Anticipation des effets des innovations technologiques et des nouveaux usages de l’IA 

• Concepts de base de l’intelligence artificielle : 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  
• Les nouveaux usages et tendances émergentes en IA

La veille dans le domaine de l’IA  

• 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 de l’IA
• 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 en IA.
• 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 

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 telle que SAFE, SCRUM ou le cycle en V 

• Méthodes agiles 
• SAFE (Scaled Agile Framework)
• 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 risque

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 pour les 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 (optimisation 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 avec Power BI
• Les contraintes big data, l’exploitation des données pour maintenir une solution 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’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