Piloter un projet de Machine Learning : rôle du Product Owner, création de valeur et bonnes pratiques métier

Module 1 — L'intelligence artificielle et le Machine Learning

• Les enjeux stratégiques de l'IA pour les organisations
• Panorama de l'IA : systèmes à règles, Machine Learning et systèmes hybrides
• Le Machine Learning : concepts fondamentaux et cas d'usage
• Régression, classification et clustering : les trois grandes familles d'apprentissage
• Réseaux de neurones artificiels et Deep Learning
• NLP (traitement automatique du langage) : principes et applications
• Computer Vision : principes et applications
• Exercice d'amorce : explorer ses représentations de l'IA et du ML

Module 2 — Cas d'utilisation en IA

• Présentation de cas d'usage concrets déployés en entreprise
• Identification et sélection de cas d'usage pour analyse
• Enjeux et risques associés aux projets IA
• Compétences nécessaires pour mener un projet de ML
• Exercice : analyser un business case pour évaluer la pertinence du Machine Learning et choisir la démarche appropriée

Module 3 — Se préparer à un projet de Machine Learning

• Évaluer et préparer ses données en amont du projet
• L'agilité appliquée aux projets de Machine Learning
• TP : élaboration d'un business canvas IA — définir le problème à traiter par du ML et renseigner le canvas

Module 4 — Projet de ML : création de valeur

• Du pain point à la création de valeur : identifier la chaîne de bénéfices
• Approche client-centric et design thinking appliqués aux projets IA
• Les enjeux de l'intégration des modèles IA dans les processus métiers

Module 5 — Algorithmes de Machine Learning

• Présentation des principaux algorithmes et leur positionnement
• Modélisation d'un problème au sens Machine Learning : définir les inputs et les outputs
• Caractéristiques des algorithmes fondamentaux
• Les hyperparamètres des modèles et leur rôle

Module 6 — Démarche end-to-end d'un projet de ML

• Overfitting et underfitting : identification et solutions
• Répartition des rôles dans un projet de ML
• Choix de la méthodologie de projet
• De l'acquisition des données à l'industrialisation : illustration par un cas concret
• La problématique des données : quantité, qualité, représentativité, imbalanced datasets
• Features engineering : sélectionner, extraire et créer de nouvelles variables pertinentes
• Enjeux liés aux données et algorithmes : biais et protection de la vie privée
• TP : sélectionner un cas d'usage (classification, clustering, NLP), préparer et visualiser le dataset, identifier les features pertinents

Module 7 — Créer un modèle de Machine Learning

• L'écosystème de l'IA : acteurs, fournisseurs et services en ligne
• Panorama des solutions chez les GAFAM et les start-up
• Langage Python et ses bibliothèques de traitement de données : NumPy, Pandas, Matplotlib
• Bibliothèques Machine Learning : Keras, Scikit-learn
• Bibliothèques Deep Learning : TensorFlow
• TP : réalisation pas à pas d'un projet de ML avec le soutien d'un coach data scientist — préparation et visualisation des données, sélection de features, entraînement et évaluation des modèles, mesure de la performance, création d'un modèle ML sans code

Module 8 — Évaluation business et ROI

• Création de valeur : lier les performances du modèle aux bénéfices métier
• Les enjeux de l'évaluation des modèles en contexte business
• Mesures de performance pertinentes
• ROI : calcul et justification du retour sur investissement

Module 9 — Pratiques projet et organisation data-driven

• Synthèse des meilleures pratiques du point de vue métier
• Organisation des compétences au sein d'une structure orientée données