RNCP41813
Active
· Niveau 7
Chef de projet data et intelligence artificielle
Certificateur · DORANCO ESPACE MULTIMEDIA
L'essentiel
Nomenclature du niveau de qualification
Niveau 7
Code(s) NSF
Formacode(s)
Date d'échéance de l'enregistrement
18-12-2027
Certificateur(s)
Nom légalSIRETSite
Partenaires habilités
1 organisme habilité, d'après la liste publiée par France compétences : 1 à former et organiser l'évaluation.
OrganismeSIRETHabilitation
ECOLE SUP INFORM COMMERCE
45303523000094
Former et organiser l'évaluation
Résumé de la certification
Objectifs et contexte
La certification « Chef de projet data et IA » (CPDIA) a pour objectif d’être une réponse concrète aux besoins accrus de compétences opérationnelles exprimées par les entreprises.
Le Chef de projet data et intelligence artificielle est un professionnel capable de piloter l’ensemble du cycle de vie d’un projet intégrant des technologies d’IA, depuis le cadrage du besoin jusqu’au déploiement opérationnel de la solution. Il joue un rôle de coordination entre les parties prenantes métier, les experts techniques (data scientists, data engineers, MLOps) et les fonctions support (juridique, cybersécurité, éthique), tout en garantissant la valeur ajoutée des cas d’usage IA pour l’organisation.
Activités visées
Analyse du besoin métier et de l’environnement data
Traduction du besoin métier en cas d’usage d’intelligence artificielle
Conception de l’architecture data cible
Prétraitement et structuration des données
Analyse et visualisation des données traitées
Restitution des résultats et formulation de recommandations métier
Structuration de l’environnement technique et cloud pour le développement de la solution IA
Pilotage de la modélisation algorithmique et des modèles d’IA générative
Évaluation et optimisation des performances des modèles IA
Supervision de l’intégration de la solution IA dans un environnement applicatif
Planification stratégique et opérationnelle du projet IA
Pilotage budgétaire et arbitrage des ressources
Coordination de l’équipe projet et des parties prenantes
Capitalisation et clôture du projet IA
Accompagnement des utilisateurs dans l’implémentation de la solution IA
Compétences attestées
Piloter une veille technologique et réglementaire sur les systèmes d’intelligence artificielle (LLM, IA générative, FinOps/MLOps, sécurité IA…), en mobilisant des outils spécialisés, afin d’anticiper les contraintes techniques, réglementaires et éthiques impactant la conception des solutions IA.
Analyser le besoin métier et l’environnement data du client, en mobilisant des méthodes de co-construction ou collaboratives (design thinking, ateliers participatifs), afin d’identifier des cas d’usage IA pertinents et compatibles avec les contraintes techniques, fonctionnelles et réglementaires.
Qualifier les sources et typologies de données mobilisables (structurées, non structurées, multimodales, internes, externes, synthétiques), en appliquant des critères de qualité, de volumétrie, de gouvernance et de conformité (RGPD, AI Act, principes OCDE), afin d’évaluer leur exploitabilité dans le cadre du projet IA.
Modéliser un cas d’usage IA à partir d’un besoin métier analysé, en priorisant les scénarios selon leur valeur ajoutée, leur faisabilité et leur impact, et en définissant les livrables attendus, objectifs opérationnels et indicateurs de performance (SLA, coût par prédiction…), afin de cadrer la solution cible.
Conduire une analyse d'impact éthique, règlementaire et environnementaux des cas d'usage d'IA envisagés, en mobilisant les parties prenantes afin de formaliser les risques (biais, non-conformité, etc.) et de définir des plans d'atténuation.
Mettre en place des ateliers de co-construction de la solution IA avec les parties prenantes internes et externes (utilisateurs métier, experts techniques, DPO, RSSI, référents éthiques), en mobilisant des méthodes collaboratives (cartographie des besoins, priorisation des fonctionnalités, matrices d’arbitrage), afin d’aligner les choix fonctionnels et techniques sur les besoins et les exigences de conformité.
Évaluer la faisabilité technique des cas d’usage IA sélectionnés en analysant l’adéquation entre les données disponibles (qualité, volumétrie, typologie, gouvernance) et les exigences du projet, afin de formuler des préconisations argumentées sur la viabilité et les conditions de réussite de la solution envisagée.
Concevoir l’architecture data cible du projet IA, en sélectionnant les flux de données, les systèmes de gestion adaptés (batch, temps réel, NoSQL, feature stores…) et les exigences associées (sécurité, accessibilité, traçabilité), afin d’assurer la cohérence, la scalabilité et la conformité de l’architecture aux cas d’usage définis.
Élaborer un dictionnaire de données et un catalogue de métadonnées associés aux modèles IA, en utilisant des outils de gouvernance adaptés, afin de garantir la traçabilité, la compréhension et la réutilisation des données mobilisées.
Formaliser un cahier des charges fonctionnel et technique du projet IA, en intégrant les cas d’usage, objectifs, hypothèses, contraintes réglementaires (AI Act, RGPD), livrables attendus et modalités de mise à l’échelle, afin de cadrer les développements à venir et sécuriser la conception.
Sélectionner les données pertinentes issues de sources variées (flux temps réel, API métier, capteurs IoT, données synthétiques), en tenant compte de leur volumétrie, multimodalité et des contraintes de gouvernance, en mobilisant des outils d’intégration (Apache NiFi, Airflow) et en veillant à leur compatibilité avec les environnements de traitement (Jupyter, Databricks, pipelines cloud), afin de constituer un jeu de données exploitable pour un cas d’usage IA donné.
Évaluer la qualité, la fiabilité et la conformité des jeux de données (internes, externes, générées par IA), en mobilisant des méthodes de profiling (complétude, cohérence, duplications) et en intégrant les exigences de gouvernance (traçabilité, droits d’accès, documentation) ainsi que les préconisations des référents (DPO, RSSI), afin de garantir leur adéquation avec les cas d’usage IA et leur conformité aux normes réglementaires (RGPD, AI Act).
Superviser les étapes de préparation des données (nettoyage, structuration, traitement des valeurs manquantes, encodage) en mobilisant des outils de data processing adaptés (Pandas, Dataiku, Trifacta), afin de produire un dataset exploitable, adapté à la nature des données (texte, image, capteurs IoT) et aux besoins d’entraînement ou d’analyse des modèles.
Mettre en œuvre un dispositif de traçabilité, de versioning et de conformité des jeux de données (anonymisation, pseudonymisation, documentation, contrôle d’accès), en s’appuyant sur des outils dédiés (DVC, MLflow, notebooks Jupyter), afin de garantir la reproductibilité des traitements, la transparence des processus et la conformité réglementaire (RGPD, AI Act).
Réaliser le feature engineering d’un jeu de données IA, en sélectionnant et générant les variables pertinentes au regard du cas d’usage (variables cibles, explicatives, indicateurs métiers), en mobilisant des outils spécialisés (Pandas, Feast ou Tecton) et des techniques d’explicabilité (SHAP, LIME), afin d’optimiser la performance et l’interprétabilité des modèles.
Analyser les données traitées, à l’aide de méthodes statistiques adaptées (analyses univariées, bivariées, séries temporelles) et d’outils de traitement (Python, R, notebooks interactifs), en s’appuyant sur les indicateurs définis pour le cas d’usage IA, afin de mettre en évidence les tendances, patterns et signaux faibles utiles à l’analyse métier.
Produire des visualisations dynamiques, lisibles et accessibles (heatmaps, diagrammes, dashboards interactifs) en utilisant des outils dédiés (Power BI, Tableau, Matplotlib Seaborn), afin de faciliter l’interprétation des résultats d’analyse par des profils variés, y compris non techniques.
Détecter les biais structurels et représentatifs dans les jeux de données préparés, en mobilisant des frameworks spécialisés (AIF360, Fairlearn) et des analyses de répartition (sur/sous-représentation, corrélations induites), afin d’anticiper les risques d’iniquité, de non-conformité réglementaire ou de dérives algorithmiques lors de la phase de modélisation.
Restituer les résultats d’analyse en les adaptant aux profils des parties prenantes (métier, décideurs, conformité), en mobilisant des supports adaptés (dashboards, rapports interactifs, présentations), en intégrant des éléments de vulgarisation, d’accessibilité et de storytelling data, afin de faciliter leur compréhension et leur prise en compte dans les décisions métier.
Formuler des recommandations exploitables à partir de l’analyse des données, en intégrant les objectifs métier, les indicateurs ESG, les retours utilisateurs et les limites identifiées, afin d’orienter les décisions stratégiques, les arbitrages ou les ajustements de cas d’usage IA.
Définir l’architecture cible pour l’entraînement et le déploiement des modèles IA, en arbitrant entre environnements cloud, edge ou hybrides (AWS SageMaker, Azure ML, Vertex AI), et en sélectionnant les ressources matérielles adaptées (GPU, TPU), afin de répondre aux besoins métier en termes de latence, scalabilité, accessibilité et robustesse.
Structurer un environnement de développement IA sécurisé et automatisé, en intégrant des pratiques MLOps (CI/CD/CT), des dispositifs d’Infrastructure as Code (Terraform, Ansible) et des mécanismes de cybersécurité (Zero Trust, journalisation), tout en mobilisant des outils FinOps (CodeCarbon, cost monitors), afin de garantir la traçabilité des déploiements, l’optimisation des ressources et la conformité réglementaire (RGPD, AI Act).
Sélectionner les modèles d’IA les plus adaptés à un cas d’usage métier donné (ML supervisé : régression, classification ML non supervisé: recommandation, Deep learning : LLM, Computer Vision, IA génératives), en tenant compte de la nature des données, des objectifs métier, et des contraintes d’interprétabilité, de robustesse et de soutenabilité, afin d’optimiser la performance du modèle et son adéquation aux attentes métier.
Concevoir en collaboration avec les équipes data science des modèles d’intelligence artificielle adaptés aux cas d’usage identifiés, en intégrant les principes d’IA responsable (équité, explicabilité, auditabilité) et en mobilisant les outils de documentation et d’interprétabilité (Model Cards, SHAP, LIME), afin de garantir leur robustesse, leur transparence et leur conformité aux exigences réglementaires (AI Act, RGPD).
Définir une stratégie d’évaluation des modèles IA, en sélectionnant des métriques adaptées (accuracy, F1-score, biais résiduels, recall) et en analysant les écarts de performance au regard des exigences métier, réglementaires et environnementales, afin de guider les décisions d’optimisation.
Évaluer la robustesse et la capacité de généralisation d’un modèle IA après entraînement, en identifiant les signes de surapprentissage (overfitting), de sous-apprentissage (underfitting) ou de biais contextuels, afin de valider sa fiabilité avant son déploiement sur des données réelles.
Superviser l’amélioration continue d’un modèle IA en analysant les performances pré-déploiement (biais résiduels, écarts de précision), les indicateurs d’usage (engagement, taux d’adoption) et les impacts métier (ROI, conformité réglementaire), en mobilisant des techniques d’optimisation (tuning, régularisation, ensemble learning) et des outils spécialisés (MLflow, Neptune, Arize), afin de renforcer sa robustesse, son équité et sa conformité aux exigences éthiques et réglementaires.
Coordonner l’intégration du modèle IA dans l’environnement applicatif, en pilotant les phases de tests et de validation (fonctionnels, d’interopérabilité, de performance) et en mobilisant les équipes concernées (DevOps, DSI, RSSI), afin d’assurer la compatibilité de la solution avec les systèmes cibles (API, microservices, cloud, edge), dans le respect des normes de sécurité, d’accessibilité et de conformité réglementaire (RGPD, AI Act, Zero Trust).
Superviser la production et la validation des livrables associés à la solution IA (guides utilisateurs, documentations API, fiches d’explicabilité), en adaptant les contenus aux profils des destinataires (métiers, techniques, conformité), afin d’assurer la transparence, l’appropriation et la maintenabilité de la solution déployée.
Organiser le dispositif de supervision post-déploiement de la solution IA, en définissant les processus d’observabilité, d’alerting, de rollback et de mise à jour continue, en s’appuyant sur des outils MLOps (TFX, Kubeflow, Arize) et des garde-fous algorithmiques (NeMo Guardrails, LLM Security Checklist), afin de garantir la stabilité, la conformité et l’évolutivité du système en environnement réel.
Élaborer la feuille de route d’un projet IA en définissant les objectifs stratégiques, les livrables attendus et les indicateurs de réussite (incluant les critères ESG et d’IA responsable), en évaluant les ressources humaines, techniques et financières nécessaires, et en modélisant les principaux risques (budgétaires, humains, organisationnels), afin de garantir la cohérence entre les moyens mobilisés et les enjeux du projet.
Orchestrer les phases du projet IA en adoptant une approche agile ou hybride, en intégrant dans le planning les temps d’expérimentation, les phases de prototypage et les aléas propres à l’IA (drift, biais, qualité des données), afin d’optimiser l’organisation et la flexibilité.
Construire un budget prévisionnel pour un projet IA en identifiant l’ensemble des coûts liés aux ressources humaines spécialisées (MLOps, référents éthique, accessibilité), aux infrastructures techniques (cloud, GPU, plateformes IA), aux logiciels (licences, monitoring), ainsi qu’aux indicateurs de sobriété numérique (coût par prédiction, empreinte carbone), afin de garantir la viabilité économique du projet, la maîtrise des dépenses et le respect des engagements environnementaux.
Réaliser des arbitrages budgétaires en cas de dérive ou d’évolution du périmètre d’un projet IA, en analysant les écarts entre prévisionnel et réalisé à l’aide de reporting financiers (Power BI, Tableau) et d’indicateurs de rentabilité et d’impact, afin de maintenir l’équilibre stratégique, réglementaire et environnemental du projet.
Coordonner une équipe pluridisciplinaire et les parties prenantes d’un projet IA, en structurant les processus de travail, en assurant le suivi opérationnel à l’aide d’outils collaboratifs (Jira, Grafana, Azure Monitor) et en adaptant l’organisation aux aléas, afin de garantir l’efficacité, la conformité et l’avancement du projet selon les objectifs fixés.
Conduire les instances collaboratives d’un projet IA (réunions, ateliers, comités de pilotage), en mobilisant des techniques de facilitation (design thinking, méthodes agiles) et des outils dédiés (Klaxoon, Miro), en régulant les tensions et en favorisant l’intelligence collective, afin de fédérer les parties prenantes et de maintenir une dynamique constructive au sein de l’équipe projet.
Capitaliser les enseignements d’un retour d’expérience (REX) post-déploiement d’une solution IA, en mobilisant les parties prenantes projet et en définissant des axes d’amélioration, afin d’enrichir les pratiques internes et d’orienter les futurs projets IA.
Superviser la clôture d’un projet IA, en coordonnant la finalisation des livrables techniques (documentation d’architecture, scripts de déploiement), fonctionnels (guides utilisateurs, cahiers des charges) et organisationnels (plans de gouvernance, rapports de clôture), en garantissant leur accessibilité et leur conformité aux exigences réglementaires (RGPD, AI Act, accessibilité), afin d’assurer la traçabilité, la transférabilité et la continuité de la solution.
Déployer une stratégie d’acculturation et de formation continue aux enjeux de l’intelligence artificielle, en adaptant les formats et contenus (ateliers, guides interactifs, MOOC, démonstrateurs) aux différents profils d’utilisateurs (métiers, techniques, en situation de handicap), afin de faciliter l’appropriation de la solution et de garantir l’accessibilité des contenus.
Piloter une démarche de conduite du changement en lien avec l’intégration d’une solution IA, en analysant les retours utilisateurs (taux d’usage, feedback qualitatif), en identifiant les freins à l’adoption et en déployant une communication structurée sur les bénéfices et les limites, afin de renforcer l’appropriation et d’alimenter l’amélioration continue.
Blocs de compétences · 4
RNCP41813BC01
Cadrer un projet d’intelligence artificielle à partir de l’analyse du besoin client
Compétences visées
Piloter une veille technologique et réglementaire sur les systèmes d’intelligence artificielle (LLM, IA générative, FinOps/MLOps, sécurité IA…), en mobilisant des outils spécialisés, afin d’anticiper les contraintes techniques, réglementaires et éthiques impactant la conception des solutions IA.
Analyser le besoin métier et l’environnement data du client, en mobilisant des méthodes de co-construction ou collaboratives (design thinking, ateliers participatifs), afin d’identifier des cas d’usage IA pertinents et compatibles avec les contraintes techniques, fonctionnelles et réglementaires.
Qualifier les sources et typologies de données mobilisables (structurées, non structurées, multimodales, internes, externes, synthétiques), en appliquant des critères de qualité, de volumétrie, de gouvernance et de conformité (RGPD, AI Act, principes OCDE), afin d’évaluer leur exploitabilité dans le cadre du projet IA.
Modéliser un cas d’usage IA à partir d’un besoin métier analysé, en priorisant les scénarios selon leur valeur ajoutée, leur faisabilité et leur impact, et en définissant les livrables attendus, objectifs opérationnels et indicateurs de performance (SLA, coût par prédiction…), afin de cadrer la solution cible.
Conduire une analyse d'impact éthique, règlementaire et environnementaux des cas d'usage d'IA envisagés, en mobilisant les parties prenantes afin de formaliser les risques (biais, non-conformité, etc.) et de définir des plans d'atténuation.
Mettre en place des ateliers de co-construction de la solution IA avec les parties prenantes internes et externes (utilisateurs métier, experts techniques, DPO, RSSI, référents éthiques), en mobilisant des méthodes collaboratives (cartographie des besoins, priorisation des fonctionnalités, matrices d’arbitrage), afin d’aligner les choix fonctionnels et techniques sur les besoins et les exigences de conformité.
Évaluer la faisabilité technique des cas d’usage IA sélectionnés en analysant l’adéquation entre les données disponibles (qualité, volumétrie, typologie, gouvernance) et les exigences du projet, afin de formuler des préconisations argumentées sur la viabilité et les conditions de réussite de la solution envisagée.
Concevoir l’architecture data cible du projet IA, en sélectionnant les flux de données, les systèmes de gestion adaptés (batch, temps réel, NoSQL, feature stores…) et les exigences associées (sécurité, accessibilité, traçabilité), afin d’assurer la cohérence, la scalabilité et la conformité de l’architecture aux cas d’usage définis.
Élaborer un dictionnaire de données et un catalogue de métadonnées associés aux modèles IA, en utilisant des outils de gouvernance adaptés, afin de garantir la traçabilité, la compréhension et la réutilisation des données mobilisées.
Formaliser un cahier des charges fonctionnel et technique du projet IA, en intégrant les cas d’usage, objectifs, hypothèses, contraintes réglementaires (AI Act, RGPD), livrables attendus et modalités de mise à l’échelle, afin de cadrer les développements à venir et sécuriser la conception.
Modalités d'évaluation
Projet professionnel Soutenance orale devant un jury
RNCP41813BC02
Sélectionner et interpréter les données d’une solution d’Intelligence Artificielle
Compétences visées
Sélectionner les données pertinentes issues de sources variées (flux temps réel, API métier, capteurs IoT, données synthétiques), en tenant compte de leur volumétrie, multimodalité et des contraintes de gouvernance, en mobilisant des outils d’intégration (Apache NiFi, Airflow) et en veillant à leur compatibilité avec les environnements de traitement (Jupyter, Databricks, pipelines cloud), afin de constituer un jeu de données exploitable pour un cas d’usage IA donné.
Évaluer la qualité, la fiabilité et la conformité des jeux de données (internes, externes, générées par IA), en mobilisant des méthodes de profiling (complétude, cohérence, duplications) et en intégrant les exigences de gouvernance (traçabilité, droits d’accès, documentation) ainsi que les préconisations des référents (DPO, RSSI), afin de garantir leur adéquation avec les cas d’usage IA et leur conformité aux normes réglementaires (RGPD, AI Act).
Superviser les étapes de préparation des données (nettoyage, structuration, traitement des valeurs manquantes, encodage) en mobilisant des outils de data processing adaptés (Pandas, Dataiku, Trifacta), afin de produire un dataset exploitable, adapté à la nature des données (texte, image, capteurs IoT) et aux besoins d’entraînement ou d’analyse des modèles.
Mettre en œuvre un dispositif de traçabilité, de versioning et de conformité des jeux de données (anonymisation, pseudonymisation, documentation, contrôle d’accès), en s’appuyant sur des outils dédiés (DVC, MLflow, notebooks Jupyter), afin de garantir la reproductibilité des traitements, la transparence des processus et la conformité réglementaire (RGPD, AI Act).
Réaliser le feature engineering d’un jeu de données IA, en sélectionnant et générant les variables pertinentes au regard du cas d’usage (variables cibles, explicatives, indicateurs métiers), en mobilisant des outils spécialisés (Pandas, Feast ou Tecton) et des techniques d’explicabilité (SHAP, LIME), afin d’optimiser la performance et l’interprétabilité des modèles.
Analyser les données traitées, à l’aide de méthodes statistiques adaptées (analyses univariées, bivariées, séries temporelles) et d’outils de traitement (Python, R, notebooks interactifs), en s’appuyant sur les indicateurs définis pour le cas d’usage IA, afin de mettre en évidence les tendances, patterns et signaux faibles utiles à l’analyse métier.
Produire des visualisations dynamiques, lisibles et accessibles (heatmaps, diagrammes, dashboards interactifs) en utilisant des outils dédiés (Power BI, Tableau, Matplotlib Seaborn), afin de faciliter l’interprétation des résultats d’analyse par des profils variés, y compris non techniques.
Détecter les biais structurels et représentatifs dans les jeux de données préparés, en mobilisant des frameworks spécialisés (AIF360, Fairlearn) et des analyses de répartition (sur/sous-représentation, corrélations induites), afin d’anticiper les risques d’iniquité, de non-conformité réglementaire ou de dérives algorithmiques lors de la phase de modélisation.
Restituer les résultats d’analyse en les adaptant aux profils des parties prenantes (métier, décideurs, conformité), en mobilisant des supports adaptés (dashboards, rapports interactifs, présentations), en intégrant des éléments de vulgarisation, d’accessibilité et de storytelling data, afin de faciliter leur compréhension et leur prise en compte dans les décisions métier.
Formuler des recommandations exploitables à partir de l’analyse des données, en intégrant les objectifs métier, les indicateurs ESG, les retours utilisateurs et les limites identifiées, afin d’orienter les décisions stratégiques, les arbitrages ou les ajustements de cas d’usage IA.
Modalités d'évaluation
Etude de cas Mise en situation professionnelle
RNCP41813BC03
Conception et supervision d’une solution d’intelligence artificielle à partir des données collectées
Compétences visées
Définir l’architecture cible pour l’entraînement et le déploiement des modèles IA, en arbitrant entre environnements cloud, edge ou hybrides (AWS SageMaker, Azure ML, Vertex AI), et en sélectionnant les ressources matérielles adaptées (GPU, TPU), afin de répondre aux besoins métier en termes de latence, scalabilité, accessibilité et robustesse.
Structurer un environnement de développement IA sécurisé et automatisé, en intégrant des pratiques MLOps (CI/CD/CT), des dispositifs d’Infrastructure as Code (Terraform, Ansible) et des mécanismes de cybersécurité (Zero Trust, journalisation), tout en mobilisant des outils FinOps (CodeCarbon, cost monitors), afin de garantir la traçabilité des déploiements, l’optimisation des ressources et la conformité réglementaire (RGPD, AI Act).
Sélectionner les modèles d’IA les plus adaptés à un cas d’usage métier donné (ML supervisé : régression, classification ML non supervisé: recommandation, Deep learning : LLM, Computer Vision, IA génératives), en tenant compte de la nature des données, des objectifs métier, et des contraintes d’interprétabilité, de robustesse et de soutenabilité, afin d’optimiser la performance du modèle et son adéquation aux attentes métier.
Concevoir en collaboration avec les équipes data science des modèles d’intelligence artificielle adaptés aux cas d’usage identifiés, en intégrant les principes d’IA responsable (équité, explicabilité, auditabilité) et en mobilisant les outils de documentation et d’interprétabilité (Model Cards, SHAP, LIME), afin de garantir leur robustesse, leur transparence et leur conformité aux exigences réglementaires (AI Act, RGPD).
Définir une stratégie d’évaluation des modèles IA, en sélectionnant des métriques adaptées (accuracy, F1-score, biais résiduels, recall) et en analysant les écarts de performance au regard des exigences métier, réglementaires et environnementales, afin de guider les décisions d’optimisation.
Évaluer la robustesse et la capacité de généralisation d’un modèle IA après entraînement, en identifiant les signes de surapprentissage (overfitting), de sous-apprentissage (underfitting) ou de biais contextuels, afin de valider sa fiabilité avant son déploiement sur des données réelles.
Superviser l’amélioration continue d’un modèle IA en analysant les performances pré-déploiement (biais résiduels, écarts de précision), les indicateurs d’usage (engagement, taux d’adoption) et les impacts métier (ROI, conformité réglementaire), en mobilisant des techniques d’optimisation (tuning, régularisation, ensemble learning) et des outils spécialisés (MLflow, Neptune, Arize), afin de renforcer sa robustesse, son équité et sa conformité aux exigences éthiques et réglementaires.
Coordonner l’intégration du modèle IA dans l’environnement applicatif, en pilotant les phases de tests et de validation (fonctionnels, d’interopérabilité, de performance) et en mobilisant les équipes concernées (DevOps, DSI, RSSI), afin d’assurer la compatibilité de la solution avec les systèmes cibles (API, microservices, cloud, edge), dans le respect des normes de sécurité, d’accessibilité et de conformité réglementaire (RGPD, AI Act, Zero Trust).
Superviser la production et la validation des livrables associés à la solution IA (guides utilisateurs, documentations API, fiches d’explicabilité), en adaptant les contenus aux profils des destinataires (métiers, techniques, conformité), afin d’assurer la transparence, l’appropriation et la maintenabilité de la solution déployée.
Organiser le dispositif de supervision post-déploiement de la solution IA, en définissant les processus d’observabilité, d’alerting, de rollback et de mise à jour continue, en s’appuyant sur des outils MLOps (TFX, Kubeflow, Arize) et des garde-fous algorithmiques (NeMo Guardrails, LLM Security Checklist), afin de garantir la stabilité, la conformité et l’évolutivité du système en environnement réel.
Modalités d'évaluation
Projet professionnel Soutenance orale devant un jury
RNCP41813BC04
Piloter un projet d’intelligence artificielle
Compétences visées
Élaborer la feuille de route d’un projet IA en définissant les objectifs stratégiques, les livrables attendus et les indicateurs de réussite (incluant les critères ESG et d’IA responsable), en évaluant les ressources humaines, techniques et financières nécessaires, et en modélisant les principaux risques (budgétaires, humains, organisationnels), afin de garantir la cohérence entre les moyens mobilisés et les enjeux du projet.
Orchestrer les phases du projet IA en adoptant une approche agile ou hybride, en intégrant dans le planning les temps d’expérimentation, les phases de prototypage et les aléas propres à l’IA (drift, biais, qualité des données), afin d’optimiser l’organisation et la flexibilité.
Construire un budget prévisionnel pour un projet IA en identifiant l’ensemble des coûts liés aux ressources humaines spécialisées (MLOps, référents éthique, accessibilité), aux infrastructures techniques (cloud, GPU, plateformes IA), aux logiciels (licences, monitoring), ainsi qu’aux indicateurs de sobriété numérique (coût par prédiction, empreinte carbone), afin de garantir la viabilité économique du projet, la maîtrise des dépenses et le respect des engagements environnementaux.
Réaliser des arbitrages budgétaires en cas de dérive ou d’évolution du périmètre d’un projet IA, en analysant les écarts entre prévisionnel et réalisé à l’aide de reporting financiers (Power BI, Tableau) et d’indicateurs de rentabilité et d’impact, afin de maintenir l’équilibre stratégique, réglementaire et environnemental du projet.
Coordonner une équipe pluridisciplinaire et les parties prenantes d’un projet IA, en structurant les processus de travail, en assurant le suivi opérationnel à l’aide d’outils collaboratifs (Jira, Grafana, Azure Monitor) et en adaptant l’organisation aux aléas, afin de garantir l’efficacité, la conformité et l’avancement du projet selon les objectifs fixés.
Conduire les instances collaboratives d’un projet IA (réunions, ateliers, comités de pilotage), en mobilisant des techniques de facilitation (design thinking, méthodes agiles) et des outils dédiés (Klaxoon, Miro), en régulant les tensions et en favorisant l’intelligence collective, afin de fédérer les parties prenantes et de maintenir une dynamique constructive au sein de l’équipe projet.
Capitaliser les enseignements d’un retour d’expérience (REX) post-déploiement d’une solution IA, en mobilisant les parties prenantes projet et en définissant des axes d’amélioration, afin d’enrichir les pratiques internes et d’orienter les futurs projets IA.
Superviser la clôture d’un projet IA, en coordonnant la finalisation des livrables techniques (documentation d’architecture, scripts de déploiement), fonctionnels (guides utilisateurs, cahiers des charges) et organisationnels (plans de gouvernance, rapports de clôture), en garantissant leur accessibilité et leur conformité aux exigences réglementaires (RGPD, AI Act, accessibilité), afin d’assurer la traçabilité, la transférabilité et la continuité de la solution.
Déployer une stratégie d’acculturation et de formation continue aux enjeux de l’intelligence artificielle, en adaptant les formats et contenus (ateliers, guides interactifs, MOOC, démonstrateurs) aux différents profils d’utilisateurs (métiers, techniques, en situation de handicap), afin de faciliter l’appropriation de la solution et de garantir l’accessibilité des contenus.
Piloter une démarche de conduite du changement en lien avec l’intégration d’une solution IA, en analysant les retours utilisateurs (taux d’usage, feedback qualitatif), en identifiant les freins à l’adoption et en déployant une communication structurée sur les bénéfices et les limites, afin de renforcer l’appropriation et d’alimenter l’amélioration continue.
Modalités d'évaluation
Etudes de cas Jeu de rôles
Secteur d'activité et type d'emploi
Secteurs d'activités
Le métier de Chef de projet data et Intelligence Artificielle est devenu stratégique dans un contexte de transformation numérique accélérée, de massification des données, et de montée en puissance des technologies d’IA, notamment génératives. Il s’impose comme un acteur essentiel pour aider les organisations à créer de la valeur à partir de leurs données, tout en garantissant la conformité, l’éthique et la robustesse des solutions mises en œuvre.
Le Chef de projet data et IA intervient dans des organisations très variées, à savoir : startups, PME, ETI, grandes entreprises, cabinets de conseil, ESN et institutions publiques. Sa fonction évolue selon la taille des structures, leur degré de maturité numérique et leur modèle économique (interne ou externalisé). Le périmètre d’intervention et les responsabilités confiées diffèrent sensiblement d’une organisation à l’autre.
Le Chef de projet Data et Intelligence Artificielle exerce une fonction transversale à forte intensité collaborative. Il travaille au sein d’équipes pluridisciplinaires composées de data scientists, data engineers, développeurs, juristes, architectes ou experts métiers. Son rôle est celui d’un chef d’orchestre, en charge de traduire les besoins fonctionnels en feuille de route technique, de coordonner les contributions, et de garantir l’atteinte des objectifs du projet dans le respect des délais, des contraintes réglementaires et de la valeur métier attendue. Il est généralement rattaché à une direction des systèmes d'information (DSI), une direction innovation ou data, ou directement à une direction métier, selon l’organisation en place. Dans les structures agiles, il peut également travailler au sein d’un « data lab » ou d’une « feature team » dédiée à un produit ou à un cas d’usage spécifique.
Types d'emplois accessibles
A court terme:
Data Analyst
Data Scientist junior
Data Engineer
Consultant IA / data junior
Chargé de mission data / IA
Product Owner IA / data junior
Assistant maîtrise d’ouvrage / Data analyst
A moyen terme:
Chef de projet data / Chef de projet Données
Chef de projet intelligence artificielle / Chef de projet IA générative
Chef de projet Machine Learning / Deep Learning
Product Owner IA / Data
Data Manager
Consultant IA confirmé
Responsable de projets data science
A long terme:
Directeur de projet IA / Responsable de programme IA
Manager d’équipe IA / Lead data & IA
Expert IA / Architecte IA
Consultant senior en IA / Transformation data
Métiers visés (ROME)
Références juridiques des réglementations d'activité
* Conformité RGPD : maîtrise des enjeux de protection des données personnelles et de gouvernance des données. Les projets IA doivent intégrer ces contraintes dès leur conception.
* Éthique de l'IA et AI Act : compréhension des enjeux d'équité, transparence et explicabilité des algorithmes. L'entrée en vigueur de l'AI Act européen le 1er août 2024 renforce ces exigences.
* Gouvernance algorithmique : capacité à documenter, auditer et expliquer les modèles IA. Les entreprises doivent pouvoir justifier leurs décisions algorithmiques.
Tensions de recrutement · DARES 2024
Niveau de tension : Très élevée (5/5) en tension
Principaux facteurs : Manque de main-d'œuvre disponible et Lien formation-emploi.
2 892 €
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 : 5 familles professionnelles (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) -
M1X81— Techniciens de production, d'exploitation, d'installation, et de maintenance, support et services aux utilisateurs en informatique tension 4/5 (Élevée) -
M2X90— Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom tension 5/5 (Très élevée) -
M2X91— Chefs de projet et directeurs de service informatique tension 4/5 (Élevée) -
M2X93— Experts et consultants en systèmes d'information 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.
Marché du travail · BMO 2026
Toute la France
Île-de-France 20 250
Auvergne-Rhône-Alpes 3 807
Occitanie 3 576
Provence-Alpes-Côte d'Azur 3 186
Pays de la Loire 2 223
Nouvelle-Aquitaine 2 165
Hauts-de-France 1 847
Bretagne 1 647
Grand Est 1 327
Normandie 714
Centre-Val de Loire 638
Bourgogne-Franche-Comté 395
La Réunion 134
Guyane 44
Mayotte 43
Corse 28
Guadeloupe 25
Martinique 24
42 073
projets de recrutement
50 %
en tension
jugés difficiles à recruter
2 %
emplois saisonniers
Mesuré au niveau de la famille professionnelle : 5 familles professionnelles (nomenclature FAP).
-
M1X80— Techniciens d'étude et de développement en informatique -
M1X81— Techniciens de production, d'exploitation, d'installation, et de maintenance, support et services aux utilisateurs en informatique -
M2X90— Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom -
M2X91— Chefs de projet et directeurs de service informatique -
M2X93— Experts et consultants en systèmes d'information
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 initiale
Oui
Formation continue
Oui
Apprentissage
Oui
Contrat de professionnalisation
Oui
Candidature individuelle
Non
VAE
Oui
Prérequis à l'entrée
Pour accéder à la formation menant à la certification professionnelle "Chef de projet data et IA", ainsi qu'aux blocs de compétences constitutifs du titre, les candidats doivent satisfaire aux conditions préalables suivantes : * Être titulaire d'une certification professionnelle ou d'un diplôme de niveau 6 dans le domaine de l'informatique, la data, les mathématiques ou le digital. Les prérequis sont vérifiés dans le cadre d’une évaluation diagnostique (tests d’entrée et étude de dossier).
Prérequis à la validation
Pour accéder à la certification, les candidats doivent avoir suivi un parcours de formation sous statut d’élève ou d’étudiant, un parcours de formation continue ou un parcours en alternance (contrat d’apprentissage ou de professionnalisation) dans un organisme habilité à former par le certificateur.
Composition du jury — Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation, VAE
Le jury de certification est composé de 3 personnes : * 2 professionnels en activité dans le métier visé par la certification, externe au réseau Doranco * 1 représentant du certificateur
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
8 779 €
Selon la branche
7 697 € – 8 779 €
Prise en chargeBranches concernées
8 779 €
Valeur par défaut · 198 branches
8 696 €
CPNE FP Commerce de Détail de l'Horlogerie Bijouterie, CPNEFP Commerce succursaliste de la Chaussure, CPNEFP Commerce à distance, CPNEFP Grands Magasins/ Magasins Populaires, CPNEFP Import-Export +3 autres
8 775 €
CPNEFP de la branche des entreprises du bureau et du numérique (commerces et services)
8 649 €
CPNEFP de la Branche des Caisses régionales de Crédit Agricole et autres organismes
8 600 €
CPNEFP de l'habillement, mercerie, chaussure et jouet
8 520 €
CPNE Industrie pétrolière
8 500 €
CPNEFP de la métallurgie
8 000 €
CPNE chimie
7 697 €
CPNEFP de la blanchisserie, laverie, location de linge, nettoyage à sec, pressing et teinturerie
Liens avec d'autres certifications
Certifications en correspondance (équivalences par blocs).
CodeCertification en correspondance
RNCP37172
Data Engineer
RNCP37422
Data Engineer
RNCP37624
Data engineer
RNCP38777
Architecte en intelligence artificielle
RNCP38919
Data engineer
Anciennes versions
Base légale
Date de décision18-12-2025
Durée de l'enregistrement2 ans
Date d'échéance18-12-2027
Dernière délivrance possible18-12-2031
Pour plus d'informations · Statistiques
AnnéeCertifiésInsertion 6 moisMétier visé 2 ans
2025
45
47 %
—
2024
252
62 %
—
Où se former
Chargement de l'offre de formation…
Se former en apprentissage
Chargement des formations en apprentissage…
Entrées et sorties de formation
2
entrées en formation
0
parcours menés à terme
0 %
taux d'achèvement
Entrées et sorties de formation — Caisse des Dépôts (open data), tous organismes confondus.
Demande CPF — formations engagées
7
dossiers CPF engagés
27 100 €
montant total engagé
3 871 €
coût moyen par dossier
336 h
durée moyenne
Qui finance ces dossiers (part du montant engagé)
Formations engagées via le CPF — Caisse des Dépôts (open data), tous organismes confondus.