Chef de Projet IA - Intelligence Artificielle

1 Elaborer une solution d’IA grâce au design thinking

Anticipation des effets des innovations technologiques et des nouveaux usages
• Concepts de base : apprentissage automatique, les réseaux neuronaux, algorithmes d'apprentissage supervisé et non supervisé
• Analyse de l’impact potentiel de l’IA sur les produits et services des clients
• Nouveaux usages et tendances émergentes

La veille
• Méthodologie pour choisir les sources d’informations pertinentes (sites référents, influenceurs,…)
• Participation aux manifestations professionnelles (Repérage des événements phares, Evaluation de l’intérêt,Utilisation des réseaux sociaux)
• Méthodes de collecte de données pour repérer les dernières tendances
• Identification des nouveaux besoins des utilisateurs
• Analyse des innovations technologiques
• Utilisation d’outils de veille et d’analyse de données

Déterminer le périmètre du projet
• Importance de la détermination du périmètre et des objectifs d’un projet
• Sélection et supervision des études complémentaires
• Constitution de l’équipe d’experts
• Animer des ateliers d’intelligence collective

Rédiger son plan projet
• Présentation du projet, de son contexte et des objectifs à atteindre
• Définition du périmètre?: Description claire du périmètre du projet, incluant les fonctionnalités et les caractéristiques attendues du produit final
• Présentation des parties prenantes pour le plan projet
• Identification des contraintes techniques et fonctionnelles
• Identification de l’enjeux de l’IA dans un projet

Cycle de Développement Logiciel
• Assurance Qualité : Concepts clés, importance, et défis de l'assurance qualité
• Cycle de Développement Logiciel : Étapes du développement logiciel, de la conception aux versions alpha, bêta, et release candidate
• Prototypage et Types de Données en IA : Techniques de prototypage rapide et traitement de données textuelles, imagées, et audio
• Développement et Test de Fonctionnalités IA : Implémentation de fonctionnalités, évaluation de la complexité, et techniques de test et gestion des feed backs utilisateurs

2 Piloter un projet d’IA

Gestion de l'équipe projet et sélection de fournisseurs externes
• Recrutement et gestion de l’équipe interne
• Processus d’évaluation des fournisseurs externes en fonction des besoins du projet
• Contrats et accords de prestation : modèles et clauses importantes à considérer
• Gestion des relations fournisseur-client pour assurer la réussite du projet

Choix d'une méthode agile
• Méthodes agiles
• SAFE
• SCRUM
• Cycle en V
• Choix de la méthode adaptée et pilotage du projet

Ressources Humaines / management / reporting
• Les différentes organisations de gestion de projet
• Rôles et responsabilités
• Constitution des équipes
• Développement de l’équipe / Sociodynamique
• Communication interne / Gestion des conflits
• Reporting et rapports d’avancement
• La communication non violente, l’écoute active, la gestion des conflits
• L’animation de réunion

Piloter son projet
• La Planification
• Maîtrise des coûts
• Maîtrise des risques

3 Développer une solution d’IA
Collecte de données
• Identification des différentes sources de données structurées et non structurées internes (ERP, CRM, IoT) et externes (open data, base de données payantes) en lien avec le projet identifié
• Les différentes méthodes de collecte des données : IoT, APIs, web scraping, fichier plats, …)
• Identification de la technologie de base de données adaptée (base de données relationnelles, base de données graphe, …)
• Risques juridiques et réglementaires liés à la collecte des données (RGPD)

Machine learning & modélisation statistique
• Identification et choix des familles de techniques de modélisation statistiques (classification, régression, clustering) à appliquer pour différents cas d’usage d'IA
• Choix des approches de modélisation et algorithmes (supervisées et non supervisées) adapté à la problématique métier à traiter
• Concepts de l’apprentissage statistique, machine learning, deep learning, algorithmes supervisés et non supervisés
• Reinforcement learning : principes, cas d'usage (optimsiation de la prise de décision, automatisation des processus), algorithmes populaires (Q-learning, SARSA, DDPG, etc...)
• Métriques de suivi de performance du modèle adapté au cas d’usage et à la technique de modélisation retenue (RMSE, MAPE, Matrice de confusion, score F1, Precision & recall, …)

Boîte à outils technologique
• Architecture et briques technologiques à assembler pour développer la solution d’intelligence artificielle (services managés AWS, Azure, OVH Cloud, Google Cloud, …)
• Conception des PIPELINES de données pour maintenir en condition opérationnelle les solutions IA
• Démarche AI Ops pour maintenir la performance de la solution IA dans la durée (ML Ops, CI/CD, mise en place de système d’identification des drifts et anomalies dans les données d’entrée, contrôle de la qualité des données d’entrée et sortie du système IA)
• Prototypage de solutions IA avec des outils no-code (ex : Orange Data Mining, Dataiku, …)
• Les impacts énergétiques de l’IA (IA frugale)
• Python, Numpy, Pandas
• Prompt engineering
• Business Intelligence avecPower BI
• Les contraintes Big data, l'exploitation des données pour maintenir une solution IA

Déployer une solution d’IA
Sécuriser le déploiement
• Risques liés à la cybersécurité (fuite de données, adversarial attack, …)
• Identification des risques juridiques et réglementaires liés à l’utilisation de système IA (RGPD, IA act)
• Les enjeux et risques liés à l’éthique de l’usage de l’IA (non discrimination, inclusivité, …)
• Construction d’un plan de mitigation des risques

Faciliter l’adoption utilisateur
• Comprendre l'importance de l'accessibilité numérique et du respect des normes du RGAA (Référentiel Général d'Accessibilité pour les Administrations) dans les projets d'IA.supervisées) adapté à la problématique métier à traiter
• Définition de parcours utilisateur de la solution IA (Design Thinking, identification points de douleur, …)
• Construction de maquettes pour tester l’UX/UI de la solution auprès des utilisateurs pour identifier les points bloquants avant déploiement (wireframe, Figma, …)
• Définir une stratégie de test d’adoption d’utilisateurs

Accompagner la démarche d’amélioration continue
• Système de ticketing pour remonter les bugs et valider la satisfaction utilisateur
• Performance du système IA
• Stratégie d'amélioration continue pour assurer la pérennité de la solution dans le temps et limiter le risque de dérive du cœur IA.
• Suivi et alignement aux réglementations