Formation - Intelligence Artificielle (IA) - La synthèse

1 - 1ère partie : Les usages de l'Intelligence Artificielle

• Des exemples d'application (témoignages vidéo)
• Du fantasme à la réalité de l'Intelligence Artificielle
• Historique, concepts de base et applications de l'intelligence artificielle
• Vision globale des dispositifs d'Intelligence Artificielle
• Machine Learning vs Deep Learning

2 - 2ème partie : Quels sont les mécanismes de l'Intelligence Artificielle ?

3 - Réseaux de neurones et Deep Learning

• Qu'est-ce qu'un réseau de neurones ?
• Le réseau de neurones : architecture, fonctions d'activation et de pondération des activations précédentes...
• Qu'est-ce que l'apprentissage d'un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence
• L'apprentissage d'un réseau de neurones : fonctions de coût, back-propagation...
• Modélisation d'un réseau de neurones : modélisation des données d'entrée et de sortie selon le type de problème
• Approximer une fonction par un réseau de neurones
• Approximer une distribution par un réseau de neurones
• Génération de représentations internes au sein d'un réseau de neurones
• Généralisation des résultats d'un réseau de neurones
• Révolution du Deep Learning : généricité des outils et des problématiques

4 - Sur quoi porte le Deep Learning　?

• Les données : volumétries, dimensionnement, équilibre entre les classes, description
• Données brutes vs features travaillées
• Classification de données
• Les types : donnée, vidéo, image, son, texte, etc
• Les enjeux d'une classification de données et les choix impliqués par un modèle de classification
• Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network
• Prédiction d'information et donnée séquentielle/temporelle
• Enjeux et limites d'une prédiction d'information
• Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction
• Outils usuels de prédiction
• Transformation/génération de données
• Opération de réinterprétation d'une donnée : débruitage, segmentation d'image...
• Opération de transformation sur un même format : traduction de texte d'une langue à une autre...
• Opération de génération de donnée "originale" : Neural Style, génération d'images à partir de présentations textuelles
• Reinforcement Learning : contrôle d'un environnement

5 - Le langage naturel

• Fondamentaux d'un système de compréhension de langage naturel
• Comprendre les principes
• Complexités de mise en oeuvre
• Présentation des solutions Open Source
• Solution de Google (Cloud Platform Speech), Alexa (Amazon), LUIS QnaMaker (Microsoft), Cognitive Services (Microsoft) ...

6 - Les modèles LLM

• Liste des LLM : Falcon 180B, Palm2, Llama 2, LaMDA, RLHF
• Comprendre les principes
• Complexités de Avantages/Inconvénients des différents modèles
• Les outils : Bard, Midjourney, Adobe Firefly, DallE, Claude
• La guerre géopolitique entre ces solutions

7 - 3ème partie : Plates-formes de développement

• Solutions de Développement : Wit.ai (Facebook), Chatfuel, Api.ai (Google), BotFramework (Microsoft)...
• Les Modes de programmation waterfall
• Panorama des Framework de développement
• Création d'un Bot sans codage, les solutions Chatfuel et autres
• Le Passage du Flow au Bot (smooch.ia)
• Toutes les solutions de méthodes de déploiement
• Comment héberger un Bot sur un serveur Web ?

8 - Comment mettre en oeuvre une application d'IA　?

• Le cycle de vie d'un projet d'IA
• L'accompagnement aux changements nécessaire (formation, communication, management)

9 - 4ème partie : Quels acteurs professionnels doit on se préparer à impliquer, considérer ?

• Les acteurs d'un projet et post-projet
• Nouveaux rôles dans l'entreprise des secteurs privé et public
• Les prestataires externes et l'écosystème
• Dans votre entité, qui est concerné par l'Intelligence Artificielle : au sein du marketing, de la relation client, de la DSI ...

10 - 5ème partie : La RoadMap d'un déploiement d'une application d'IA

• La roadmap de la mise en oeuvre d'une application en IA (avant, pendant et après le projet)
• Les spécificités d'un projet d'IA
• Le rétro planning du ou des recrutements et leurs incidences sur les projets

11 - 6ème partie : Synthèse

• CheckList, bonnes pratiques
• Échanges autour des spécificités métiers et activité des entreprises de chaque participant