Data & AI Product Management

Objectifs

• Comprendre les fondamentaux de l'IA et des LLMs via la Fresque de l'IA
• Maîtriser le vocabulaire AI Engineering et distinguer Workflow, Assistant et Agent
• Structurer des prompts avancés (rôles, guardrails, few-shot, Chain-of-Thought)

Au programme

• Fresque de l'IA : fondamentaux des LLMs et vocabulaire commun
• Distinction entre Workflow, Assistant et Agent
• Prompt engineering avancé : rôles, guardrails, few-shot, Chain-of-Thought

Objectifs

• Comprendre le cycle de vie d'un produit IA et les fondamentaux LLMOps
• Maîtriser le RAG, les agents IA, le MCP et les critères Build vs Buy
• Connaître les modèles d'organisation et mettre en place des rituels collaboratifs

Au programme

• Cycle de vie d'un produit IA et fondamentaux LLMOps
• RAG, agents IA, MCP et critères Build vs Buy
• Modèles d'organisation Product/Engineering/Data et rituels collaboratifs

Objectifs

• Utiliser le Data & AI Business Canvas et savoir quand l'IA n'est pas la réponse
• Anticiper les pièges des produits IA : non-déterminisme, drift, AI Death Cycle
• Évaluer avec les bonnes métriques (ML vs GenAI, LLM-as-a-Judge) et piloter le cycle MLOps

Au programme

• Data & AI Business Canvas : identifier quand l'IA est (ou n'est pas) la réponse
• Pièges des produits IA : non-déterminisme, drift, AI Death Cycle
• Évaluation ML vs GenAI, LLM-as-a-Judge et pilotage du cycle MLOps
• Cadrage de MVP et priorisation des opportunités

Objectifs

• Structurer la gouvernance IA (qui décide quoi, quelles limites, quel contrôle)
• Formaliser les rôles pérennes (AI Champions, AI Ops)
• Mesurer l'adoption et l'impact à l'échelle de l'organisation
• Itérer sur les workflows agentiques avancés (multi-agents, autonomie progressive)