PROGRAMME PO IA/Chef de projet

Session 1 : IA et Machine Learning, de quoi parle-t-on ?

1. Introduction à l’IA

• Rappel sur les enjeux de l’IA. Pourquoi l’IA maintenant ?
  
• Panorama de l’IA (règles vs ML, systèmes hybrides…)

En pratique : use case (quelques cas d’usage d’entreprise, des cas d’usage sélectionnés en fonction des profils et attentes des participants)

2. Les fondamentaux de l’IA

• ML : concept et use cases 
• Réseaux de neurones artificiels
• Introduction au Deep Learning : les modèles pré-entraînés/transfer learning
• NLP : principes et applications
• Computer vision : principes et applications
• Enjeux et risques: biais, transparence.

En pratique : exercice (analyse de business case)

3. Use Case

• Quelques cas d’usage en entreprise
• Cas d’usage sélectionnés en fonction des profils et attentes des participants 

4.  Exercice

• Analyse de business case pour savoir s’il est pertinent d’utiliser du ML et avec quelle démarche

5 : Se préparer à un projet de ML

• Enjeux et risques: biais, explicabilité…
• Compétences nécessaires
• Evaluer et préparer ses donnée
• L’agilité pour les projets de ML

 6. Homework

• Présentation de l’AI Business Canva et du travail à réaliser pour la session suivante : choix d’un problème à traiter par du ML et remplissage du Canva.

Validation

QCM en fin de journée et Q&A à l’oral.

Session 2 : Le projet de ML de A à Z (vue métier)

1. Exercice pratique 

• Présentation des cas d’application basés sur les AI business Canvas (pitch et discussion)

2. La création de valeur pour le client

• Du pain point à la création de valeur
• Avoir une approche “client centric” avec une approche de type design thinking
• Les enjeux de l’intégration des modèles d’IA dans les processus métiers
• Retours d’expérience de projets client

3. Zoom sur la data

• De la data à l’information
• Cycle de vie de la donnée
• Les enjeux de qualité, sécurité, vie privée…
• Une approche stratégique de la donnée

4. End-to-end ML project

• Qui fait quoi dans un projet de ML ? Avec quelles méthodologies ?
• De l’acquisition des données à l’industrialisation (illustration avec use case) :
  • La problématique des données : quantité, qualité, non représentativité, focus sur l’imbalanced dataset (exp : fraud detection)
  • Features engineering: irrelevent features, comment sélectionner, extraire et créer des nouveaux features
  • Zoom sur les enjeux Data/ algo, en particulier les biais, la privacy…
  • Overfitting/underfitting : quelle solution ?

5. L’agilité, une approche nécessaire

• La limite des méthodes CRISP et autres Framework agile
• Au-delà de la théorie, quelles pratiques favoriser ? Depuis le cadrage avec le client jusqu’à la conduite du changement 

6. Homework 

• Briefing sur les projets à réaliser pour la session suivante: préparation d’un dataset
• Projets à réaliser individuellement ou en binôme/ groupe parmi les 4 use cases suivants :
  • Financial inclusion (classification)
  • Loan prediction (classification)
  • Customer segmentation (clustering)
  • Classification d’e-mail (NLP/classification)
• Préparer son dataset
• Visualiser les données
• Sélectionner les features pertinents

Validation

QCM en fin de journée et Q&A à l’oral.

Session 3 : Créez votre modèle de ML

1. L’écosystème de l’IA 

• Panorama des solutions, principaux acteurs et fournisseurs de solution dont services en ligne existants (Microsoft, Google, Amazon, startups…)
• La boite à outil du datascientist : quelles options en fonction des approches et partenaires technologiques ?

2. Exercice pratique: vis ma vie de datascientist

• Réalisation des projets de Machine Learning avec les données préparés par les apprenants. Suivi pas à pas du projet avec un “datascientist coach” + manipulations :
  • Visualisation des données
  • Sélection des features
  • Entraînement et évaluation des modèles en fonction de leur pertinence business.
  • Mesure de la performance : quelle métrique pour quelle problématique ? accuracy, précision, recall, MSE, Matrice de confusion etc.

3. Enjeux de l’évaluation business 

• Les enjeux de l’évaluation business, au- delà de la performance du modèle: ROI et création de valeur 

4. Pratique projet et organisation

• Synthèse sur les meilleures pratiques projet vue du métier 
• L’organisation des compétences au sein d’une organisation data driven

5. Conclusion

Validation

QCM en fin de journée et Q&A à l’oral.