Piloter la création de valeur grâce à l'intelligence artificielle et aux données

RNCP40589BC05 – Piloter la création de valeur avec l’IA et la data
1. Coder et manipuler des données avec Python  
•  Apprendre les bases de la programmation Python et installer un environnement de travail 
adapté (Jupyter, VS Code, venv…). 
•  S’initier à la manipulation de données via les bibliothèques Pandas et Numpy. 
•  Réaliser des visualisations de données avec Matplotlib et Seaborn. 
•  Utiliser des outils d’IA générative (ChatGPT, GitHub Copilot) pour assister le code et l’analyse. 
 
2. Préparer et structurer les données pour l’analyse  
•  Nettoyer et transformer des données tabulaires (valeurs manquantes, outliers, encodage, 
normalisation). 
•  Travailler sur les données non structurées : texte (TF-IDF, BERT), image (réduction, 
interpolation), son (spectrogrammes). 
•  Maîtriser les jointures, les agrégations et les techniques de feature engineering pour 
construire des datasets exploitables. 
 
3. Modéliser, segmenter, prédire grâce aux modèles IA  
•  Déployer des modèles de Machine Learning supervisé et non supervisé (K-means, Random 
Forest, régression…). 
•  Segmenter des clients avec le clustering ou la segmentation RFM. 
•  Évaluer les modèles avec précision, AUC, cross-validation, et optimiser avec Grid Search ou 
ensemble learning. 
•  Construire des pipelines de bout en bout : prétraitement, modélisation, interprétation métier. 
 
4. Explorer, analyser et visualiser les données 
•  Réaliser une analyse exploratoire (skewness, corrélations, patterns…). 
•  Détecter des anomalies avec DBSCAN, Isolation Forest, Z-score, et interpréter les résultats 
métiers. 
•  Concevoir des dashboards interactifs (Streamlit) et automatiser la restitution via des outils 
d’orchestration. 
 
5. Industrialiser et fiabiliser un projet IA 
•  Comprendre l’architecture d’un projet IA (Docker, API REST, cloud, GPU). 
•  Déployer des modèles en production via API et orchestrer les flux de données. 
•  Maîtriser les biais, données déséquilibrées et méthodes d’optimisation continue. 
•  Finaliser un projet IA : cadrage, série temporelle, validation croisée, analyse métier. 
 
6. RGPD, Cybersécurité & Impact sociétal de l’IA 
•  Comprendre les obligations légales (RGPD, loi REEN) et assurer la conformité des projets IA 
•  Identifier les menaces et anticiper les risques de cybersécurité (données, modèles, 
infrastructures) 
•  Mettre en place des mesures de sécurité et de protection des données (chiffrement, 
anonymisation, accès)
•  Réduire l’empreinte environnementale des projets IA et intégrer des approches éthiques 
(Green AI, comités d’éthique) 
•  Promouvoir une culture de responsabilité numérique en suivant les évolutions réglementaires 
et technologiques 
 
7. Étude de faisabilité & Gestion de projet IA 
•  Réaliser une étude de faisabilité technique et analyser la viabilité du projet IA 
•  Élaborer et prioriser un plan de projet intégrant faisabilité, contraintes et gestion des risques 
•  Sélectionner les algorithmes, outils et technologies adaptés aux besoins métier et techniques 
•  Définir les tests, critères d’acceptation, budget et indicateurs de performance (ROI, KPI) 
•  Adapter les méthodologies agiles (ex. SCRUM) pour gérer les incertitudes des projets IA 
•  Analyser les usages de l'IA générative (GAN, LLMs, RAG), les impacts sectoriels, et les 
plateformes IA. 
 
 
8. POC, UX & Accessibilité numérique 
•  Définir le périmètre d’un POC, construire un prototype et évaluer la performance avec 
métriques et retours utilisateurs 
•  Identifier les besoins utilisateurs (personas, scénarios) et prioriser les fonctionnalités avec des 
méthodes adaptées 
•  Intégrer les principes fondamentaux de l’UX/UI pour concevoir des interfaces simples et 
ergonomiques 
•  Prendre en compte l’accessibilité numérique (critères RGAA, conception inclusive) dès la 
phase de conception 
 
9. Communication & vulgarisation 
•  Expliquer des concepts techniques à un public non technique 
•  Utiliser le storytelling pour rendre le discours clair et engageant 
•  Créer des supports visuels impactants (PowerPoint, infographies) 
•  Définir les concepts clés comme les types d'IA, les algorithmes d'apprentissage supervisé et 
non supervisé, la réduction de dimensionnalité, et les réseaux neuronaux (CNN, RNN, 
transformateurs).