Les agents autonomes et aide à la décision
Lot 4 - Gestion et analyse des données - Intelligence Artificielle - Référence 4-130
Formation créée le 12/12/2024. Dernière mise à jour le 13/10/2025.Version du programme : 1
Type de formation
Formation présentielleDurée de formation
12 heures (2 jours)Les agents autonomes et aide à la décision
Lot 4 - Gestion et analyse des données - Intelligence Artificielle - Référence 4-130
Objectif général de la formation: À l’issue de la formation, les participants seront capables de concevoir et de mettre en œuvre des agents intelligents autonomes, tout en maîtrisant les approches d’optimisation et les principes de prise de décision en environnement dynamique. Modalité : Toutes les modalités (présentiel, classe virtuelle et hybride) sont possibles Lieu possible de réalisation : Locaux du bénéficiaire ou locaux d’Ascent Formation, en France métropolitaine et dans les DROM-COM Nombre maximal de participants : 20 Niveau SAME visé : Application (A) Compétences visées Identifier les solutions d’IA adaptées à la prise de décision en environnement complexe. Concevoir des agents intelligents capables d’interagir avec leur environnement. Appliquer des techniques d’optimisation (programmation sous contraintes, recuit simulé). Implémenter des fonctions d’autonomie pour les systèmes robotisés.
Objectifs de la formation
- Comprendre les solutions IA dédiées à la prise de décision et leurs applications.
- Concevoir des agents intelligents capables d’interagir dynamiquement avec leur environnement.
- Appliquer des techniques d’optimisation dans des contextes complexes.
- Maîtriser les principes d’autonomie dans les systèmes robotisés.
Profil des bénéficiaires
- Ingénieurs en intelligence artificielle.
- Développeurs et concepteurs de systèmes intelligents.
- Responsables techniques dans des projets d’automatisation ou de robotique.
- Connaissances en algorithmique et programmation.
- Notions de base en intelligence artificielle et en robotique.
Contenu de la formation
Jour 1 : Introduction aux agents intelligents et solutions IA (6 heures)
- Solutions IA pour la prise de décision (2 heures) : Exploration des approches basées sur des règles, réseaux bayésiens et apprentissage supervisé. Analyse des limites et avantages des différentes solutions IA. Étude de cas : systèmes de recommandation et diagnostic médical. Travaux pratiques : Identifier et comparer des solutions IA adaptées à un problème donné.
- Concept des agents intelligents et interactions avec l’environnement (2 heures) : Définition et caractéristiques d’un agent intelligent. Modèles d’interaction avec l’environnement via capteurs et effecteurs. Exemples d’applications en robotique et domotique. Travaux pratiques : Simuler les interactions d’un agent avec son environnement dans un scénario donné.
- Architecture des agents intelligents (2 heures) : Modèles réactifs, délibératifs et hybrides. Intégration des modules de perception, décision et action. Discussion sur les défis d’implémentation en environnements réels. Travaux pratiques : Concevoir l’architecture d’un agent pour un cas pratique spécifique.
Jour 2 : Optimisation et autonomie des systèmes robotisés (6 heures)
- Techniques d’optimisation pour les agents (2 heures) : Programmation sous contraintes : principes et applications. Recuit simulé : concept et implémentation. Comparaison des approches selon les contraintes de performance. Travaux pratiques : Résoudre un problème d’optimisation avec programmation sous contraintes et recuit simulé.
- Autonomie des systèmes robotisés (2 heures) : Boucle perception-décision-action : structure et fonctionnement. Gestion des incertitudes dans un environnement dynamique. Intégration des algorithmes d’apprentissage pour l’autonomie des systèmes. Travaux pratiques : Implémenter un algorithme simple d’autonomie pour un robot simulé.
- Tests et validation des systèmes (2 heures) : Conception de scénarios de test pour agents intelligents. Évaluation des performances et robustesse en conditions simulées. Documentation et bonnes pratiques pour déploiement réel. Travaux pratiques : Tester et analyser les performances d’un agent autonome dans un environnement simulé.