Formation Concevoir et piloter un projet d'Intelligence Artificielle (IA)

Jour 1 - Matin

Etat de l'art des technologies et des usages de l'Intelligence Artificielle (IA)

• Définitions et typologies de l'IA : IA prédictive, IA Générative, agents autonomes
• Evolution récente : des LLM (GPT, Llama, Mistral) aux architectures multi-agents
• Panorama des usages par secteur (santé, industrie, services, retail)
• Tendances : IA agentique, RAG (Retrieval-Augmented Generation), edge AI, IA frugale
• Acteurs clés : éditeurs, Cloud providers, Open Source, ESN, startups
• Particularité des projets IA

Exemples de travaux pratiques (à titre indicatif)

• Cadrage stratégique :
• Présentation du contexte du cas pratique
• Identifier le type d'IA pertinent (agent conversationnel avec RAG pour répondre à partir de la base de connaissances produits et réglementaires)
• Définir les premiers indicateurs de succès (taux de résolution sans humain, délai de réponse, conformité...)
• Lister les risques initiaux (confidentialité des données santé, hallucination du modèle, acceptation par les conseillers...)

Jour 1 - Après-midi

Périmètre, ressources, coûts, et délais

• Définition du périmètre fonctionnel et technique d'un projet IA
• Différence entre POC, MVP et industrialisation
• Estimation des ressources : compétences (Data Scientist, ingénieur IA, MLOps, expert métier, juriste), infrastructure (Cloud, GPU, API)
• Modèles de coûts : coûts de développement, d'inférence, de fine-tuning, de maintenance
• Planification : phases d'exploration, développement, test, déploiement, itérations

Exemples de travaux pratiques (à titre indicatif)

• Cadrage opérationnel et budgétaire :
• Définir le périmètre du MVP
• Identifier les ressources nécessaires : chef de projet IA, Data Engineer, développeur IA (LLM), expert métier (service client), juriste RGPD / AI Act
• Estimer les coûts sur 3 mois : Cloud (API ou modèle Open Source hébergé), base vectorielle, ingestion de données
• Etablir un planning avec jalons : cadrage > preuve de concept > pilote réel > test avec 10 agents > évaluation

Jour 2 - Matin

Cadre réglementaire et éthique (AI Act, RGPD)

• RGPD
• Licéité du traitement
• Données personnelles et données sensibles (santé)
• Droit d'opposition
• Obligation d'information
• Sous-traitance
• AI Act
• Classification des systèmes d'IA (risque inacceptable, élevé, limité, minime)
• Obligations pour les systèmes à haut risque
• Cas des agents conversationnels
• Interactions RGPD / AI Act
• Double conformité
• Ethique
• Explicabilité
• Transparence
• Supervision humaine
• Non-discrimination
• Documentation obligatoire
• Registre des traitements
• Analyse d'impact (AIPD)
• Documentation technique pour l'AI Act

Exemples de travaux pratiques (à titre indicatif)

• Analyse de conformité :
• A partir du cas fil rouge, déterminer le niveau de risque selon l'AI Act

Jour 2 - Après-midi

Une approche par les risques des projets d'IA avec l'ISO 42001

• Introduction à l'ISO/IEC 42001 (système de management de l'IA) : objectifs, structure
• Démarche par les risques : identification, évaluation, traitement, monitoring
• Articulation avec l'AI Act : la norme comme framework de conformité
• Mise en place d'un registre des risques spécifique à l'IA
• Rôles et responsabilités : responsable IA, comité d'éthique, auditeurs internes
• Indicateurs de risque et de performance (KPI de sécurité, équité, robustesse)

Exemples de travaux pratiques (à titre indicatif)

• Construction d'un registre des risques et plan d'action :
• A partir du cas fil rouge, identifier et qualifier les risques du projet