IA4me Présentiel

Vous souhaitez monter en compétences et vous approprier les possibilités, les contraintes et d'usages existants en science de la donnée, comprendre les enjeux autour des données et de leur qualité ?

Vous intervenez dans une entreprise industrielle et désirez comprendre l'importance de la collaboration entre les métiers et les data scientists ?

Vous vous interrogez sur les cas d'usage pertinents autour des données : Comment puis-je bénéficier de données dont je ne dispose pas aujourd'hui ? Mes données peuvent-elles être utiles à d'autres ? Comment mettre à profit l'intelligence artificielle, notamment générative, dans l'exploitation de mes données ?

Ce parcours vous permet d'avoir une compréhension approfondie des principes fondamentaux et des meilleures pratiques pour collecter, gérer et exploiter efficacement les données au sein des environnements industriels. Il est dispensé par un expert de la data venant d'une grande entreprise au cœur de la transformation digitale par les données.

Ce parcours vous permettra de découvrir les différentes Intelligences Artificielles (du réseau neurone  jusq'aux IA Génératives) et leurs cas d'usage.

Comprendre le big data et ses enjeux (collecte, fiabilisation, documentation, stockage, usage, restitution, modélisation, visualisation)

Un exemple de stratégie data : le cas d'ArcelorMittal France

• L'IA dans la vie de tous les jours
• Comprendre « avec les mains » et démystifier les algorithmes d'intelligence artificielle.
• Être capable d'identifier à quel moment le big data peut intervenir dans un cas d'usage métier (amélioration continue / situation de crise).
• La responsabilité de chacun dans la qualité de la donnée
• Avoir une idée des limitations et des pièges associés
• Donner envie, faire émerger des usages, éviter l'anxiété.

• Avoir des notions de mathématique
• Connaitre la régression linéaire
• Avoir des notions de probabilité

Présentation des concepts en session plénière. Entrecoupée de réflexions individuelles sur des problèmes « simples » et illustratifs (papier/crayon)

Mise en situation en ateliers participatifs en discutant un/plusieurs cas « réels » qui illustrent des réussites, mais aussi des échecs.

Réflexion en groupe sur des cas concrets illustrant les problèmes potentiels (bruit de labelisation sur les données SIAS, données manquantes, manque d'info dans les bases…).

L'intervenant illustrera et discutera les propositions des différents groupes sur la base de ce qui a été effectivement réalisé dans les études sous-jacentes en jouant le rôle du « métier » puis du « data scientist »