Piloter et implémenter des solutions d’IA en s’aidant notamment de l’IA générative

Fondamentaux IA & Data
• Typologies d’IA : IA symbolique, Machine Learning, Deep Learning, IA générative (LLM)
• Différences entre IA prédictive (classification, régression) et IA générative (création de 
contenu)
• Identification des cas d’usage métier : marketing, RH, relation client, pilotage
• Limites des modèles : biais algorithmiques, hallucinations, dépendance aux données
• Enjeux éthiques, réglementaires et stratégiques (confidentialité, RGPD, fiabilité)

Data engineering avec Python pour des dataset fiable et exploitable
• Collecte de données via API (requêtes, endpoints, formats JSON/CSV)
• Manipulation des données avec Pandas (dataframes, filtres, jointures, agrégations)
• Nettoyage des données : gestion des valeurs manquantes, doublons, outliers
• Transformation des données : normalisation, encodage des variables, feature engineering
• Structuration d’un dataset prêt à l’analyse et à la modélisation

Data analysis & visualisation pour des insights activables pour le business
• Analyse exploratoire (EDA) : distribution des variables, détection de patterns
• Analyse de corrélation et identification de variables explicatives
• Visualisation avec Matplotlib et Seaborn (graphiques, heatmaps, tendances)
• Lecture et interprétation des résultats dans une logique métier
• Construction d’un data storytelling clair et orienté décision

Machine Learning & modèle prédictif opértionnel
• Régression linéaire pour modéliser une relation quantitative
• Classification (logistique, arbres de décision) pour catégoriser des comportements
• Modèles d’ensemble : Random Forest, Gradient Boosting (logique et usage)
• Entraînement, test et validation des modèles
• Évaluation des performances : accuracy, précision, rappel, RMSE
• Comparaison de plusieurs modèles et sélection du plus pertinent

Data ? décision métier
• Interprétation des résultats de modèles (importance des variables, tendances)
• Traduction des résultats en recommandations concrètes (actions marketing, ciblage…)
• Priorisation des actions en fonction de leur impact business
• Communication des résultats à des profils non techniques
• Collaboration avec les métiers pour intégrer l’IA dans la prise de décision

Projet 1 – Data & Machine Learning
• Collecte de données via API
• Préparation et nettoyage avec Python
• Analyse exploratoire et visualisation
• Modélisation (régression, classification)
• Évaluation des performances
• Recommandations stratégiques

Foundation models & LLM
• Fonctionnement global des LLM (tokenisation, génération probabiliste)
• Panorama des modèles : OpenAI, Mistral, modèles open source
• Différences : performance, coût, confidentialité, accessibilité
• Utilisation via interface (ChatGPT) et API (intégration dans un système)
• Sélection d’un modèle en fonction d’un cas d’usage métier

Personnalisation IA (RAG & prompting)
• Prompt engineering : structuration avancée (rôle, contexte, contraintes, format attendu)
• Techniques d’optimisation des prompts (itération, test, amélioration continue)
• RAG : connexion du modèle à des données métier (documents, CRM, base interne)
• Injection de contexte dans les requêtes pour améliorer la pertinence
• Compréhension du fine-tuning (différence entre adaptation légère et entraînement complet)

Chatbot & assistant IA
• Conception d’un assistant conversationnel orienté usage métier
• Structuration des échanges (questions, réponses, scénarios)
• Génération automatisée de contenus (emails, messages, réponses client)

Agents IA
• Logique d’un agent : input ? analyse ? décision ? action
• Enchaînement de tâches et gestion de scénarios complexes
• Automatisation de processus métier via IA
• Interaction entre modèle IA, données et outils externes
• Mise en œuvre d’agents capables d’exécuter des tâches complètes

API & automatisation
• Fonctionnement des API : requêtes, authentification, échanges de données
• Appel à des services externes (IA, CRM, outils métiers)
• Construction de workflows automatisés (trigger ? traitement ? action)
• Intégration de plusieurs systèmes dans un même flux
• Automatisation de processus métier de bout en bout

Orchestration (Make)
• Logique des outils d’orchestration (scénarios, modules, triggers)
• Création de workflows automatisés avec Make
• Connexion entre IA, CRM, email, bases de données
• Tests, debugging et optimisation des scénarios
• Déploiement de solutions automatisées simples et efficaces

Projet 2 – IA générative & agent IA
• Sélection d’un LLM adapté
• Implémentation d’un RAG avec données métier
• Conception d’un chatbot ou assistant
• Automatisation des interactions
• Création d’un agent IA complet
• Déploiement d’un workflow opérationnel
• Data analyst orienté IA
• AI builder / AI project manager