IA pour Product Managers
Cette formation a pour objectif de fournir à tout Product Manager les bases nécessaires pour comprendre les enjeux de la data et de l’IA et comment les incorporer dans son langage et travail quotidien.
Participation à la fresque de la Data pour poser les bases et échanger autour des principaux concepts de la Data.
Objectifs
- Savoir définir ce qu’est l’Intelligence Artificielle et le Machine Learning
- Savoir juger lorsque le Machine Learning est nécessaire dans un projet data et quand il ne l’est pas
- Comprendre le lifecycle de tout projet à base de Machine Learning
- Comprendre les spécificités inhérentes à la Data
- Appréhender les étapes nécessaires à la création de Produits à base de Machine Learning
Public cible
- Product Owner
- Product Managers
Prérequis
Background de Product Management
Programme détaillé
Bases du Machine Learning et de l’Intelligence Artificielle
Quelques principes clés
- Qu’est-ce que le Machine Learning ?
- L’importance clé de la data : Garbage In, Garbage Out
- Apprentissage supervisé / non-supervisé
- Travailler avec de la donnée structurée ou non structurée
Les situations pour lesquelles le Machine Learning est une bonne solution
- Exemples pour l’automatisation
- Exemples pour l’optimisation
Cycle de vie de développement d’un Produit Data
Etapes d’un projet ML typique
- Identifier les personnes impactées
- Collecter et préparer la donnée
- Construire et évaluer un modèle
- Déployer un modèle
- Gérer le modèle en production
Challenges liés à la donnée
- L’importance de la qualité de la donnée
- Les principaux problèmes avec la donnée
- Gérer l’annotation de données
Modèles et algorithmes
- Classification
- Moteurs de recommandation
- Deep Learning / Réseaux de Neurones
- IA Générative
Le framework CRISP-ML(Q)
- Compréhension business
- Compréhension de la donnée
- Préparation de la donnée
- Modélisation itérative
- Évaluation
- Déploiement, monitoring, maintenance
Les challenges spécifiques à l’IA dans les produits
Des systèmes non-déterministes
- Gérer l’incertitude inhérente à l’IA et le besoin d’expérimentation
- Tolérance à l’erreur pour des résultats probabilistiques
- Convertir une performance statistique en une métrique business
- Dégradation des performances dans le temps, monitoring et ré-entraînement
Ethique et régulations en Intelligence Artificielle
- Biais et explicabilité
- Régulations
- Identifier et gérer les risques de privacy et d’éthique dans les projets data
- IA responsable
Ce que l’IA Générative va changer
- Les spécificités de l’IA Générative
- Nouveaux besoins
- Accélération du cycle de vie
Ce qu’ils en disent…
Modalités d'évaluation
Un questionnaire d'auto-évaluation est envoyé aux participants avant et après la formation pour mesurer leur progression.
Pendant la formation :
Les acquis sont évalués tout au long de la formation par les formateurs sous forme de Quizz en ligne, questions réponses ou tour de table.
Le participant se verra délivrer une attestation de fin de formation à l’issue de la session
Organisation
Cette formation est en groupe de 6 à 12 personne en présentielle en intra-entreprise ou inter-entreprise en fonction du format souhaité par le commanditaire.
Modalités d'accès
Les sessions peuvent être programmées jusqu’ à 7 jours avant la date retenue, sous condition d’un formateur disponible et de la réception de la convention signée avant la session pour des groupes de 6 à 12 personnes .
Formateur(s)
Photos
Financer votre formation par un OPCO
Contacts
.png){kind=spacer}
MLOps & Machine Learning End-To-End
La Fresque de la Data et de l'IA
Machine Learning Strategy
Penser “one-shot” pour l’industrialisation du Machine Learning
Penser que la Data est exempte des bonnes pratiques Craft
Plus de 80% des projets data ne partent pas en production, et alors ?
Nous vous accompagnons dans vos projets Data & IA
