Formation - Chef de projet intelligence artificielle

PARTIE 1 : Comprendre les technologies de l’Intelligence Artificielle : le Machine Learning (2 jours)

1 - Introduction à l’Intelligence Artificielle (IA) et au Machine Learning

• Définitions de l’IA, du machine learning, et leur rôle dans les projets d’entreprise.
• Historique et évolution de l’IA : des premières approches aux modèles modernes.
• Applications courantes du machine learning (ex. : prédiction des ventes, segmentation client, détection de fraudes).
• Importance pour les chefs de projet : comprendre les besoins techniques, aligner les solutions sur les objectifs, et communiquer avec les parties prenantes.

2 - Les Données dans les Projets d’IA

• Comprendre les types de données :
• Structurées : tableaux, bases de données relationnelles (ex. : fichiers CSV, SQL).
• Non structurées : textes, images, vidéos (ex. : commentaires clients, photos).
• Semi-structurées : formats comme JSON, XML (ex. : logs d’API).
• Atelier : importer des données et visualiser des structures (ex. : tableaux, graphes simples).

3 - Les algorithmes de Machine Learning

• Comprendre les concepts de "Machine Learning".
• Apprentissage supervisé : modèles entraînés avec données étiquetées pour prédictions.
• Apprentissage non supervisé : découverte de structures dans des données non étiquetées.
• Comprendre les algorithmes supervisés :
• Régression linéaire : prédiction de valeurs continues (ex. : estimation des prix).
• Régression logistique : classification binaire (ex. : détection de fraudes).
• Arbres de décision : règles pour classification ou régression (ex. : diagnostic médical).
• Naïve Bayes : classification basée sur probabilités (ex. : filtrage de spam).
• K-Nearest Neighbors (KNN) : classification par proximité (ex. : recommandation de produits).
• Comprendre les algorithmes non supervisés :
• K-Means (Nuées dynamiques) : regroupement en clusters (ex. segmentation de marché).

4 - Les grands modèles conversationnels (LLM) comme ChatGPT

• Présentation des grands modèles d’IA conversationnelle (ex. ChatGPT, Claude, Grok, Copilot)
• Applications pour les chefs de projet :
  • Générer des résumés ou rapports pour présenter les résultats aux parties prenantes.
  • Clarifier des concepts techniques via des questions en langage naturel (ex. : "Qu’est-ce qu’un arbre de décision ?").
  • Automatiser la rédaction de documentation ou de propositions de solutions.
  •  Explorer des idées pour interpréter les résultats (ex. : "Quelles tendances dans ces données ?").

5 - Evaluation des Modèles de Machine Learning

• Importance de l’évaluation pour garantir la fiabilité des modèles.
• Métriques pour l’apprentissage supervisé :
  • Régression : erreur quadratique moyenne (MSE), coefficient de détermination (R²).
  • Classification : précision, rappel, F1-score, matrice de confusion, courbe ROC.
• Métriques pour l’apprentissage non supervisé : indice de silhouette pour K-Means.
• Techniques d’évaluation :
  • Validation croisée : diviser les données pour tester la robustesse du modèle.
  • Séparation entraînement/test : évaluer les performances sur des données non vues.
  • Tests A/B : comparer les modèles en conditions réelles.

PARTIE 2 : Comprendre les technologies de l’Intelligence Artificielle : le Deep Learning (2 jours)

1 - Introduction au Deep Learning et Concepts Associés

• Deep Learning : définition, différences avec le machine learning traditionnel.
• Historique et évolution : des perceptrons (1950s) aux Transformers (2017) ; RL dans les jeux (ex. : AlphaGo) ; RAG et LangChain pour LLMs (2020s).
• Applications en entreprise :
  • Deep Learning : reconnaissance d’images (ex. contrôle qualité), chatbots (ex. service client).
  • Reinforcement Learning: optimisation logistique (ex. gestion d’inventaire).
  • RAG/LangChain : réponses basées sur documents internes (ex. support client).
• Exercice: utiliser Teachable Machine pour entraîner un modèle de classification d’images.

2 - Les Données dans les Projets de Deep Learning

• Les types de données appliqués aux projets de Deep Learning :
  • Structurées : tableaux, bases de données (ex. : métadonnées pour étiquetage).
  • Non structurées : images, vidéos, textes, sons (ex. : photos de produits, enregistrements clients).
  • Semi-structurées : JSON, XML (ex. : annotations pour entraînement).
• Concepts techniques : tokenization, annotation, normalisation, augmentation, qualité des données, préparation pour RAG.
• Exercice de mise en œuvre avec Make et Hugging Face.

3 - Les Architectures et Techniques de Deep Learning

• Concepts techniques : Réseaux neuronaux, Fine-tuning, Reinforcement Learning (RL), Retrieval-Augmented Generation (RAG), LangChain, PyTorch et TensorFlow.
• Architectures clés : Convolutional Neural Networks (CNN) pour images, Recurrent Neural Networks (RNN) pour séquences, Transformers pour langage et vision
• Cas d’usage en entreprise :
  • CNN : inspection visuelle automatisée
  • Transformers : chatbots, RAG pour réponses documentées
  • RL : optimisation logistique.
  • LangChain : workflows LLM avec bases de données.
• Exercice: utiliser TensorFlow Playground pour visualiser un réseau neuronal et Hugging Face Spaces pour tester un modèle GPT.

4 - Modèles d’IA Fermés vs Ouverts

• Modèles fermés : Définition, Concepts techniques, Avantages, Inconvénients, Cas d’usage.
• Modèles ouverts (via Hugging Face) : Définition, Concepts techniques, Avantages, Inconvénients, Cas d’usage

5 - Déploiement des Modèles d’IA : Cloud et Serveurs Internes

• Concepts techniques :
  • Infrastructure : GPU vs CPU, conteneurs (Docker), orchestration (Kubernetes).
  • Projets dans le cloud :
    • Tokens d’accès : clés API, limites de débit
    • Coûts
    • Gestion : budgétisation, optimisation des coûts (ex. : instances réservées, arrêt automatique).
  • Déploiement : APIs internes, gestion des versions, mise à l’échelle automatique.
  • Surveillance : détection des dérives de données, latence, maintenance, performance RAG (ex. : précision de récupération).
  • Frameworks : PyTorch/TensorFlow pour développement technique, LangChain pour orchestration des pipelines (ex. : RAG, agents).
  • Étapes clés : Préparation, Configuration, Infrastructure, Déploiement, Surveillance
• Exercice  : déployer un modèle dans Hugging Face Spaces et intégrer une API fermée via Make dans un workflow simulé.

PARTIE 3 : Comprendre les impacts juridiques et éthiques de l'intelligence artificielle (1 jour)

1 - Les fondamentaux du droit des affaires appliqué à l’IA

• Impacts de l'IA sur le droit des contrats.
• Impacts de l'IA sur le droit des consommateurs.
• Impacts de l'IA sur le droit de la concurrence.

2 - Les outils de protection de l’IA par la Propriété intellectuelle

• La protection des actifs immatériels.
• Le droit des tiers.

3 - Les enjeux et les principaux mécanismes de la protection de données personnelles

• Le RGPD et les réglementations similaires.
• Le triomphe de la Privacy.

4 - Les conséquences juridiques de l’utilisation de l’IA

• Les nouvelles responsabilités.
• Les transformations du droit social.
• Les conséquences éthiques de l'utilisation de l'IA.

PARTIE 4 : Mener un projet d'intelligence artificielle en mode agile (2 jours)

1 - Comprendre la démarche Agile SCRUM

• Identifier les étapes d'une démarche SCRUM.
• Identifier les acteurs et leurs rôles : Product owner, Scrum Master, équipe.
• Les notions : d'itération, de sprint, de release.
• Les réunions rituelles agiles : Sprint Planning, Daily meeting, Sprint Review, rétrospective de Sprint.

2 - Mettre en œuvre un projet de Machine Learning

• Sprint 1 - Classification : Prédire un taux d'attrition client avec Orange Data Mining.
• Sprint 2 - Segmentation : Identifiez des segments de clients pour le marketing.
• Rétrospective : Identifiez les clés d’un projet IA réussi.

3 - Mettre en œuvre un projet de Deep Learning et intégrer des solutions IA

• Sprint 3 - Reconnaissance d’images : Détectez des défauts avec Teachable Machine.
• Sprint 4 - Chatbot intelligent : Construisez un chatbot avec Hugging Face et Make, intégrant documents internes et reconnaissance vocale.
• Sprint review : Présentez votre projet et planifiez vos futurs succès en IA.