v2.11.0 (5449)

Enseignement de Formation Continue - FC9MP03 : Concevoir et piloter un projet IA et Big Data

Descriptif

A l’heure où le Big Data se concrétise dans les entreprises par des projets innovants, ces initiatives sont souvent freinées par une méthodologie non adaptée. Issus de retours d’expérience concrets, des éléments théoriques seront présentés pour pouvoir comprendre et traiter les spécificités de ce type de projet, en adoptant un processus projet adéquat. Des ateliers pratiques d’idéation et de cadrage sont intégrés à la formation pour mettre en pratique les concepts abordés et faciliter leur réutilisation.

Objectifs pédagogiques

  • Expliquer les composantes méthodologiques pour mener avec succès un projet intelligence artificielle et Big Data.
  • Lister les bonnes pratiques pour composer une équipe, piloter le projet, maîtriser les risques associés et évaluer sa réussite.
 

Diplôme(s) concerné(s)

Pour les étudiants du diplôme Formations Courtes

Programme détaillé

Comprendre et traiter les spécificités d’un projet Data

Qu’est-ce qu’un projet Data ?

  • Qu’est-ce que l'IA et la Data Science
  • Présentation simplifiée de quelques algorithmes
  • Qu'est-ce que le Big Data
  • Rupture technologique et nouvelles solutions apportées par l'IA et le Big Data aux problématiques métiers
  • Nouveaux cas d’usage par rapport aux projets traditionnels
  • Des données sous exploitées : L’exemple des données non structurées

Spécificité organisationnelle : de la nécessité de mobiliser des acteurs variés et nouveaux

  • Revue des différents modes d'organisation Data et de leurs avantages/inconvénients en mode projet
  • Nouveaux profils
  • Implication et rôles des acteurs projet

Spécificité méthodologique : approche progressive et itérative

  • Phases types d'un projet Data
  • La place de l'agile dans les projets
  • Critères de réussite et de rentabilité d’un projet Big Data

Spécificité technologique : un écosystème en constante évolution

  • Cloud vs. On Premise : Différences et pourquoi les privilégier
  • Quels outils pour quels usages
  • L’intégration du Big Data dans un système d'information existant
  • Pérennité des technologies Big Data
  • Promesses derrière la notion de temps réel

Spécificité économique : de la nécessité de maîtriser son infrastructure et les cas d'usages opérés

  • Valorisation d'un cas d'usage Data
  • Méthodes d'estimation des couts d’infrastructure
  • Existe-t-il des investissements incontournables à mener

Spécificité juridique et humaine : pour une utilisation éthique de la donnée

  • RGPD et loi « Informatique et Libertés »
  • Données publiques (Open Data)
  • Conservation et transfert
  • Propriété intellectuelle et Open Source

Composer et piloter une équipe IA ou Big Data

  • Compétences clés et profils
  • Une équipe type existe-t-elle
  • L’encadrement d’une équipe Big Data
  • Recrutement de profils Data, une nécessité

Manager un projet Data du cadrage à l'industrialisation – 1ère partie

Cadrage : Identifier et prioriser les besoins et données à exploiter.

  • Panorama des cas d’usages classiques IA et Big Data (focus mono secteur possible selon l'audience)
  • Retour d’expérience sur quelques cas déjà instruits par Quantmetry
  • Techniques de priorisation des sujets
  • Méthodes et bonnes pratiques pour faciliter la phase de qualification du besoin
  • Critères à valider avant de lancer le projet

Études de cas / mises en situation

Atelier #1 : Idéation autour de cas d'usage data (1H30)

  • Présentation de l’atelier et explication du scénario de l'atelier (cas d'usage types ou proposés par les participants)
  • Constitution des groupes (3 à 4)
  • Cadrage des cas par les groupes
  • Restitution et mise en commun des travaux
  • Synthèse des enseignements

Manager un projet Data du cadrage à l'industrialisation – 2ème partie

Le POC ou la nécessité de démontrer la faisabilité et/ou la valeur.

  • Définition de l'objectif et des moyens
  • Phases clés d'une expérimentation
  • Critères pour aller plus loin
  • Un POC est-il toujours nécessaire

Pilote : Premier usage en conditions réelles.

  • Qu'est-ce qu'un pilote
  • Présentation d’architectures Big Data types pour quelques cas d'usage
  • Mesure des gains et de l'appropriation métier
  • Concepts généraux de Data visualisation et panorama des outils
  • Comment éviter le pilote sans fin

Industrialisation : Déployer largement pour multiplier les gains.

  • Différences avec le pilote
  • Bonnes pratiques pour faciliter le passage du BUILD au RUN
  • Quels SLA pour un projet Data

Piloter et maîtriser les risques des projets IA et Big Data

  • Rappel sur la gestion des risques projet IT
  • Les risques spécifiques aux projets IA et Big Data
  • Focus sur la problématique de l'intelligibilité des algorithmes
  • Facteurs de succès et pièges à éviter
  • Tests et analyses de performances

Études de cas / mises en situation

Atelier #2 : Initiation au pilotage d’un projet Big Data : POC Data Science.

  • Préparation par groupe d'un plan projet couvrant les éléments suivants :
    • Compréhension du besoin
    • Solution technique et points d’attention à instruire
    • Méthodologie projet proposée
    • Macro-Planning et plan de charge
    • Présentation et mise en commun des propositions et échanges

Veuillez patienter