Syllabus Intégral & Cadre Opérationnel

Ce document constitue le référentiel complet de la formation. Il détaille l'organisation pédagogique, les prérequis techniques, ainsi que le programme exhaustif des six modules constituant le parcours d'expertise en Intelligence Spatiale 3D. Ce syllabus sert de base à la contractualisation et à l'évaluation des compétences acquises.

"Devenez l'architecte du monde numérique. Maîtrisez le cycle complet des données 3D, de l'acquisition brute aux agents IA autonomes et au Scan-to-BIM intelligent."

1. Cadre Administratif, Qualité & Inscription

Dimension Détails
Objectifs Globaux
  • Acquisition : Maîtriser les protocoles de capture LiDAR et photogrammétriques pour la création de jumeaux numériques métriques.
  • Traitement : Développer des pipelines automatisés complexes pour la segmentation, le clustering et la vectorisation de nuages de points massifs.
  • Agents IA : Concevoir et déployer des agents autonomes intégrant des modèles de langage (LLMs) pour le raisonnement spatial et l'action.
Public Cible Ingénieurs, Data Scientists, Développeurs R&D, BIM Managers, Entrepreneurs DeepTech.
Prérequis Python (niveau débutant accepté) et algèbre linéaire de base (vecteurs, matrices). Consultez notre guide de mise à niveau →
Durée Totale 120 heures (environ 12 semaines). Formation 100% asynchrone en e-learning (FOAD). Sessions synchrones optionnelles (mentorat, office hours) non requises pour la validation.
Délai d'accès Un délai minimum de 14 jours entre l'inscription et le début de la formation est appliqué.
Inscription Via le portail 3DGA, suivi d'un contact direct (howto@learngeodata.eu).
Modalités Formation réalisée 100% en e-learning asynchrone (FOAD), accessible 24h/24 via notre LMS. Les sessions synchrones (mentorat, office hours) sont optionnelles et non requises pour la validation du parcours.
Accessibilité & Handicap Formations accessibles aux personnes en situation de handicap (référent dédié). Étude personnalisée des besoins lors de l'inscription. Contact référent : howto@learngeodata.eu
Contact Dr. Florent Poux — howto@learngeodata.eu
3D Geodata Academy — SIRET 93958613700019
200 Rue de la Croix Nivert, 75015 Paris

Tarifs des Packs de Formation

Pack Contenu Tarif HT
CORE Modules 1 à 4 — Accès LMS, Datasets industriels, Code source, Communauté Discord 1 497 €
ELITE (Recommandé) Modules 1 à 6 — Pack Core + Mentorat mensuel Dr. Poux, Curation de code personnalisée, Portfolio validé, Assistance carrière & réseau 2 997 €
SUPREME Tout le pack Elite + Mentorat 1-to-1 (3 sessions), Co-publication scientifique, Accès R&D Hub Premium, Logiciel Intelligence Spatiale 3D, Coaching business & stratégie 4 997 €

Tarifs HT. TVA 20%.

1 bis. Indicateurs de Résultats

Conformément à l'article R. 6316-3 du Code du travail et au Référentiel National Qualité (Indicateur 2), les indicateurs de résultats ci-dessous sont rendus publics :

Indicateur Valeur
Nombre de stagiaires (formation France) En cours de collecte — organisme nouvel entrant
Taux de satisfaction En cours de collecte — organisme nouvel entrant
Taux de réussite (obtention certificat) En cours de collecte — organisme nouvel entrant
Taux d'abandon / interruption En cours de collecte — organisme nouvel entrant
Taux d'insertion professionnelle En cours de collecte — organisme nouvel entrant

Dernière mise à jour : mars 2026. Prochaine publication prévue : septembre 2026, à l'issue de la première cohorte de la formation française.

2. Moyens Techniques & Pédagogiques

3. Structure Globale du Parcours

Module Titre & Focus Projet Livrable
M1 3D Python Systems
Maths 3D, Environnement, Multimodal Viewers		 3D Data Processing Software
M2 3D World Reconstruction
LiDAR, Photogrammétrie, NeRF, 3DGS		 One-Click Reconstruction Engine
M3 Smart Point Clouds
Segmentation, RANSAC, SAM 3D, Clustering		 HITL Labelling System
M4 3D Deep Learning
PointNet++, KPConv, Transformers 3D		 End-to-end 3D Classifier
M5 Spatial AI & Agents
LLMs, Scene Graphs, LangChain, Reasoning		 Agentic Spatial Web App
M6 Digital Twins & BIM
Scan-to-BIM, IFC, Topology, Change Detection		 Digital Twin Geometric Engine

Module 1 : 3D Python Systems (20h)

Objectif : Établir un environnement de production et maîtriser les mathématiques 3D fondamentales pour construire des micro-logiciels analytiques.

  • Architecture Environment and Setup (Anaconda, Spyder).
  • 3D Data Science : The Operating System.
  • 3D Tools Setup : Logiciels, Librairies et Automatisations.
  • 3D Data Setup : Sources, Curation et Bases de données.
  • Maths pour la 3D : Vecteurs, produits scalaires, systèmes de coordonnées.
  • Représentation des données : Nuages de points, voxels, maillages.
  • Conversions : Nuage de points vers Voxels et vers Mesh.
  • Modélisation 3D avancée (Algorithmes, CAD, BIM).
  • Développement d'un Visualiseur 3D Multimodal.
  • Reconstruction de bâtiments à partir de données LiDAR.
  • Construction d'applications analytiques locales en Python.
  • Utilisation de l'IA et des LLMs pour accélérer la Data Science 3D.

Projet 1 : Création d'un logiciel de traitement de données 3D multimodal.

Module 2 : 3D World Reconstruction (20h)

Objectif : Créer des pipelines automatisés pour convertir des environnements physiques en modèles numériques métriques.

  • Fondamentaux de la reconstruction 3D.
  • Acquisition de données photogrammétriques sur site.
  • Pipeline complet de reconstruction 3D (SfM, MVS).
  • Automatisation Python : De l'image/vidéo au modèle 3D.
  • Calibration caméra et photogrammétrie métrique (GCPs).
  • Fondamentaux du LiDAR et scanning grande échelle.
  • Processus Batch pour l'automatisation 100% Python.
  • Deep Learning pour l'estimation de profondeur monoculaire.
  • Modèles de fondation : Image vers Voxels 3D.
  • Reconstruction métrique "in the wild".
  • IA Générative et Rendu Neural (NeRF).
  • 3D Gaussian Splatting : Reconstruction haute fidélité.
  • Édition et partage de modèles 3D Gaussian Splatting.
  • Création d'expériences de monde virtuel (Desktop + Web).

Projet 2 : Développement d'un moteur de reconstruction "One-Click" avec Python.

Module 3 : Smart Point Clouds - Intelligence (20h)

Objectif : Appliquer des algorithmes géométriques et non-supervisés pour extraire du sens des données spatiales brutes.

  • L'espace latent 3D (Voxels, Mesh, CAD, 3DGS vers nuage).
  • Pré-traitement des nuages de points et échantillonnage voxel-grid.
  • Stratégies Big Data : Chunks, Tiles, Streaming.
  • Architecture des Nuages de Points Intelligents.
  • Analyse en Composantes Principales (PCA) et extraction de caractéristiques.
  • RANSAC d'ordre N et détection automatique de sol.
  • Structures spatiales : KD-Tree, Octree et stratégies de recherche.
  • K-NN et Clustering Euclidien multi-échelle.
  • Segmentation par croissance de région (Region Growing).
  • Théorie du clustering pour le Machine Learning 3D.
  • Techniques non-supervisées : DBSCAN & HDBSCAN.
  • Systèmes semi-automatisés : Humain dans la boucle (HITL).
  • Structuration de bases de données spatiales (PostgreSQL/PostGIS).
  • Extraction de Bounding-Boxes et reconnaissance de formes.
  • Segmentation sémantique via Machine Learning 3D.
  • Fusion multi-modale : De l'image au nuage de points.
  • Intégration de Segment Anything (SAM) pour la 3D.
  • Construction d'une GUI d'étiquetage 3D personnalisée.

Projet 3 : Création d'un système d'étiquetage intelligent pour nuages de points massifs.

Module 4 : 3D Deep Learning Architecture (20h)

Objectif : Concevoir, entraîner et déployer des réseaux de neurones pour la classification et la segmentation 3D.

  • Workflows et architectures Deep Learning 3D.
  • Bases des ANN et CNN pour la spatialité.
  • Configuration Python & classes PyTorch personnalisées.
  • PointNet : Architecture et préparation des données.
  • PointNet : Entraînement et classification d'objets.
  • Deep Residual Learning (ResNet) et EfficientNet en 3D.
  • Création de CNN/R-CNN 3D "from scratch".
  • PointNet++ pour la segmentation sémantique indoor.
  • Modélisation avancée : KPConv sur LiDAR aérien.
  • Système GrowSP (Unsupervised + Supervised).
  • Modèles génératifs pour les données 3D.
  • Systèmes hybrides de segmentation sémantique AI.
  • Déploiement d'applications 3D Deep Learning (Local/Cloud).

Projet 4 : Entraînement d'un classificateur Deep Learning 3D de bout en bout.

Module 5 : Spatial AI / Agentic AI / LLMs (20h)

Objectif : Intégrer les LLMs aux données 3D pour créer des agents autonomes capables de raisonnement spatial.

  • Géométrie, Sémantique et Topologie pour l'IA.
  • Workflows de la Data Science vers la Spatial AI.
  • Détection d'objets 3D non-supervisée.
  • Injection sémantique via workflow HITL.
  • Théorie des Graphes appliquée aux jeux de données 3D.
  • Génération et assemblage de Graphes de Scène 3D.
  • Caractérisation de graphes de scènes non-supervisée.
  • Structuration des graphes comme espace latent pour l'IA.
  • Architecture des agents et couche d'intégration LLM (LangChain).
  • Du Chat aux Agents : Cadrage, Planification et Raisonnement.
  • Middleware de système de fichiers et indexation spatiale.
  • Interaction : Outils de transformation et état de l'agent.
  • Prompt Engineering pour contextes spatiaux 3D.
  • Compréhension de scène en langage naturel.
  • Spatial AI en production : Apps de chat (Streamlit) et Cloud.
  • Agents IA pour flux de reconstruction professionnels.

Projet 5 : Application Web intégrant des agents IA pour la perception spatiale et l'action.

Module 6 : Digital Twins / Scan-to-BIM (20h)

Objectif : Construire des Jumeaux Numériques précis via la vectorisation avancée et la gestion d'actifs.

  • Définition et enjeux du Jumeau Numérique 3D.
  • Standards ouverts : BIM, CIM, IFC et Smart Cities.
  • Bibliothèques Open-Source pour Jumeaux Numériques.
  • Utilisation de l'OpenData pour l'extraction de contexte.
  • Plateforme interactive et catalogue de données 3D.
  • Intégration de couches de données statiques et temps-réel.
  • Vectorisation LiDAR 2D/3D (Modélisation urbaine).
  • Framework Scan-to-BIM de bout en bout.
  • Moteur Géométrique : Stratégie de modélisation paramétrique.
  • Système Sémantique : Détection automatisée d'objets 3D.
  • Moteur Topologique : Génération de graphes pilotée par ontologie.
  • Modélisation Sémantique : Génération de formes et analyse.
  • Intégration AI-Driven pour les Jumeaux Numériques.
  • Standardisation, exports et interopérabilité.
  • Moteur de détection de changement (Change Detection).

Projet 6 : Mise en place d'un pipeline complet de création de Jumeau Numérique.

4. Évaluation & Validation

L'évaluation se déroule en trois temps tout au long du parcours :

Moment Type d'évaluation Détail Critère de validation
Avant la formation Test de positionnement QCM en ligne (Python, algèbre linéaire de base) pour adapter l'accompagnement. Informatif (pas de note minimale)
Pendant la formation Quiz de fin de module (×6) QCM automatisé à la fin de chaque module, portant sur les compétences clés du module. Score ≥ 70 % par quiz
Pendant la formation Projets livrables (×6) Chaque module se conclut par un projet concret déposé sur GitHub (code, documentation, résultats). Projet fonctionnel et documenté
En fin de formation QCM final (120 questions) Évaluation transversale couvrant l'ensemble des 6 modules. Score ≥ 70 %
En fin de formation Revue de portfolio GitHub Évaluation qualitative par le formateur des 6 projets consolidés. Validation par le formateur

Conditions d'obtention de l'attestation de réussite : le stagiaire doit avoir validé les 6 quiz de module (≥ 70 %), le QCM final (≥ 70 %) et obtenu la validation de son portfolio GitHub par le formateur. L'attestation de fin de formation (120h) et le badge numérique Alumni sont alors délivrés.

Écosystème d'accompagnement

Dr. Florent Poux Signature

© 2026 3D Geodata Academy France. Document de référence 3DGA-SYLLABUS-V4.