Concevoir et piloter un projet Data/IA

- Repérer les potentiels d'utilisation de la donnée au sein de votre organisation. - Repérer votre patrimoine data (interne et externe) et ses limites. - Challenger les attendus d'un projet d'analyse prédictive : la question est elle bien posée ? sait on décrire l'usage qui sera fait des résultats ? Y a-t-il une vocation à industrialiser ou s'agit-il de diagnostiquer un comportement ?. - Anticiper les biais inhérents à tout projet data : les détecter, les évaluer : peut-on les corriger ? sinon sont-ils assumés ?. - Sécuriser le respect des règles du RGPD. - Piloter le gain économique du projet au-delà des métriques spécifiques à l'IA. - Comprendre les infrastructures sous-jacentes aux projets d'IA (Big Data). - Comprendre l'écosystème d'outils mobilisés : Python / scikit learn / Tensorflow / ... - Identifier les approches analytiques pertinentes (supervisé, non supervisé, principaux modèles). - Rythmer et piloter le projet au sein des équipes techniques (méthodes agiles, devops, ML Ops). - Comprendre les enjeux et ressources de la datavisualisation. - Arbitrer la poursuite ou l'arrêt du projet, sauvegarder les acquis.

- Repérer les potentiels d'utilisation de la donnée au sein de votre entreprise. Puis je utiliser la data pour piloter l'orientation stratégique de mon entreprise ou uniquement sur mes activités opérationnelles récurrentes ?. Quels sont les contextes favorables pour extraire de la valeur des données ?. Comment repérer les fausses bonnes idées (il y aura un résultat, nuisible à votre entreprise) ?. Comment prioriser un portefeuille de projet ?. - Repérer votre patrimoine data (interne et externe) et ses limites. Le projet data vise à valoriser le mieux possible le patrimoine de donnée de l'entreprise : les « first party data ». L'identification de ce patrimoine n'est jamais immédiate et certaines sources ne seront identifiées qu'en cours de projet : comment accélérer leur identification ?. Ce patrimoine est à compléter parfois avec des sources de données ouvertes ou semi ouvertes, open data de l'état ou de tiers acteurs du marché. - Challenger les attendus d'un projet. Une industrialisation est-elle requise ou la modélisation suit elle une logique de diagnostic. Une question fondamentale et difficile sur un projet : comment sera évalué le bénéfice dans 6 mois ?. Si la prédiction pilote une action, comment sera actualisé le modèle à l'avenir ?. - Anticiper les biais inhérents à tout projet. La data est toujours partielle et partiale. D'abord elle ne vient que du passé : saura-t-elle apporter un éclairage sur un contexte par définition toujours nouveau ?. Comment repérer les principaux biais les anticiper (c'est-à-dire les corriger sinon les assumer) ?. - Veiller au respect des règles du RGPD. Dans quelles conditions une donnée personnelle peut être valorisée ?. Que documenter dans les projets du datalab ?. Quelles mesures permettent de maîtriser les risques ?. - Piloter le gain économique du projet. Les mesures de performance statistiques n'ont qu'un faible lien avec la performance économique : comment peut-on régler les algorithmes sur performance opérationnelle spécifique à chaque projet et non sur leur réglage par défaut ?. - Comprendre les infrastructures sous-jacentes. Liens entre Intelligence artificielle et volume de données. Les solutions Big Data du marché offrent-elles un éco-système complet ?. Exemples avec les acteurs majeurs du Cloud (AWS, Azure, GCP). - Comprendre l'écosystème d'outil. Le monde de la data est peuplé d'outil et de techniques : que fait chaque outil ?. Dans quel cadre sont-ils utiles ?. Quelle différence entre les environnements open source (Python, R) et les interfaces graphiques (Dataiku, Data Robot ...). Nous explorerons aussi Tensorflow et son API Keras. - Identifier les approches analytiques pertinentes. - Rythmer et piloter le projet. - Enjeux et ressources de la datavisualisation. - Études de cas / mises en situation.

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Il est recommande d avoir une experience en conduite de projet. Certains supports de cours et autres livres sur le sujet sont souvent proposes en anglais, maitriser le vocabulaire anglophone est donc conseille.