L'IA hors du génératif : méthodes, usages et intégration

• Développeurs, ingénieurs et architectes logiciels
• Responsables QA
• Leaders techniques

• Maîtriser la sélection, l'entraînement et le déploiement des différents types d'IA (supervisée, non supervisée, par renforcement, symbolique) dans un contexte technique.
• Utiliser de façon opérationnelle les modèles d'IA pour résoudre des problèmes concrets (maintenance prédictive, classification, optimisation, vision industrielle) et les intégrer aux workflows existants.
• Développer une approche critique et stratégique de l'IA : évaluer la pertinence d'une solution, anticiper les risques (biais, conformité, sécurité) et définir une gouvernance adaptée.

Introduction & panorama des familles d'IA

• Apprentissage supervisé : régression, classification, réseaux de neurones classiques.
• Apprentissage non supervisé : clustering, réduction de dimension.
• Apprentissage par renforcement : agents, Q-learning, policy gradients.
• IA symbolique & règles : systèmes experts, logique floue.
• Atelier 1 : Prédire le churn d'un service SaaS avec un modèle de régression logistique ; évaluer la précision / rappel et interpréter les coefficients

Usages typiques de l'IA (non générative)

• Maintenance prédictive / détection d'anomalies.
• Optimisation opérationnelle (scheduling, allocation de ressources).
• NLP analytique : classification de documents, extraction d'entités, analyse des sentiments.
• Vision industrielle : inspection qualité, détection de défauts.
• Sécurité & fraude : scoring de risque, détection de valeurs aberrantes.
• Atelier 2 : construire un modèle LSTM (avec Tensorflow) pour prévoir la panne d'un moteur à partir de séries temporelles de capteurs.

Évaluer la pertinence d'une solution IA

• Valeur business & ROI attendu.
• Disponibilité et qualité des données.
• Contraintes techniques : latence, scalabilité, infrastructure.
• Aspects réglementaires & éthiques (RGPD, biais, explicabilité).
• Coût total de possession (licences, GPU, maintenance).
• Atelier 3 : audit d'un jeu de données interne ; identifier les lacunes, proposer un plan de nettoyage et estimer le gain potentiel.

Concevoir, entraîner & valider un modèle

• Pipeline de données : ingestion, feature engineering.
• Choix du modèle : baseline ? modèles classiques ? deep learning.
• Hyper-parameter tuning (grid / random / Bayesian).
• Validation croisée, métriques spécifiques (ROC-AUC, PR-AUC, F1).
• Robustesse : tests de stress, out-of-distribution.
• Atelier 4 : comparer RandomForest, XGBoost et LightGBM sur un jeu de données de fraude ; tuner les hyper-paramètres avec Optuna et choisir le meilleur modèle.

Déployer & intégrer l'IA dans les workflows existants

• Packaging : ONNX / TorchScript, conteneurisation Docker, API REST.
• Orchestration : CI/CD, Kubernetes.
• Monitoring : métriques de production, drift detection, alerting (Prometheus / Grafana).
• Boucle de feedback : collecte de labels humains, ré-entraînement continu.
• Atelier 5 : conteneuriser un modèle de classification, l'exposer via une API FastAPI, tester l'appel avec Postman et mettre en place un tableau de bord Grafana pour la latence.

Gouvernance, sécurité & éthique

• Explicabilité : SHAP / LIME, interprétation des décisions.
• Détection et atténuation des biais (impact différentiel).
• Protection des données : anonymisation, chiffrement, conformité RGPD.
• Gestion des incidents IA : plan de rollback, documentation.
• Cadre réglementaire (European AI Act, ISO 42001).
• Atelier 6 : examiner un modèle d'évaluation de crédit avec SHAP, identifier les variables à risque et proposer des mesures correctives.

Mini-projet et synthèse

• Mini-projet : chaque groupe définit un cas d'usage réel, conçoit le pipeline complet (data ? modèle ? déploiement ? monitoring).
• Présentation des livrables, discussion des métriques et des limites.
• Élaboration d'une roadmap d'adoption (priorisation, ressources, gouvernance).

Une attestation de participation sera transmise aux participants