemble 63 % des offres d’emploi en IA.
Le secteur est très porteur, la demande est forte mais l’offre de candidats expérimentés peut être limitée :
Les recruteurs recherchent des profils expérimentés dans 56 % des cas.
Les entreprises de services numériques ont une appétence pour les développeurs, les activités de conseil et gestion pour les chefs de projet et les consultants, et les activités de R&D pour les ingénieurs IA et les docteurs en IA.
Plus que les diplômes, une première expérience et la capacité à réaliser des études de cas sont déterminantes.
L’intelligence artificielle devrait aussi créer des professions qui restent à inventer. En 2016, un rapport du forum économique de Davos indiquait que 65 % des enfants entrant actuellement en école primaire exerceront un emploi qui n’existe pas encore. Selon une autre étude du fabricant informatique Dell et du think tank « l'Institut du Futur », la robotisation et l’intelligence artificielle devraient profondément transformer le domaine professionnel : 85 % des emplois de 2030 n’existeraient pas encore selon cette étude.
Activités visées
Bloc 1 : Analyse exploratoire et descriptive de la donnée
Acquisition et écriture de données
Conception de représentations graphiques
Bloc 2 Apprentissage automatique (Machine Learning) supervisé et non supervisé
Préparation, transformation et génération de données
Entrainement de modèles d'apprentissages supervisés ou non supervisés
Amélioration des capacités prédictives
Mise en production de modèles d'apprentissage
Adoption d'une démarche d'amélioration continue
Bloc 3 Reconnaissance de formes par réseaux de neurones artificiels
Conversion de données entrantes
Maîtrise des différentes architectures
Utilisation de réseaux de neurones
Bloc 4 Développement et Gestion de projet en IA
Analyse et formulation de problématique
Planification de projet
Communication transversale, ascendante et descendante
Compétences attestées
C1 Acquérir des données à partir de sources adaptées, fournies par le client ou accessibles en Open Data afin d'agrémenter la base de données
C2 Écrire des requêtes pour l'interrogation de la base de données et les composants d'accès aux données
C3 Effectuer des analyses exploratoires afin d'appréhender la composition interne des données
C4 Concevoir une représentation graphique adaptée afin de visualiser les relations entre les données
C5 Préparer des données en vue de l'apprentissage afin que celles-ci soient nettoyées
C6 Transformer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Preprocessing)
C7 Générer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Feature Engineering)
C8 Maîtriser les différents algorithmes d'apprentissage afin d'apporter une réponse adaptée à une problématique de l'organisation
C9 Entraîner un modèle d'apprentissage supervisé pour optimiser une fonction de prédiction à partir d'exemples annotés
C10 Entraîner un modèle d'apprentissage non supervisé pour détecter des structures sous-jacentes à partir de données non étiquetées
C11 Améliorer les capacités prédictives d'un système en sélectionnant un modèle différent ou en modifiant ses hyperparamètres en vue de corriger des erreurs (hyperparameter tunnig)
C12 Mettre en production le modèle d'apprentissage supervisé ou non supervisé obtenu sous la forme d'une API
C13 Adopter une démarche d’amélioration continue en identifiant les axes de perfectionnement d’un produit à l’aide d’une méthode adaptée de manière à améliorer la performance du produit
C14 Convertir les données entrantes (images et texte par exemple) en données adaptées pour un réseau de neurones
C15 Maîtriser les différentes architectures de réseau de neurones : convolutifs pour les images & récurrents pour les séries temporelles et les modèles de traitement automatique du langage (NLP) pour le texte
C16 Utiliser un réseau de neurones convolutifs pour étiqueter des images
C17 Utiliser un réseau de neurones pour comprendre l'intention d'une phrase en langage naturel
C18 Analyser et formuler une problématique métier du point de vue de l'analyste de données
C19 Planification des actions à mettre en œuvre
C20 Mobiliser les ressources nécessaires pour mener à bien le projet en respectant les délais
C21 Recommander des actions à sa hiérarchie et rendre compte de ses résultats
Blocs de compétences · 4
RNCP35141BC01
Analyse exploratoire et descriptive de la donnée
Compétences visées
C1 Acquérir des données à partir de sources adaptées, fournies par le client ou accessibles en Open Data afin d'agrémenter la base de données
C2 Écrire des requêtes pour l'interrogation de la base de données et les composants d'accès aux données
C3 Effectuer des analyses exploratoires afin d'appréhender la composition interne des données
C4 Concevoir une représentation graphique adaptée afin de visualiser les relations entre les données
Modalités d'évaluation
Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 1 le candidat devra charger les données à partir d'une API, d'un fichier ou d'une base de données relationnelle, commenter la distribution d'un jeu de données et identifier d'éventuelles corrélations, et dessiner des graphiques représentatifs des données
RNCP35141BC02
Apprentissage automatique ( Machine Learning ) supervisé et non supervisé
Compétences visées
C5 Préparer des données en vue de l'apprentissage afin que celles-ci soient nettoyées
C6 Transformer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Preprocessing)
C7 Générer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Feature Engineering)
C8 Maîtriser les différents algorithmes d'apprentissage afin d'apporter une réponse adaptée à une problématique d’une organisation (entreprise, laboratoire, etc.)
C9 Entraîner un modèle d'apprentissage supervisé pour optimiser une fonction de prédiction à partir d'exemples annotés
C10 Entraîner un modèle d'apprentissage non supervisé pour détecter des structures sous-jacentes à partir de données non étiquetées
C11 Améliorer les capacités prédictives d'un système en sélectionnant un modèle différent ou en modifiant ses hyperparamètres en vue de corriger des erreurs (hyperparameter tuning)
C12 Mettre en production le modèle d'apprentissage supervisé ou non supervisé obtenu sous la forme d'une API
C13 Adopter une démarche d’amélioration continue en identifiant les axes de perfectionnement d’un produit à l’aide d’une méthode adaptée de manière à améliorer la performance du produit
Modalités d'évaluation
Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 2 le candidat devra traiter les valeurs manquantes ou aberrantes, adapter une transformation des données en fonction de leur nature, construire de nouvelles données pertinentes à partir des données initiales, tester plusieurs modèles et choisir le meilleur, déployer le modèle en production et être capable de corriger/adapter le modèle.
RNCP35141BC03
Reconnaissance de formes par réseaux de neurones artificiels
Compétences visées
C14 Convertir les données entrantes (images et texte par exemple) en données adaptées pour un réseau de neurones
C15 Maîtriser les différentes architectures de réseau de neurones : convolutifs pour les images & récurrents pour les séries temporelles et les modèles de traitement automatique du langage (NLP) pour le texte
C16 Utiliser un réseau de neurones convolutifs pour étiqueter des images
C17 Utiliser un réseau de neurones pour comprendre l'intention d'une phrase en langage naturel
Modalités d'évaluation
Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 3 le candidat devra utiliser un réseau de neurones pour étiqueter des images et pour comprendre l'intention d'une phrase.
RNCP35141BC04
Développement et Gestion de projet en IA
Compétences visées
C19 Planifier des actions à mettre en œuvre
C20 Mobiliser les ressources nécessaires pour mener à bien le projet en respectant les délais
C21 Recommander des actions à sa hiérarchie et rendre compte de ses résultats
Modalités d'évaluation
Etude d'un cas pratique, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 4 le candidat devra analyser et formuler une problématique en fonction du public, constituer une équipe projet adaptée, planifier son projet et rendre compte à sa hiérarchie en utilisant le vocabulaire adapté.
Secteur d'activité et type d'emploi
Secteurs d'activités
Tous secteurs d’activité (banques et assurances, secteur public, opérateurs de télécommunication,conseil, …)
et notamment intégrateurs, ESN et grandes entreprises.
Principaux facteurs : Manque de main-d'œuvre disponible et Lien formation-emploi.
2 864 €salaire médian (mensuel)
Diplôme le plus fréquent : Diplôme de niveau bac+5 ou plus (doctorat, master ou équivalent) en communication et information (41 % des actifs en emploi).
Mesuré au niveau de la famille professionnelle :
Techniciens d'étude et de développement en informatique et Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom (nomenclature FAP).
Ces familles ne sont pas au même niveau de
tension (de 4 à 5 sur 5) : le niveau affiché est une moyenne pondérée
par l'emploi, à ne pas attribuer à chacune d'elles.
M1X80 — Techniciens d'étude et de développement en informatique tension 4/5 (Élevée)
M2X90 — Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom tension 5/5 (Très élevée)
Indicateur de tension sur le marché du travail 2024 — DARES / France Travail.
Les indicateurs sont publiés par famille professionnelle (FAP), pas par métier ROME :
ils couvrent l'ensemble des métiers de ces familles.
Mesuré au niveau de la famille professionnelle :
Techniciens d'étude et de développement en informatique et Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom (nomenclature FAP).
M1X80 — Techniciens d'étude et de développement en informatique
M2X90 — Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom
Enquête Besoins en Main d'Œuvre (BMO) 2026 — France Travail (open data),
cumul national.
Les indicateurs sont publiés par famille professionnelle (FAP), pas par métier ROME : ils
couvrent l'ensemble des métiers de ces familles.
Voie d'accès à la certification
Voie d'accèsOuverte
Formation initialeOui
Formation continueOui
ApprentissageOui
Contrat de professionnalisationOui
Candidature individuelleNon
VAEOui
Prérequis à l'entrée
Etre titulaire d’un niveau 5, ou d’un niveau 4 avec 3 ans d’expérience professionnelle, et obtenir l’aval de la Commission Pédagogique quelle que soit la filière initiale suivie
Composition du jury — Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation, VAE
Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science. Un professeur encadrant du Wagon. Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification
Financement en alternance
Niveau de prise en charge (NPEC) d'un contrat d'apprentissage par les OPCO, fixé par
France compétences selon la branche professionnelle (CPNE). Applicable au 01-09-2025.
Prise en charge usuelle
7 752 €
Selon la branche
7 248 € – 8 050 €
Prise en chargeBranches concernées
7 752 €Valeur par défaut · 205 branches
8 050 €CPNE des industries de santé (CPNEIS), CPNEF de l'audiovisuel
7 604 €CPNEFP des commerces et services de l'audiovisuel, de l'électronique et de l'équipement ménager, CPNEFP du Négoce de l'ameublement
8 000 €CPNE chimie
7 900 €CPNEFP Mutualité
7 505 €CPNEFP dans les établissements d'enseignement privés sous contrat