Détecter les défauts de soudure avec très peu d'étiquettes
Aperçu
En quoi consiste ce défi.
Pré-entraînez un encodeur auto-supervisé et entraînez un classifieur binaire sur 200 images. Obtenez votre certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment exploiter des dizaines de milliers d'images de soudures non annotées pour construire un détecteur de défauts fiable alors que seulement 200 images portent une étiquette de qualité validée par un expert ?
Earning criteria — what you'll demonstrate
- Mettre en œuvre concrètement une méthode d'apprentissage auto-supervisé (contrastive ou par reconstruction masquée) sur des images industrielles réelles, thème central du cours
- Mesurer honnêtement le transfert d'une représentation apprise vers une tâche aval à très peu d'étiquettes, avec des références de comparaison non truquées
- Concevoir des augmentations de données adaptées à un domaine physique précis plutôt que reprendre les recettes standard de la littérature
- Quantifier l'incertitude d'un résultat expérimental (variance entre graines aléatoires, intervalles de confiance) au lieu de rapporter un seul score
- Traduire une contrainte industrielle (coût d'un faux négatif vs coût d'un re-contrôle) en choix de seuil et en métrique de décision
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceMachine Learning Engineer
Vous aurez construit une chaîne d'entraînement complète, du pré-entraînement à l'affinage, avec des comparaisons chiffrées et du code reproductible — exactement le travail quotidien d'un ingénieur qui doit livrer un modèle fiable sous contrainte de données rares et de matériel limité.
Ce défi renforce
- self-supervised-learning
- feature-pipelines
- production-model-tuning
MLOps Engineer
Le défi impose un dépôt relançable en une commande, des versions figées et une fiche de modèle documentée. Ce sont les briques de base du métier : rendre un entraînement rejouable et traçable plusieurs mois après son écriture.
Ce défi renforce
- feature-pipelines
- production-model-tuning
- model-validation
AI Engineer
Vous traduisez un besoin métier flou en protocole d'évaluation chiffré, puis en système livrable. Cette capacité à relier coût industriel, seuil de décision et architecture de modèle est le cœur du rôle d'ingénieur en intelligence artificielle appliquée.
Ce défi renforce
- self-supervised-learning
- model-validation
- cross-validation