Une question ?

Assistant 2IIA

Bonjour !
Je suis l'assistant 2IIA.
Que cherchez-vous ?

Formation · IA & Transition énergétique

IA &
Énergie.

Des fondamentaux du machine learning aux cas d'usage industriels du secteur de l'énergie : maintenance prédictive, IA générative, agents et vision par ordinateur, avec des travaux pratiques sur données énergétiques en Python.

6 modules

En 2 parties
fondamentaux puis cas d'usage

Python

TP sur données
énergétiques réelles

100 %

À distance
en classe virtuelle

— Partie I

Fondamentaux de l'IA

Module 1

Introduction à l'IA et énergie

Panorama et enjeux du secteur

1.1

Panorama de l'IA dans la transition énergétique

Définitions : IA, ML, DL et leurs différences
Applications actuelles et futures dans l'industrie nucléaire
Exemples concrets : EDF, Engie, Framatome, Orano

1.2

Enjeux spécifiques au secteur de l'énergie

Contraintes de sûreté, fiabilité et explicabilité
Cadre réglementaire et certification des systèmes IA
Défis techniques : données limitées, environnements extrêmes

Module 2

Machine Learning et données

Des données brutes aux modèles validés

2.1

Les données, fondement de l'IA

Typologie des données industrielles : séries temporelles, images, signaux capteurs
Préparation : nettoyage, normalisation, gestion des valeurs manquantes
Déséquilibre des classes : problématique critique en maintenance prédictive
Représentativité : échantillonnage, biais de sélection, domain shift
Annotation et labellisation : stratégies, coûts, qualité des labels
Stockage et pipeline : architecture pour données massives
Cas pratique : analyse d'un dataset de production d'électricité

2.2

Fondements mathématiques du ML

Algèbre linéaire appliquée : matrices et vecteurs
Statistiques : distributions, estimation de paramètres
Métriques : précision, rappel, F1-score, AUC-ROC
Optimisation : gradient, fonction coût

2.3

Algorithmes de classification

Régression logistique : sigmoïde, maximum de vraisemblance
Arbres de décision : entropie, gain d'information
SVM : marges, noyaux
Forêts aléatoires : bootstrap, vote majoritaire

2.4

Régression et validation

Régression linéaire : moindres carrés, régularisation Ridge/Lasso
Validation croisée : k-fold, stratification
Sélection de modèles et diagnostic des performances

2.5Pratique

TP · Classification multi-domaines

Défauts industriels : corrosion vs usure normale
Régression énergétique : consommation électrique d'un bâtiment
Données déséquilibrées : détection de fraude financière
Comparaison des algorithmes sur données hétérogènes

Module 3

Deep Learning

Architectures, entraînement, applications

3.1

Types d'apprentissage

Supervisé : classification, régression avec labels complets
Non supervisé : clustering, réduction de dimension, anomalies
Semi-supervisé : données partiellement labellisées
Auto-supervisé : représentations sans labels externes
Par renforcement : optimisation par interaction
Transfer learning : réutilisation de modèles pré-entraînés
Few-shot et zero-shot : peu ou pas d'exemples

3.2

Architectures de réseaux de neurones

Perceptron multicouche : activations, approximation universelle
CNN : convolution, pooling, filtres
RNN / LSTM : mémoire, séquences temporelles
Autoencodeurs : compression, reconstruction, anomalies
Transformers pour séries temporelles

3.3

Entraînement et optimisation

Rétropropagation et calcul des gradients
Optimiseurs : SGD, Adam
Régularisation : dropout, batch normalization
Réglage des hyperparamètres et diagnostic d'entraînement

3.4Pratique

TP · Deep Learning multi-applications

Autoencoder sur signaux vibratoires industriels
Classification d'images : visages vs composants techniques
Prédiction temporelle LSTM : cours boursiers vs météo
Transfer learning depuis ImageNet

— Partie II

Cas d'usage industriels avancés

Module 4

Maintenance prédictive et surveillance

Diagnostic, pronostic, cas d'étude

4.1

Évolution des stratégies de maintenance

Réactive : réparation après panne (run-to-failure)
Préventive : interventions à intervalles fixes
Prédictive : intervention selon l'état réel
Prescriptive : recommandation d'actions optimales
Indicateurs : ROI, disponibilité, MTBF, coûts
Enjeux économiques : sur-maintenance vs risque de panne

4.2

Diagnostic : détection d'anomalies

Objectif : détecter des anomalies inconnues à partir de l'historique
Feature engineering : domaines temporel, fréquentiel, temps-fréquence ; indicateurs métier
Algorithmes : Isolation Forest, One-Class SVM, LOF, autoencodeurs
Explicabilité : causes racines (SHAP, LIME)
Fausses alarmes et optimisation des seuils

4.3

Pronostic : estimation de la RUL

Remaining Useful Life : temps restant avant défaillance
Approches basées données : historique de pannes
Modèles de survie : Weibull, Cox, fiabilité
Deep Learning temporel : LSTM, Transformer
Incertitude : intervalles de confiance, approches bayésiennes
Fusion multi-capteurs

4.4Pratique

Cas d'étude · Panne sur pompe

Données : vibrations, température, pression, courant
Objectif : détecter l'usure des roulements avant défaillance
Features : RMS, kurtosis, pics fréquentiels
Modèle : autoencoder de détection d'anomalies
Seuil d'alerte : 2 semaines avant la panne prédite
Résultat : −40 % d'arrêts non programmés

Module 5

IA générative et agents

Diffusion, LLM, RAG, agents

5.1

Modèles de diffusion

Diffusion directe et inverse : ajout et suppression de bruit
Architecture U-Net : convolutions, skip connections
Stable Diffusion pour images techniques
Données synthétiques d'inspection, augmentation de datasets
Génération guidée par paramètres physiques

5.2

Transformers et LLM

Attention, encodeur-décodeur
Pré-entraînement et fine-tuning pour domaines techniques
Rédaction de rapports, analyse de logs
Limites : hallucinations, connaissances figées

5.3

RAG et documentation intelligente

Retrieval-Augmented Generation : recherche + génération
Embeddings vectoriels
Bases vectorielles : recherche par similarité
Pipeline : indexation → recherche → génération

5.4Pratique

Agents IA et automatisation

Perception, raisonnement, action
Orchestration de tâches et chaînage d'outils
Diagnostic automatisé, génération de procédures
TP Agent RAG : agent conversationnel interrogeant une base de documents de réparation pour guider le dépannage

Module 6

Vision par ordinateur industrielle

Inspection et contrôle automatisés

6.1

Vision pour l'inspection

Prétraitement : débruitage, correction géométrique
Segmentation sémantique des défauts
Détection d'objets : YOLO, R-CNN
Textures et morphologie mathématique
Robustesse : radiation, température, vibrations

6.2

Applications spécialisées

Inspection de soudures et assemblages
Détection et quantification de la corrosion
Reconnaissance de composants, conformité
Suivi de l'évolution des structures

— Contact

Parlons de votre formation

Demander un devis → Voir les formations IA →

Formation certifiante

Aller plus loin : un titre professionnel RNCP

2IIA, organisme de formation certifié Qualiopi à Paris (3e), prépare à des titres professionnels du Ministère du Travail, inscrits au RNCP et suivis 100 % à distance.

RNCP 39180 · Niveau 5 (Bac+2)

Titre professionnel Chargé d’accompagnement à la rénovation énergétique du bâtiment

406 h à distance + 280 h de stage. Accompagnement des ménages dans leurs projets de rénovation énergétique. Finançable par l’AIF de France Travail.

Voir le titre → RNCP 37674 · Niveau 5 (Bac+2)

Titre professionnel Développeur Web et Web Mobile

686 h à distance avec stage en entreprise. Développement web et mobile avec les outils d’IA utilisés en entreprise. Finançable par l’AIF de France Travail.

Voir le titre →

Cette formation courte ne délivre pas le titre professionnel. Elle peut constituer une première étape vers ce parcours certifiant.

IA & Énergie.