Public

Cette formation s’adresse aux cadres et managers d’entreprise, Project managers, Business et Data Analysts, etc…

Objectifs

L’objectif de cette formation est de prendre connaissance du nombre de possibilités offertes par l’Intelligence Artificielle. Les technologies d’aujourd’hui permettent de nouvelles applications dans le monde de l’entreprise. Cette formation a également pour objectif de présenter aux participants la démarche à suivre pour mettre en place des applications d’Intelligence Artificielle au sein de leur entreprise

Programme

• Enjeux :
  • Définition de l’IA
  • Exemples d’applications
  • Modifications des processus de l’entreprise
  • Analogie aux projets de digitalisation
• Valeur ajoutée :
  • Identifier les processus actuels pouvant faire état d’automatisation
  • Identifier la plus-value apportée par les techniques d’IA
  • Evaluation du ROI
• Intégration dans l’entreprise :
  • Prise en charge actuelle des projets digitaux au sein de l’entreprise
  • Ressources disponibles et ressources nécessaires
  • Niveau d’automatisation actuel des processus d’entreprise
• Etapes de mise en place :
  • Analogie aux projets digitaux
  • Etude des besoins
  • Evaluation de la charge de travail
  • Equipe et ressources
  • Budget/planning
  • Analyse fonctionnelle
  • Gestion du changement
  • Validation
  • Implication des équipes
• Acteurs intervenants dans l’IA :
  • Accompagnement du projet
  • Experts métiers
  • Experts techniques
  • Collaboration
• Techniques d’IA :
  • Tâche intellectuelle versus algorithmes
  • Types d’actions : classification, régression, clustering, estimation de densité, réduction de dimensionnalité
  • Intelligence collective : agréger une connaissance partagée par de nombreux agents virtuels
  • Algorithmes génétiques : faire évoluer une population d’agents virtuels par sélection
  • Machine Learning : présentation et principaux algorithmes (XGBoost, Random Forest)
  • Génération d’un Dataset
  • Qu’est-ce qu’un Dataset
  • Stocker/contrôler la donnée : surveiller les biais, nettoyer/convertir sans s’interdire des retours en arrière
  • Comprendre la donnée : représentation des outils statistiques permettant une vision d’une donnée, sa distribution…
  • Formater une donnée : décider d’un format d’entrée et de sortie, faire le lien avec la qualification du problème
  • Préparer la donnée : définition des Train Set, Validation Set et Test Set
  • Mettre en place une structure permettant de garantir que les algorithmes utilisés sont réellement pertinents (ou non)
  • Recherche de la solution optimale
  • Méthodologie pour avancer dans la recherche d’une meilleure solution à un problème ML/DL
  • Choix d’une direction de recherche, localisation de publications ou de projets similaires existants
  • Itérations successives depuis les algorithmes les plus simples jusqu’aux architectures les plus complexes
  • Conservation d’un banc de comparaison transversal
  • Arriver à une solution optimale
• Les outils :
  • Quels outils
  • Quels outils pour la recherche et quels outils pour l’industrie
  • Les compétences nécessaires aux projets IA
• Etude de cas :
  • Présentation de projets d’IA
  • Réalisations de différentes études de cas avec le langage Python.