Le problème à résoudre
Beaucoup de cas d’usage de l’IA se situent là où il n’y a pas de connexion fiable : agence rurale, terrain agricole, point de collecte. L’IA dépendante du cloud y est inutilisable.
La promesse pour la direction
Votre data scientist apprend à déployer des modèles d’IA directement sur des appareils contraints (smartphones, mini-PC, capteurs), fonctionnant hors connexion — portant l’intelligence au plus près du terrain.
Ce que le parcours débloque
Nulle (offline)
Dépendance à la connexion
Optimisée
Taille du modèle
Locale (immédiate)
Latence d’inférence
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | Data scientist ou développeur ML |
| Prérequis | Python, ML, bases embarqué |
| Durée | 6 mois (accélérateur) |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
TensorFlow Lite · ONNX Runtime · PyTorch Mobile · Python · Raspberry Pi · Coral
Les jalons
Une trajectoire pour un collaborateur déjà en poste. Chaque mois est validé par un livrable et un critère d’acceptation écrit à l’avance.
| Mois | Thème | Atelier | Validation |
|---|---|---|---|
| M1 | IA embarquée Edge AI | Comprendre les contraintes du Edge AI | ✔ Cas d’usage Edge cadrés |
| M2 | Optimisation de modèles Quantization & pruning | Réduire la taille d’un modèle | ✔ Modèle allégé sans perte notable |
| M3 | Exécution embarquée TensorFlow Lite / ONNX | Exécuter un modèle sur appareil contraint | ✔ Modèle exécuté hors connexion |
| M4 | Inférence offline Mobile / IoT | Intégrer l’IA dans une application terrain | ✔ Inférence locale fonctionnelle |
| M5 | Mise à jour Gestion de flotte | Mettre à jour les modèles à distance | ✔ Modèles mis à jour à distance |
| M6 | Projet Edge AI Cas réel | Déployer une IA offline sur le terrain | ✔ Soutenance + démonstration hors-ligne |