Cas d'usage concrets de l'IA

Ce sujet fait passer les fondamentaux à la pratique. Vous savez déjà ce qu'est le machine learning ; ici, vous décidez quand l'utiliser, quelle technique choisir, et quel service AWS livre le résultat sans que vous construisiez un modèle. C'est le premier endroit du cours où l'IA cesse d'être une définition et devient une décision.

Ce que couvre ce sujet

• quand l'IA et le ML apportent une vraie valeur, et quand une règle simple ou un humain fait mieux
• le test prédiction contre résultat exact et l'analyse coût-bénéfice qui écartent le ML
• la régression, la classification et le clustering, et comment choisir selon la forme de la réponse attendue
• les grands domaines d'application : vision par ordinateur, NLP, reconnaissance vocale, recommandation, détection de fraude, prévision, bases de connaissances et IA agentique
• les trois couches de services d'IA/ML d'AWS et les services prêts à l'emploi nommés à l'examen (Comprehend, Transcribe, Translate, Polly, Lex, Rekognition, Textract, et d'autres)
• le choix entre un modèle de ML traditionnel et un modèle de fondation, guidé par l'explicabilité, la réglementation et le coût

Pourquoi c'est important

L'examen AI Practitioner teste rarement des définitions ici. Il vous tend un scénario métier et attend que vous nommiez la bonne technique, la bonne application ou le bon service au premier regard. Ce sujet construit exactement ce réflexe : lire un problème, reconnaître sa forme, et pointer l'outil qui lui correspond.

Il installe aussi une discipline qui traverse tout le reste de la certification : le meilleur choix n'est pas le modèle le plus puissant, mais celui que les exigences imposent. Un montant qui doit être exact appelle une règle, pas une prédiction ; une décision qui doit être auditée favorise un modèle simple plutôt qu'un géant opaque. Cette habitude de faire correspondre l'outil aux contraintes est ce que les domaines suivants supposeront acquis.