Guide complet INF-307 — Pearson
Information Technology Specialist Artificial Intelligence · Programme, plan de révision, ressources, examen blanc gratuit.
La certification INF-307 Information Technology Specialist Artificial Intelligence de Pearson valide les fondamentaux de l'IA pour etudiants, techniciens IT et reconvertis. Examen QCM de 33 questions en 50 minutes, score requis 75%, prix 137 EUR. Aucun prerequis formel, niveau foundation accessible. Debouches : assistant data, technicien IA, support ML, junior AI engineer. Certification reconnue internationalement, ideale pour structurer ses bases avant des certifications avancees comme AWS AI Practitioner ou Microsoft AI-900.
Pourquoi passer la certification INF-307 ?
Passer INF-307 en 2026 represente un investissement strategique dans un marche ou l'IA generative et le machine learning transforment tous les secteurs. Selon France Travail, les offres mentionnant l'IA ont progresse de 78% entre 2024 et 2026, avec un deficit de 230 000 profils qualifies en Europe. Cette certification foundation valide vos connaissances theoriques en algorithmes ML, deep learning, traitement du langage naturel et vision par ordinateur, des competences desormais exigees meme sur des postes non specialises. Le ROI est rapide : pour 137 EUR d'examen, vous obtenez un credential international reconnu par Pearson VUE, distributeur des certifications Microsoft, CompTIA et Cisco. Sur un CV, INF-307 differencie les candidats juniors face a la concurrence et legitime une reconversion vers la data. Elle prepare egalement aux certifications cloud avancees (AWS Certified AI Practitioner, Azure AI Engineer, Google ML Engineer) en posant les bases conceptuelles indispensables. Pour les techniciens IT en poste, c'est un levier de mobilite interne vers les equipes data ou MLOps. Enfin, le format foundation rassure les recruteurs sur votre comprehension des enjeux ethiques et reglementaires (IA Act europeen entre en application en aout 2026).
Caractéristiques de l'examen
| Format | QCM 33 questions |
|---|---|
| Duree | 50 minutes |
| Score requis | 75% |
| Prix officiel | 137 EUR |
| Langues | Anglais (francais via Certiport selon centres) |
| Validite | A vie (pas de recertification) |
| Prerequis | Aucun formel, 150h d'etude recommandees |
Programme détaillé par domaine
Domain 1 : AI Fundamentals and Concepts 20%
- Objectifs
- Ce domaine pose les fondations conceptuelles de l'intelligence artificielle. Le candidat doit savoir definir l'IA, distinguer IA faible et IA forte, identifier les types d'apprentissage (supervise, non supervise, par renforcement, semi-supervise) et comprendre l'historique du domaine depuis Turing et Dartmouth 1956. Il faut maitriser le vocabulaire : agent intelligent, environnement, fonction objectif, biais algorithmique. Les objectifs incluent aussi la comprehension des cas d'usage sectoriels (sante, finance, transport, retail) et l'identification des limites actuelles de l'IA. Une partie evalue les principes ethiques, la transparence et l'explicabilite (XAI).
- Concepts clés
- Machine Learning vs Deep Learning vs IA symbolique, classification binaire et multiclasse, regression, clustering, reseaux de neurones artificiels, perceptron, fonctions d'activation (ReLU, sigmoid, softmax), overfitting et underfitting, biais-variance tradeoff. Comprendre les notions de feature engineering, dataset d'entrainement, validation et test, cross-validation k-fold. Connaitre les metriques d'evaluation : accuracy, precision, recall, F1-score, matrice de confusion, AUC-ROC. Les concepts d'IA generative (LLM, transformers, diffusion models) sont desormais inclus dans la version 2026.
- Services / outils
- Frameworks cites : TensorFlow, PyTorch, scikit-learn, Keras. Plateformes cloud : Azure AI, AWS SageMaker, Google Vertex AI. Outils no-code : Microsoft AI Builder, Google Teachable Machine.
- Temps estimé
- 12-15h
Domain 2 : Machine Learning Workflows 25%
- Objectifs
- Le candidat doit maitriser le cycle de vie complet d'un projet ML : collecte de donnees, preparation, modelisation, evaluation, deploiement, monitoring. L'accent est mis sur la methodologie CRISP-DM et son adaptation moderne MLOps. Il faut savoir choisir un algorithme adapte au probleme (classification, regression, clustering), preparer un dataset (nettoyage, normalisation, encoding) et interpreter les resultats. Les objectifs couvrent egalement la detection de drift, le retraining et les pipelines CI/CD pour modeles ML. La gestion des donnees manquantes, des outliers et du desequilibre de classes (SMOTE) fait partie du programme.
- Concepts clés
- Algorithmes supervises : regression lineaire, regression logistique, arbres de decision, random forest, gradient boosting (XGBoost, LightGBM), SVM, KNN, Naive Bayes. Non supervises : K-means, DBSCAN, PCA, t-SNE. Hyperparametres et tuning via grid search ou random search. Feature scaling : standardisation, min-max. Gestion du data leakage. Concepts MLOps : model registry, feature store, versioning (DVC, MLflow), A/B testing de modeles.
- Services / outils
- scikit-learn pipelines, MLflow, Kubeflow, Azure ML Studio, AWS SageMaker Pipelines, Vertex AI Pipelines, Weights and Biases, DVC pour le versioning de datasets.
- Temps estimé
- 15-18h
Domain 3 : Deep Learning and Neural Networks 20%
- Objectifs
- Ce domaine evalue la comprehension des reseaux de neurones profonds. Le candidat doit expliquer l'architecture d'un reseau (couches d'entree, cachees, de sortie), le processus de forward propagation et backpropagation, le calcul du gradient et l'optimisation par descente de gradient stochastique (SGD, Adam, RMSprop). Les objectifs incluent la reconnaissance des architectures specialisees : CNN pour la vision, RNN/LSTM pour les sequences, Transformers pour le NLP. Le candidat doit savoir quand utiliser le transfer learning et identifier les ressources GPU/TPU necessaires.
- Concepts clés
- Convolutional Neural Networks (filtres, pooling, strides, padding), Recurrent Neural Networks et probleme du vanishing gradient, LSTM et GRU, mecanisme d'attention, architecture Transformer (encoder-decoder, self-attention). Regularisation : dropout, batch normalization, L1/L2. Fonctions de cout : cross-entropy, MSE. Learning rate scheduling. Transfer learning avec ResNet, VGG, BERT, GPT. Notions de fine-tuning et de prompt engineering pour les LLM.
- Services / outils
- TensorFlow 2.x, PyTorch, Hugging Face Transformers, OpenAI API, Anthropic Claude API, NVIDIA CUDA, Google Colab, Kaggle Notebooks.
- Temps estimé
- 14-16h
Domain 4 : Natural Language Processing and Computer Vision 20%
- Objectifs
- Le candidat doit maitriser les applications phares de l'IA moderne. En NLP : tokenisation, lemmatisation, stemming, embeddings (Word2Vec, GloVe, BERT), analyse de sentiment, NER, traduction automatique, generation de texte avec LLM. En vision : classification d'images, detection d'objets (YOLO, R-CNN), segmentation semantique, OCR. Les objectifs incluent la comprehension des pipelines de pretraitement (resizing, augmentation) et l'evaluation specifique (BLEU, ROUGE, mAP, IoU). L'IA generative (DALL-E, Stable Diffusion, Midjourney) est integree au programme 2026.
- Concepts clés
- Bag-of-words, TF-IDF, n-grams, embeddings contextuels, attention mechanism. Transformers : BERT, GPT-4, Claude, Llama. RAG (Retrieval Augmented Generation), vector databases (Pinecone, Weaviate, ChromaDB). Vision : data augmentation (flip, rotation, crop), pretrained models (ImageNet), GANs, modeles de diffusion. Multimodalite : CLIP, Gemini, GPT-4V.
- Services / outils
- spaCy, NLTK, Hugging Face, OpenCV, YOLO v8, Tesseract OCR, Azure Cognitive Services, AWS Rekognition, Google Vision API.
- Temps estimé
- 12-15h
Domain 5 : AI Ethics, Security and Deployment 15%
- Objectifs
- Ce domaine couvre les enjeux ethiques, reglementaires et securitaires. Le candidat doit connaitre l'IA Act europeen (classification des risques, obligations), le RGPD applique aux donnees d'entrainement, et les principes d'IA responsable de l'OCDE. Il faut comprendre les biais (selection, mesure, confirmation), les techniques de debiaisage, la confidentialite differentielle et l'apprentissage federe. La securite couvre les adversarial attacks, prompt injection, data poisoning et model theft. Le deploiement aborde les API REST, conteneurs Docker, Kubernetes et serverless.
- Concepts clés
- IA Act 2026 : systemes a risque inacceptable, eleve, limite, minimal. RGPD article 22 sur les decisions automatisees. Fairness metrics : demographic parity, equalized odds. Explainable AI : LIME, SHAP. Adversarial examples, prompt injection, jailbreaking. Privacy-preserving ML : differential privacy, federated learning, homomorphic encryption. Edge AI vs cloud AI. Carbon footprint des modeles (Green AI).
- Services / outils
- Docker, Kubernetes, FastAPI, Flask, ONNX Runtime, TensorFlow Lite, NVIDIA Triton, Azure ML endpoints, AWS SageMaker endpoints, Guardrails AI.
- Temps estimé
- 8-10h
Plan de révision hebdomadaire
Planning recommande sur 8 semaines a raison de 8-10h par semaine. Semaine 1 : Fondamentaux IA. Lire la documentation officielle Pearson INF-307, suivre le cours Elements of AI (universite Helsinki, gratuit). Realiser des fiches sur le vocabulaire et l'historique. Semaine 2 : Machine Learning supervise. Pratiquer sur Kaggle avec le dataset Titanic et Iris, implementer regression lineaire et arbres de decision en Python scikit-learn. Semaine 3 : Machine Learning non supervise et evaluation. Travailler le clustering K-means, PCA, et toutes les metriques (precision, recall, F1, AUC). Faire un premier examen blanc diagnostique. Semaine 4 : Deep Learning. Suivre le cours fast.ai ou DeepLearning.AI sur Coursera. Construire un premier reseau de neurones avec Keras sur MNIST. Semaine 5 : CNN et vision par ordinateur. Implementer un classifieur d'images avec transfer learning (ResNet50). Etudier YOLO et la detection d'objets. Semaine 6 : NLP et LLM. Manipuler Hugging Face Transformers, faire du fine-tuning BERT, experimenter avec l'API Claude ou OpenAI. Comprendre RAG. Semaine 7 : Ethique, IA Act, securite et deploiement. Lire le texte officiel de l'IA Act, etudier les cas SHAP/LIME. Deployer un modele via FastAPI dans Docker. Semaine 8 : Revisions finales et examens blancs. Faire 3 examens blancs chronometres (MeasureUp officiel), revoir les erreurs, consolider les fiches, dormir 8h la veille. Reserver l'examen 5 jours avant la date prevue pour eviter le stress logistique.
Besoin d'un planning sur mesure ? 30 jours · 60 jours · 90 jours
Ressources recommandées
Objectifs detailles, exemple de questions et liste des centres d'examen agrees en France.
Cours gratuit en francais, parfait pour le domaine 1. Certificat d'achevement disponible.
Examens blancs officiels valides par Pearson. Comptez 90 EUR pour la version complete.
Micro-cours gratuits sur ML, deep learning, computer vision et NLP avec notebooks pratiques.
5 erreurs classiques à éviter
- Erreur 1 : Negliger les definitions de base. Beaucoup confondent IA, ML et Deep Learning. Memorisez les distinctions exactes et leurs relations hierarchiques pour les questions de vocabulaire qui representent 15% de l'examen.
- Erreur 2 : Ignorer les metriques d'evaluation. Confondre precision et recall est l'erreur la plus commune. Apprenez par coeur la matrice de confusion et calculez manuellement F1-score sur des exemples papier.
- Erreur 3 : Survoler l'IA Act et le RGPD. Le domaine 5 est sous-estime alors qu'il pese 15%. Les questions ethiques et reglementaires sont nombreuses depuis la mise a jour 2026 et necessitent une lecture attentive du texte europeen.
- Erreur 4 : Ne pas pratiquer en Python. Meme si l'examen est theorique, comprendre scikit-learn et Keras concretement aide a repondre aux questions sur le workflow ML. Faites au moins 5 notebooks Kaggle.
- Erreur 5 : Sous-estimer le timing. 33 questions en 50 minutes laissent 90 secondes par question. Entrainez-vous en condition reelle avec MeasureUp pour ne pas paniquer sur les enonces longs en anglais.
5 questions types corrigées
Carrière & salaire après INF-307
INF-307 ouvre des postes juniors : assistant data analyst (32-38k EUR), technicien IA (35-42k EUR), AI support engineer (38-45k EUR) et chef de projet IA junior (40-48k EUR) en France selon le barometre APEC 2026. En Allemagne et aux Pays-Bas, comptez 15 a 25% de plus. Apres 3 ans d'experience, l'evolution naturelle mene vers machine learning engineer (55-75k EUR) ou data scientist (60-80k EUR). Certifications complementaires recommandees : Microsoft AI-900 puis AI-102, AWS Certified AI Practitioner, Google Cloud ML Engineer, et pour les profils techniques avances la certification TensorFlow Developer. La combinaison INF-307 plus une certification cloud double les opportunites d'embauche selon LinkedIn Talent Insights.
FAQ — INF-307
Combien de temps faut-il pour preparer INF-307 ?
Comptez 100 a 150 heures sur 6 a 8 semaines pour un debutant motive. Un profil IT avec bases en programmation peut viser 60-80 heures sur 4 semaines.
Cette certification est-elle reconnue en France ?
Oui, Pearson Certiport est mondialement reconnu et la certification figure sur de nombreuses fiches de poste IT. Elle n'est pas inscrite au RNCP mais valorisee par les recruteurs prives et les ESN.
Quel est le taux de reussite a INF-307 ?
Environ 70% au premier passage selon les statistiques Certiport 2025, plus eleve que la moyenne des certifications IT grace au format foundation et a la duree limitee a 50 minutes.
Quel est le salaire apres INF-307 ?
Pour un premier poste en France, attendez-vous a 32-45k EUR brut annuel. La certification seule ne suffit pas, mais combinee a un stage ou alternance, elle accelere significativement l'embauche.
Faut-il une experience prealable ?
Non, aucun prerequis officiel. Toutefois, des bases en mathematiques (statistiques, algebre lineaire) et en Python facilitent grandement la preparation et la comprehension des concepts.
INF-307 ou cert concurrente : laquelle choisir ?
Comparee a AWS AI Practitioner (165 USD) ou Microsoft AI-900 (99 USD), INF-307 est plus generaliste et neutre vis-a-vis des clouds. Choisissez INF-307 pour les fondamentaux, AI-900 si vous visez l'ecosysteme Microsoft Azure.
Combien coute l'examen INF-307 ?
137 EUR HT en France via un centre Certiport agree. Ajoutez 90 EUR pour MeasureUp et eventuellement 200-400 EUR pour une formation accompagnee. Budget total recommande : 300-600 EUR.
Combien de fois peut-on repasser INF-307 ?
En cas d'echec, un delai de 24 heures est impose avant la deuxieme tentative. A partir de la troisieme, comptez 14 jours d'attente. Aucune limite globale de tentatives, mais chaque passage est facture plein tarif.
Prêt à passer à la pratique ?
Lancez votre examen blanc gratuit ou faites le test d'orientation pour valider votre choix.
Démarrer l'examen blanc INF-307 → Test d'orientation