Intelligence artificielle pour product owner

• Identifier les problématiques business qui peuvent bénéficier du ML (machine learning)
• Identifier le bon modèle à utiliser en fonction de la problématique
• Structurer une démarche produit/projet de ML : de la préparation des données jusqu’à la mise en production
• Analyser les performances d’un modèle d’un point de vue business
• Appréhender les enjeux et risques liés à ce type de projet
• Prioriser les cas d’usage

L'intelligence artificielle (IA), le machine learning (ML)

• Les enjeux de l'IA.
• Panorama de l'IA (règles VS ML, systèmes hybrides...).
• Machine learning : concept et use cases.
• Régression, classification et clustering.
• Réseaux de neurones artificiels/deep learning.
• NLP : principes et applications.
• NLP : principes et applications.
• Computer vision : principes et applications.
• Exercice Ice breaker pour bien démarrer.

Cas d'utilisation en IA

• Présentation de use cases mis en œuvre en entreprise.
• Sélection de use cases pour analyse.
• Exercice Analyse de business case pour savoir s'il est pertinent d'utiliser du ML. Quelle démarche utiliser ?

Se préparer à un projet de machine learning

• Enjeux et risques.
• Compétences nécessaires.
• Évaluer et préparer ses données.
• L'agilité pour les projets de ML.
• Travaux pratiques
• Projet d'IA : business canvas. Choisir un problème à traiter par du ML. Renseigner le canvas.
• Projet de ML : création de valeur

Projet de ML : création de valeur

• Du pain point à la création de valeur.
• Approche "client centric", approche "design thinking".
• Les enjeux de l'intégration des modèles d'IA dans les processus métiers.

Algorithmes de ML

• Présentation.
• Modélisation d'un problème au sens machine learning : input/output.
• Principaux algorithmes caractéristiques.
• Hyperparameters des modèles.

Démarche end to end du projet de ML

• Overfitting/underfitting : quelles solutions ?
• Qui fait quoi dans un projet de ML ?
• Avec quelle méthodologie ?
• De l'acquisition des données à l'industrialisation (illustration avec un use case).
• La problématique des données : quantité, qualité, non représentativité, focus sur "imbalanced dataset".
• Features engineering : irrelevent features, comment sélectionner, extraire et créer des nouveaux features.
• Les enjeux données/algorithmes, les biais, la privacy.
• Travaux pratiques Présentation de uses cases : classification, clustering, NLP/classification. Sélectionner un use case, préparer son dataset. Visualiser les données. Présenter les "features" pertinents.

Création de modèle de machine learning

• L'écosystème de l'IA.
• Panorama des solutions, des acteurs et fournisseurs, les services en ligne existants chez les GAFAM et les start-up.
• Langage Python, les bibliothèques :
• De traitement de données (NumPy, Pandas, matplotlib...).
• De ML (Keras, scikit-learn...).
• De DL (Tensorflow).
• Travaux pratiques Réalisation d'un projet de ML et suivi pas à pas du projet avec la collaboration d'un coach datascientist. (Préparation et visualisation des données. Sélection de features. Entraînement et évaluation des modèles. Mesure de la performance. Création d'un modèle de ML sans code).

Enjeux de l'évaluation business

• Création de valeur.
• Les enjeux de l'évaluation
• Performance.
• ROI, retour sur investissement.

Pratiques projet et organisation

• Synthèse des meilleures pratiques du point de vue métier.
• L'organisation des compétences au sein d'une organisation data driven.

Les personnes atteintes de handicap souhaitant suivre cette formation sont invitées à nous contacter directement, afin d’étudier ensemble les possibilités de suivre la formation.