IA, de l’idéation à l’industrialisation

Jour 1 (9h00-17h30) : Les grands enjeux du Big Data et de l’Intelligence Artificielle

Objectif pédagogique :

Développer une culture data afin d’avoir les compétences et les connaissances permettant de conceptualiser un cas d’usage d’Intelligence Artificielle et de fournir les outils appropriés pour valoriser ses données.

Programme de la séquence et intervenants :

– Introduction, tour de table et attentes des participants

– Comment est né le Big Data et pourquoi utilise-t-on l’Intelligence Artificielle ?

– Compréhension de la problématique de gestion des données massives, leur environnement et leur utilisation

– Différence entre Intelligence Artificielle, Machine Learning (ML) et Deep Learning (DL)

– Présentation des modèles couramment utilisés dans l’Intelligence Artificielle

– Présentation des différents métiers de la data (data analyst, data engineer, data scientist) avec qui travailler

– Discussion autour de plusieurs étude de cas / retours d’expériences

Jour 2 (9h00-17h30) : Passer du « Proof Of Concept » à l’industrialisation et de la mise à disposition des indicateurs opérationnels aux utilisateurs finaux

Objectif pédagogique :

Définir une démarche d’Intelligence Artificielle de bout en bout dans son organisation et développer un cadre facilitant le partage entre l’équipe produit et les différentes équipes techniques à des fins d’industrialisation rapide.

Programme de la séquence et intervenants :

– Lancement d’une démarche d’idéation d’un cas d’usage d’Intelligence Artificielle et cadrage des besoins

– Développement avec l’équipe produit d’une méthodologie Agile (intégration continue des utilisateurs finaux dans la phase de conception)

– Mise en place d’une gouvernance organisationnelle, de la donnée et des modèles

– Prise en compte du contexte réglementaire associés à l’exploitation de la data (RGPD, AI Act…)

– Définition d’une architecture adaptée aux attendus métiers et au cadre technique du service informatique cible de l’entreprise (technologie open source, fournisseur de plateforme data ou cloud comme AWS, Google Cloud, Azure, etc.)

– Optimisation du cycle de vie d’un projet data

– Mise en place d’une méthodologie DevOps / MLOps

– Discussion de plusieurs étude de cas / retour d’expériences

– Conclusion de l’atelier et discussion avec les participants