IA pour Product Managers

Bases du Machine Learning et de l’Intelligence Artificielle

‍

Quelques principes clés

• Qu’est-ce que le Machine Learning ?
• L’importance clé de la data : Garbage In, Garbage Out
• Apprentissage supervisé / non-supervisé
• Travailler avec de la donnée structurée ou non structurée

‍

Les situations pour lesquelles le Machine Learning est une bonne solution

• Exemples pour l’automatisation
• Exemples pour l’optimisation

‍

Cycle de vie de développement d’un Produit Data

‍

Etapes d’un projet ML typique

• Identifier les personnes impactées
• Collecter et préparer la donnée
• Construire et évaluer un modèle
• Déployer un modèle
• Gérer le modèle en production

‍

Challenges liés à la donnée

• L’importance de la qualité de la donnée
• Les principaux problèmes avec la donnée
• Gérer l’annotation de données

‍

Modèles et algorithmes

• Classification
• Moteurs de recommandation
• Deep Learning / Réseaux de Neurones
• IA Générative

‍

Le framework CRISP-ML(Q)

1. Compréhension business
2. Compréhension de la donnée
3. Préparation de la donnée
4. Modélisation itérative
5. Évaluation
6. Déploiement, monitoring, maintenance

‍

Les challenges spécifiques à l’IA dans les produits

‍

Des systèmes non-déterministes

• Gérer l’incertitude inhérente à l’IA et le besoin d’expérimentation
• Tolérance à l’erreur pour des résultats probabilistiques
• Convertir une performance statistique en une métrique business
• Dégradation des performances dans le temps, monitoring et ré-entraînement

‍

Ethique et régulations en Intelligence Artificielle

• Biais et explicabilité
• Régulations
• Identifier et gérer les risques de privacy et d’éthique dans les projets data
• IA responsable

‍

Ce que l’IA Générative va changer

• Les spécificités de l’IA Générative
• Nouveaux besoins
• Accélération du cycle de vie

‍