Orsys

Intelligence artificielle pour product owner

Par Orsys

Objectifs

À l’issue de la formation, le participant sera en mesure de :

  • Identifier les problématiques business qui peuvent bénéficier du ML (machine learning)
  • Prioriser les cas d’usage
  • Identifier le bon modèle à utiliser en fonction de la problématique
  • Structurer une démarche produit/projet de ML : de la préparation des données jusqu’à la mise en production
  • Analyser les performances d’un modèle d’un point de vue business
  • Appréhender les enjeux et risques liés à ce type de projet

Programme

L'intelligence artificielle (IA), le machine learning (ML)

  • Les enjeux de l'IA.
  • Panorama de l'IA (règles VS ML, systèmes hybrides...).
  • Machine learning : concept et use cases.
  • Régression, classification et clustering.
  • Réseaux de neurones artificiels/deep learning.
  • NLP : principes et applications.
  • Computer vision : principes et applications.

Exercice
Ice breaker pour bien démarrer.

Cas d'utilisation en IA

  • Présentation de use cases mis en œuvre en entreprise.
  • Sélection de use cases pour analyse.

Exercice
Analyse de business case pour savoir s'il est pertinent d'utiliser du ML. Quelle démarche utiliser ?

Se préparer à un projet de machine learning

  • Enjeux et risques.
  • Compétences nécessaires.
  • Évaluer et préparer ses données.
  • L'agilité pour les projets de ML.

Travaux pratiques
Projet d'IA : business canva. Choisir un problème à traiter par du ML. Renseigner le canva.

Projet de ML : création de valeur

  • Du pain point à la création de valeur.
  • Approche "client centric", approche "design thinking".
  • Les enjeux de l'intégration des modèles d'IA dans les processus métiers.

Algorithmes de ML

  • Présentation.
  • Modélisation d'un problème au sens machine learning : input/output.
  • Principaux algorithmes caractéristiques.
  • Hyperparameters des modèles.

Démarche end to end du projet de ML

  • Overfitting/underfitting : quelles solutions ?
  • Qui fait quoi dans un projet de ML ?
  • Avec quelle méthodologie ?
  • De l'acquisition des données à l'industrialisation (illustration avec un use case).
  • La problématique des données : quantité, qualité, non représentativité, focus sur "imbalanced dataset".
  • Features engineering : irrelevent features, comment sélectionner, extraire et créer des nouveaux features.
  • Les enjeux données/algorithmes, les biais, la privacy.

Travaux pratiques
Présentation de uses cases : classification, clustering, NLP/classification. Sélectionner un use case, préparer son dataset. Visualiser les données. Présenter les "features" pertinents.

Création de modèle de machine learning

  • L'écosystème de l'IA.
  • Panorama des solutions, des acteurs et fournisseurs, les services en ligne existants chez les GAFAM et les start-up.
  • Langage Python, les bibliothèques :
  • De traitement de données (NumPy, Pandas, matplotlib...).
  • De ML (Keras, scikit-learn...).
  • De DL (Tensorflow).

Travaux pratiques
Réalisation d'un projet de ML et suivi pas à pas du projet avec la collaboration d'un coach datascientist. (Préparation et visualisation des données. Sélection de features. Entraînement et évaluation des modèles. Mesure de la performance. Création d'un modèle de ML sans code).

Enjeux de l'évaluation business

  • Création de valeur.
  • Les enjeux de l'évaluation.
  • Performance.
  • ROI, retour sur investissement.

Pratiques projet et organisation

  • Synthèse des meilleures pratiques du point de vue métier.
  • L'organisation des compétences au sein d'une organisation data driven.

Pédagogie

Exposés théoriques, études de cas concrets en groupe, quiz, démonstration par le formateur puis mise en pratique pour un meilleur ancrage des connaissances.

Pédagogie active, échanges avec des experts de l'IA.

L'intelligence artificielle (IA), le machine learning (ML)

  • Les enjeux de l'IA.
  • Panorama de l'IA (règles VS ML, systèmes hybrides...).
  • Machine learning : concept et use cases.
  • Régression, classification et clustering.
  • Réseaux de neurones artificiels/deep learning.
  • NLP : principes et applications.
  • Computer vision : principes et applications.

Exercice
Ice breaker pour bien démarrer.

Cas d'utilisation en IA

  • Présentation de use cases mis en œuvre en entreprise.
  • Sélection de use cases pour analyse.

Exercice
Analyse de business case pour savoir s'il est pertinent d'utiliser du ML. Quelle démarche utiliser ?

Se préparer à un projet de machine learning

  • Enjeux et risques.
  • Compétences nécessaires.
  • Évaluer et préparer ses données.
  • L'agilité pour les projets de ML.

Travaux pratiques
Projet d'IA : business canva. Choisir un problème à traiter par du ML. Renseigner le canva.

Projet de ML : création de valeur

  • Du pain point à la création de valeur.
  • Approche "client centric", approche "design thinking".
  • Les enjeux de l'intégration des modèles d'IA dans les processus métiers.

Algorithmes de ML

  • Présentation.
  • Modélisation d'un problème au sens machine learning : input/output.
  • Principaux algorithmes caractéristiques.
  • Hyperparameters des modèles.

Démarche end to end du projet de ML

  • Overfitting/underfitting : quelles solutions ?
  • Qui fait quoi dans un projet de ML ?
  • Avec quelle méthodologie ?
  • De l'acquisition des données à l'industrialisation (illustration avec un use case).
  • La problématique des données : quantité, qualité, non représentativité, focus sur "imbalanced dataset".
  • Features engineering : irrelevent features, comment sélectionner, extraire et créer des nouveaux features.
  • Les enjeux données/algorithmes, les biais, la privacy.

Travaux pratiques
Présentation de uses cases : classification, clustering, NLP/classification. Sélectionner un use case, préparer son dataset. Visualiser les données. Présenter les "features" pertinents.

Création de modèle de machine learning

  • L'écosystème de l'IA.
  • Panorama des solutions, des acteurs et fournisseurs, les services en ligne existants chez les GAFAM et les start-up.
  • Langage Python, les bibliothèques :
  • De traitement de données (NumPy, Pandas, matplotlib...).
  • De ML (Keras, scikit-learn...).
  • De DL (Tensorflow).

Travaux pratiques
Réalisation d'un projet de ML et suivi pas à pas du projet avec la collaboration d'un coach datascientist. (Préparation et visualisation des données. Sélection de features. Entraînement et évaluation des modèles. Mesure de la performance. Création d'un modèle de ML sans code).

Enjeux de l'évaluation business

  • Création de valeur.
  • Les enjeux de l'évaluation.
  • Performance.
  • ROI, retour sur investissement.

Pratiques projet et organisation

  • Synthèse des meilleures pratiques du point de vue métier.
  • L'organisation des compétences au sein d'une organisation data driven.

PDF

Imprimer

Envoyer

Envoyer la page à :

Formations de la même catégories (5)

Orsys
Intelligence artificielle, vision par ordinateurPar Orsys

La science numérique associée aux caméras offre des solutions d’analyses intelligentes de flux vidéos. Notre partenaire XXII a élaboré une plateforme d’IA. Il se propose de vous faire découvrir son labo, ses projets pour vous immerger dans ces technologies compliquées présentées par leurs experts de manière simple.

Skill First
Les fondamentaux de l’IAPar Skill First

L’intelligence artificielle (IA) suscite bien des controverses. Des mythes du remplacement de l’homme par la machine à l’affrontement des intelligences, il est souvent difficile d’avoir une vision claire de ce qu’est l’IA et de ce dont elle est capable. Pourtant, l’IA est aujourd’hui une réalité bien ancrée dans le paysage économique. Elle aide les banques à réduire les risques de fraude, rend les usines totalement autonomes et assiste même le fisc français dans la lutte contre l’évasion fiscale. Si l’IA prend des formes variées – d’une enceinte connectée à un algorithme de conduite – les entreprises y recourent toutes pour une seule raison : bien utilisée, l’IA est un levier de performance.

Pour être acteur de cette rupture, il faut d’abord en comprendre puis en maîtriser les enjeux techniques, stratégiques et juridiques. Ces compétences permettront ensuite de mettre en œuvre efficacement l’IA pour transformer les organisations.

Cette Unité de Compétence introduit le certificat IA dans le business et en présente les grands concepts et enjeux pour vous permettre de devenir un acteur responsable de l’IA dans votre vie professionnelle et personnelle. Elle est composée de vidéos, de fiches, d’exercices et de cas pratiques.

First Finance
L’intelligence artificielle appliquée à la financePar First Finance
  • Apprendre à connaître les techniques de l’intelligence artificielle et leur utilisation en finance à travers différents cas pratiques
  • Explorer le Big Data, qui constitue la matière première de l’intelligence artificielle
  • Analyser l’impact de l’intelligence artificielle sur les métiers de la finance
SQLI Institut
Intelligence Artificielle (IA) - La synthèsePar SQLI Institut
  • Disposer d’une définition concrète des solutions et outils d’Intelligence Artificielle
  • Savoir définir les types de bénéfices par métier, activité, secteur de l’Entreprise
  • Être en mesure de discerner les clés de réussite d’une solution d’Intelligence Artificielle
  • Connaître les solutions, outils et technologies actuellement employés dans un projet d’Intelligence Artificielle
Global Knowledge
Introduction à l'Intelligence artificiellePar Global Knowledge

L'intelligence artificielle (IA) est partout ! L’IA, est un domaine qui a une longue histoire mais qui continue de se développer et de se transformer de manière continue. L’IA concerne la capabilité des machines à réaliser des performances qui étaient exclusives à l’être humain. Dans cette formation, vous apprendrez les bases de l’IA moderne ainsi que certaines de ses applications représentatives.

La formation est basée sur une Pédagogie active et ludique : 70% théorie et 30% pratique.