Formation : Conduire un projet d’intelligence artificielle (IA)

Rappel de notions clés sur l’intelligence artificielle et le machine learning

Appréhender l’intelligence artificielle et ses opportunités

• Comprendre le Big Data et ses ‘3 V’
• Qu'est-ce que l’IA et le machine learning en entreprise ? Vocabulaire, concepts et principes théoriques clé
• L’IA, une technologie qui fait déjà partie du quotidien : multiples exemples de cas d’usage en entreprise
• Quelles opportunités pour votre entreprise ou service ?

Décrypter les risques de l’IA, ainsi que les aspects éthiques et légaux

• Distinguer l’éthique de la loi
• Régulation européenne : RGPD et IA Act
• Aspects éthiques / légaux : biais dans les données, risque discriminatoire, dilemmes, mesure, remédiation…

Brainstorming : débrief sur l’impact potentiel de l’IA sur votre entreprise

Lancer et piloter votre projet d’IA

Déterminer les facteurs clés de succès d'un projet IA, les points fondamentaux à clarifier avant tout lancement et se donner une méthode

• Définir votre objectif
• Identifier les moyens nécessaires : métriques, données, outils, budgets et acteurs
• Zoom sur le machine learning canvas
• Connaître les écueils à éviter

Cas pratique : réflexion des participants sur la base de leur propre projet IA

- Comment formuler votre objectif de manière claire et opérationnelle
- Comment conjuguer au mieux la vision ROI-ste et mathématique d'un projet IA
- Disposez-vous d’un patrimoine de données historisées et conformes à la RGPD ?

Pas de projet de Machine Learning sans données

• Les données sont la brique essentielle d’un projet IA !
• Reconnaître et traiter les principaux biais dans les données
• Le feature engineering, une étape clé
• L’utilité de la visualisation
• L’utilité de l’expertise métier

Maîtriser le cycle d'un projet IA : un processus itératif

• Comprendre le workflow d’un projet d’aide automatisée à la décision grâce au Machine Learning
• Focus sur les étapes clé du workflow
• Du proof-of-concept au Build : valider que les performances a priori sont confirmées a posteriori
• Du Build au Run : passage en production et automatisation du machine learning
• Monitoring en Run : maintien en conditions opérationnelles d'une application IA (feature-drift et réentraînement)

Cas pratique

- Présentation et prise en main d’une plateforme de machine learning automatisée
- Traitement d'un cas réel de bout-en-bout : application pratique avec déroulé du workflow complet sur le cas d’usage ‘Le ciblage’, émaillé de points de compréhension techniques

Intégrer le machine learning à votre IT

• Internaliser ou externaliser les compétences opérationnelles : offre de service interne DataLab ou externe ESN
• Quelles plateformes automatisées ou semi-automatisées utiliser ? Panorama des offres existantes ? Quel budget prévoir, quels coûts cachés des outils gratuits et de no code ?
• Construction des modèles et maintien en condition opérationnelle

Comment passer du projet au Business As Usual

• Définir les KPI (Key Performance Indicators) de votre application IA
• Piloter l’impact opérationnel : double run, suivi des KPI
• Définir clairement les critères de succès : KPI atteints, monitoring, stratégie de rollback

Cas pratique : présentation des projets IA des participants et identification en commun des axes de progrès