Formation – Intelligence Artificielle (IA) – La synthèse
2 Jours
L’Intelligence Artificielle est désormais indissociable d’un projet digital d’une entité. Il est donc fortement conseillé à tout acteur ou décisionnaire d’un tel projet d’étudier et évaluer les différentes possibilités d’exploitations et interprétations de données qu’offre cet ensemble de technologies. Les évolutions des algorithmes de traitements des données font émerger de nouvelles possibilités technologiques telles que le Machine Learning et le Deep Learning. Comment déployer une solution d’IA ? Quels outils peut-on mettre en oeuvre ? Quels bénéfices en tirer ? Est-ce réservé à quelques activités et métiers spécifiques ? A travers de multiples exemples et retours d’expériences, ce séminaire permettra aux participants de renforcer leurs connaissances initiales pour amorcer efficacement une mise en oeuvre de solution d’Intelligence Artificielle adaptée à l’activité et aux métiers de leur établissement.
Les objectifs de la formation
Disposer d’une définition concrète des solutions et outils d’Intelligence Artificielle
Savoir définir les types de bénéfices par métier, activité, secteur de l’entité
Être en mesure de discerner les clés de réussite d’une solution d’Intelligence Artificielle
Connaître les solutions, outils et technologies actuellement employés dans un projet d’Intelligence Artificielle
A qui s’adresse cette formation ?
Pour qui
Dirigeants, Directeurs informatiques
Directeurs projets
Toute personne souhaitant comprendre les mécanismes et les bénéfices potentiels du Machine Learning pour diriger ou gérer la préparation d’un déploiement de solution d’Intelligence Artificielle dans l’Entreprise
Prérequis
Aucun.
Le programme
1 – 1ère partie : Les usages de l’Intelligence Artificielle
Des exemples d’application (témoignages vidéo)
Du fantasme à la réalité de l’Intelligence Artificielle
Historique, concepts de base et applications de l’intelligence artificielle
Vision globale des dispositifs d’Intelligence Artificielle
Machine Learning vs Deep Learning
2 – 2ème partie : Quels sont les mécanismes de l’Intelligence Artificielle ?
3 – Réseaux de neurones et Deep Learning
Qu’est-ce qu’un réseau de neurones ?
Le réseau de neurones : architecture, fonctions d’activation et de pondération des activations précédentes…
Qu’est-ce que l’apprentissage d’un réseau de neurones ? Deep versus shallow network, overfit, underfit, convergence
L’apprentissage d’un réseau de neurones : fonctions de coût, back-propagation…
Modélisation d’un réseau de neurones : modélisation des données d’entrée et de sortie selon le type de problème
Approximer une fonction par un réseau de neurones
Approximer une distribution par un réseau de neurones
Génération de représentations internes au sein d’un réseau de neurones
Généralisation des résultats d’un réseau de neurones
Révolution du Deep Learning : généricité des outils et des problématiques
4 – Sur quoi porte le Deep Learning ?
Les données : volumétries, dimensionnement, équilibre entre les classes, description
Données brutes vs features travaillées
Classification de données
Les types : donnée, vidéo, image, son, texte, etc
Les enjeux d’une classification de données et les choix impliqués par un modèle de classification
Outils de classification : des réseaux de type Multilayer Perceptron ou Convolutional Neural Network
Prédiction d’information et donnée séquentielle/temporelle
Enjeux et limites d’une prédiction d’information
Règles structurelles au sein de la donnée pouvant permettre une logique de prédiction
Outils usuels de prédiction
Transformation/génération de données
Opération de réinterprétation d’une donnée : débruitage, segmentation d’image…
Opération de transformation sur un même format : traduction de texte d’une langue à une autre…
Opération de génération de donnée “originale” : Neural Style, génération d’images à partir de présentations textuelles
Reinforcement Learning : contrôle d’un environnement
5 – Le langage naturel
Fondamentaux d’un système de compréhension de langage naturel
Comprendre les principes
Complexités de mise en oeuvre
Présentation des solutions Open Source
Solution de Google (Cloud Platform Speech), Alexa (Amazon), LUIS QnaMaker (Microsoft), Cognitive Services (Microsoft) …
6 – Les modèles LLM
Liste des LLM : Falcon 180B, Palm2, Llama 2, LaMDA, RLHF
Comprendre les principes
Complexités de Avantages/Inconvénients des différents modèles
Les outils : Bard, Midjourney, Adobe Firefly, DallE, Claude
La guerre géopolitique entre ces solutions
7 – 3ème partie : Plates-formes de développement
Solutions de Développement : Wit.ai (Facebook), Chatfuel, Api.ai (Google), BotFramework (Microsoft)…
Les Modes de programmation waterfall
Panorama des Framework de développement
Création d’un Bot sans codage, les solutions Chatfuel et autres
Le Passage du Flow au Bot (smooch.ia)
Toutes les solutions de méthodes de déploiement
Comment héberger un Bot sur un serveur Web ?
8 – Comment mettre en oeuvre une application d’IA ?
Le cycle de vie d’un projet d’IA
L’accompagnement aux changements nécessaire (formation, communication, management)
9 – 4ème partie : Quels acteurs professionnels doit on se préparer à impliquer, considérer ?
Les acteurs d’un projet et post-projet
Nouveaux rôles dans l’entreprise des secteurs privé et public
Les prestataires externes et l’écosystème
Dans votre entité, qui est concerné par l’Intelligence Artificielle : au sein du marketing, de la relation client, de la DSI …
10 – 5ème partie : La RoadMap d’un déploiement d’une application d’IA
La roadmap de la mise en oeuvre d’une application en IA (avant, pendant et après le projet)
Les spécificités d’un projet d’IA
Le rétro planning du ou des recrutements et leurs incidences sur les projets
11 – 6ème partie : Synthèse
CheckList, bonnes pratiques
Échanges autour des spécificités métiers et activité des entreprises de chaque participant