L'IA hors du génératif : panorama pratique pour les non-développeurs

• Cadres
• Managers
• Spécialistes métiers sans compétences en programmation

• Savoir identifier les besoins métier et choisir, parmi les solutions d'IA non-génératives prêtes à l'emploi, la technologie la plus adaptée à chaque problématique.
• Utiliser de façon opérationnelle des plateformes graphiques pour entraîner, valider et déployer les modèles, puis les intégrer facilement aux processus quotidiens de l'entreprise.
• Développer une posture critique vis-à-vis de l'IA : analyser la pertinence d'une solution, anticiper les risques liés aux biais, à la conformité et à la sécurité des données, et mettre en place une gouvernance adaptée.

Introduction & définition

• Définitions clés : IA « classique » vs IA générative, apprentissage supervisé, non-supervisé, optimisation, systèmes experts.
• Intérêt de l'IA non-générative : gains d'efficacité, meilleure prise de décision, automatisation de tâches répétitives.
• L'IA non-générative : forces, limites, identification des leviers d'impact dans l'entreprise.

Panorama des techniques non-génératives

• Classification : séparer les observations en classes distinctes ; métriques clés : précision, rappel, F1-score.
• Régression : modéliser une relation continue entre variables ; évaluation via MAE, RMSE.
• Clustering : regrouper les données selon similarité (distance euclidienne, K-means).
• Systèmes experts / règles : logique IF-THEN, facilement explicable, idéal quand les connaissances métier sont bien codifiées.
• Optimisation : formulation d'un problème avec variables, contraintes, maximisation/minimisation d'une fonction objectif.
• Atelier 1 : Mise en place d'un système de détection de fraude

Cas d'usage concrets en entreprise

• Marketing – Segmentation client (clustering) : cible plus précise, campagnes plus rentables, meilleure connaissance des personas.
• Finance – Scoring de crédit (régression/classification) : décisions de prêt plus rapides et fiables, réduction du risque de défaut.
• Ressources humaines – Analyse du turnover (classification) : anticiper les départs, améliorer la rétention, optimiser les programmes de fidélisation.
• Logistique – Optimisation d'itinéraires (optimisation) : réduction des coûts de transport, amélioration des délais de livraison, empreinte carbone moindre.
• Production – Détection d'anomalies (monitoring) : maintenance prédictive, diminution des arrêts non planifiés, prolongation de la durée de vie des équipements.
• Atelier 2 : Mise en place d'un scoring de crédit

Processus de mise en œuvre

• Définition du problème métier : clarifier l'objectif business et identifier les indicateurs de performance.
• Cartographier les données : sources, disponibilité, qualité, conformité.
• Concevoir l'architecture de la solution : type de modèle, mode de déploiement, intégration, sécurité.
• Gestion des risques et enjeux éthiques : identification des biais, mise en place des mécanismes de surveillance, transparence.
• Suivi post-déploiement : mise à jour du modèle, re-entrainement périodique, suivi des KPI, suivi des métriques du modèle.

Enjeux éthiques & gouvernance

• Biais des données : comment les détecter (ex. déséquilibre de classe) et les atténuer.
• Transparence & explicabilité : pourquoi les systèmes experts sont souvent préférés dans les environnements réglementés.
• Confidentialité & conformité (RGPD) : anonymisation, stockage sécurisé.
• Impact organisationnel : changement de processus, formation des équipes.

Projet pratique : du problème métier au prototype opérationnel

• Etape 1 : définition du cas d'usage
• Etape 2 : collecte & préparation des données
• Etape 3 : choix de l'IA et justification du choix
• Etape 4 : construction du prototype
• Etape 5 : récupération des KPI pour l'évaluation des performances
• Etape 6 : définition du plan de suivi

Une attestation de participation sera transmise aux participants