IA pour Product Managers
Cette formation a pour objectif de fournir à tout Product Manager les bases nécessaires pour comprendre les enjeux de la data et de l’IA et comment les incorporer dans son langage et travail quotidien.
Participation à la fresque de la Data pour poser les bases et échanger autour des principaux concepts de la Data.
Objectifs
<div class="wrapper-block"><div class="wrapper-objectives"> <div class="icons-check"> </div>Savoir définir ce qu’est l’Intelligence Artificielle et le Machine Learning</div><div class="wrapper-objectives"> <div class="icons-check"> </div>Savoir juger lorsque le Machine Learning est nécessaire dans un projet data et quand il ne l’est pas</div><div class="wrapper-objectives"> <div class="icons-check"> </div>Comprendre le lifecycle de tout projet à base de Machine Learning</div><div class="wrapper-objectives"> <div class="icons-check"> </div>Comprendre les spécificités inhérentes à la Data</div></div><div class="wrapper-objectives"> <div class="icons-check"> </div>Appréhender les étapes nécessaires à la création de Produits à base de Machine Learning</div>
Note
Public cible
- Product Owner
- Product Managers
Prérequis
Background de Product Management
Taux d'abandon
Programme détaillé
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)
- Compréhension business
- Compréhension de la donnée
- Préparation de la donnée
- Modélisation itérative
- Évaluation
- 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