Formation : Conduire un projet d’intelligence artificielle (IA)
Prérequis
- Etre impliqué dans un projet d'automatisation, de gain de productivité ou d'optimisation des prévisions au sein de son entreprise ou service visant à exploiter le potentiel de l'IA et du machine learning
Public admis
- Salarié en Poste
- Entreprise
Demandeur d'emploi et Etudiant non admis
Financement
- Votre OPCO
- Financement personnel
Financement CPF non pris en charge
Modalités
- En centre
- En entreprise
Objectifs pédagogiques
- Identifier les opportunités de l’intelligence artificielle et du machine learning pour votre entreprise ou service
- Définir les facteurs clés de succès d’un projet d’intelligence artificielle et tenir compte des enjeux légaux et éthiques qui s’y rattachent
- Explorer une méthodologie reconnue de conduite de projet IA basée sur le machine learning Canvas afin d’optimiser vos chances de succès
- Expérimenter le workflow complet d’un projet de type proof of concept à l’aide d’une plateforme automatisée simplement paramétrable
Programme de la formation
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

Proposé par
COMUNDI
"votre partenaire compétences"

Proposé par
COMUNDI
