1

Introduction à l’intelligence artificielle

• Définitions : IA, apprentissage automatique, IA générative, robotique.
• Grandes approches de l’IA : symbolique, statistique, connexionniste.
• Concepts essentiels : algorithme, modèle, entraînement, inférence.
• Les types d’IA : faible (narrow) et générale (AGI).
• Évolution historique et perspectives.

2

Impacts sociétaux, environnementaux et éthiques

• Effets de l’IA sur l’emploi, les compétences et l’organisation du travail.
• Empreinte carbone de l’IA et leviers de réduction : écoconception, sobriété numérique.
• Principes éthiques : équité, explicabilité, transparence, respect de la vie privée.
• Gouvernance et conformité réglementaire (RGPD, AI Act).

3

Technologies et apprentissage automatique

• Panorama des technologies associées : cloud, IoT, robotique.
• Chaîne de valeur de l’IA : collecte, préparation, entraînement, déploiement, supervision.
• Fondamentaux du machine learning : apprentissage supervisé et non supervisé.
• Gestion des modèles : surapprentissage, validation, métriques de performance.
• Introduction à l’IA générative et aux modèles de langage (LLM).

4

Données, qualité et gouvernance

• Rôle central des données dans les systèmes d’IA.
• Critères de qualité : exactitude, complétude, fraîcheur, traçabilité.
• Gouvernance : rôles clés (data owner, data steward) et responsabilités.
• Risques liés aux données et mesures de mitigation.
• Bonnes pratiques de visualisation et d’interprétation.

5

Cadrage et opportunités de l’IA

• Identifier les cas d’usage pertinents selon la stratégie de l’entreprise.
• Analyser la valeur, la faisabilité et les risques d’un projet IA.
• Élaborer un dossier de justification et un business case IA.
• Estimer coûts, bénéfices et retour sur investissement.
• Construire un plan pilote ou un MVP (proof of concept).

6

Conduite de projet et gouvernance de l’IA

• Rôles et parties prenantes : sponsor, métier, data scientist, MLOps, juridique, DPO.
• Choisir la bonne approche de gestion (agile, itérative, expérimentale).
• Gouvernance : politiques d’usage, comité IA, supervision et suivi des modèles.
• Surveillance post-déploiement : dérive, qualité de service, équité.

7

Évolution des métiers et montée en compétences

• Nouveaux rôles : AI product manager, ML engineer, ethics officer, data steward.
• Impacts sur les métiers et les organisations.
• Stratégies de montée en compétences et de reskilling/upskilling.
• L’humain augmenté : collaboration entre IA et expertise humaine.

8

Études de cas et retours d’expérience

• Analyse de cas réels issus de différents secteurs d’activité.
• Facteurs clés de succès : données de qualité, sponsor fort, adoption métier.
• Causes d’échec fréquentes : cadrage flou, dette data, manque d’appropriation.
• Enseignements transférables aux projets IA des participants.