Formation Initiation à l'Intelligence Artificielle (IA) pour l'industrie

Jour 1 - Matin

Introduction à l'IA

• Définitions, histoire et grandes familles d'IA (symbolique, statistique, connexionniste)
• Panorama des usages actuels dans l'industrie
• Enjeux économiques et technologiques

Fondamentaux théoriques

• Machine Learning : Régression, classification, clustering
• Deep Learning : Réseaux de neurones, descente de gradient, CNN/RNN (notions)
• Extraction de features et réduction de dimensionnalité (PCA, t-SNE, UMAP)

Exemples de travaux pratiques (à titre indicatif)

• Prédiction de défauts par régression : Prédire l'apparition de défauts à partir de données de production et réduire les arrêts non planifiés
• Clustering pour segmenter la production : Découverte de profils cachés dans les données de production
• Segmentation automatique des lots
• Détection de comportements atypiques

IA générative et modèles avancés

• ChatGPT, LLM et VLM : Principes, forces et limites
• NotebookLM : Interroger ses propres documents
• RAG (Retrieval-Augmented Generation) : Dialoguer avec ses données
• Prompt engineering : Bonnes pratiques et cas industriels

Exemples de travaux pratiques (à titre indicatif)

• RAG pour automatiser l'accès aux données : Interroger instantanément des normes ou des historiques de contrôle qualité, comme si vous aviez un expert documentaire toujours disponible
• Prompting avancé :
• Transformer des requêtes floues en réponses précises grâce à des prompts structurés
• Gagner du temps et éviter les erreurs d'interprétation

Jour 1 - Après-midi

Outils accessibles (No Code / Low Code)

• ChatGPT / Gemini pour la productivité
• Teachable Machine, Orange Data Mining pour expérimenter simplement
• Automatisation avec Make, n8n (workflows concrets)

Applications industrielles

• Contrôle qualité visuel : Détection d'anomalies avec StorkVision
• Maintenance prédictive : Analyse de signaux capteurs
• Automatisation documentaire : OCR + IA + RAG pour devis, factures, normes

Exemples de travaux pratiques (à titre indicatif)

• Détection d'anomalie dans les signaux machines : Utiliser les vibrations, sons ou températures pour anticiper les pannes et prolonger la durée de vie des équipements
• Lecture automatique de plans et cahiers des charges :
• Vérifier la cohérence entre plans techniques et CDC
• Détecter contradictions ou oublis en quelques secondes
• Détection de défauts automatique
• Analyse visuelle en temps réel pour identifier microfissures, rayures ou défauts d'assemblage sans intervention humaine

Jour 2 - Matin

L'IA comme levier de compétitivité

• Gains : Qualité, productivité, sécurité, time-to-market
• Mesure de ROI simple : Avant / après
• Identification des “quick wins” IA en PME

De l'expérimentation au déploiement

• Étapes : POC / MVP / Production
• Gouvernance des données et sécurité
• Monitoring, dérive des données, réentraînement
• Conduite du changement et acceptation par les équipes

Exemples de travaux pratiques (à titre indicatif)

• Les agents IA et leurs usages des "collaborateurs virtuels" capables d'orchestrer plusieurs tâches : Planifier, surveiller, alerter et automatiser vos processus qualité

Jour 2 - Après-midi

AI Act européen : une première mondiale

• Logique par niveaux de risque (interdit, haut risque, limité, minimal)
• Obligations pour les systèmes à haut risque : Documentation, supervision humaine, traçabilité
• Opportunités pour les PME : Conformité comme avantage concurrentiel

Limites, risques et bonnes pratiques

• Biais, hallucinations, confidentialité et souveraineté
• Comparaison IA locale vs cloud
• Bonnes pratiques pour un déploiement responsable en PME

Exemple de travaux pratique (à titre indicatif)

• Manipulation d'outils génératifs (ChatGPT, NotebookLM)
• Contrôle qualité, automatisation documentaire, maintenance (étude de cas)
• Créer un plan d'action IA à partir d’un cas réel (mise en situation)