Piloter un projet d'intelligence artificielle
Formation dédiée aux chefs de projet, managers et MOA qui doivent piloter des projets IA sans être développeurs. Comprendre le machine learning, cadrer un projet avec la méthode CRISP-DM, maîtriser les LLM, et gérer les risques réglementaires (AI Act).
Demander un devisObjectifs pédagogiques
Contexte et enjeux
De nombreuses entreprises lancent des projets IA sans que leurs chefs de projet ou managers aient les clés pour les cadrer correctement. Résultat : des projets qui dérapent sur les données, sur les attentes métier, sur les délais — ou qui ignorent les obligations réglementaires. L'AI Act européen impose désormais une classification et une gouvernance rigoureuse des systèmes IA utilisés en entreprise.
Cette formation de 14 heures (2 jours) s'adresse aux profils non-techniques qui jouent un rôle décisif dans les projets IA : chef de projet, manager, MOA, responsable métier. Elle leur apporte les concepts fondamentaux du machine learning (sans maths), la méthode CRISP-DM pour cadrer un projet de A à Z, une compréhension opérationnelle des LLM et de l'IA générative, et les outils pour piloter avec des KPIs adaptés tout en respectant l'AI Act.
La pédagogie repose sur des ateliers pratiques : classification d'images avec Teachable Machine, régression salariale dans Google Sheets, fiche de cadrage projet IA à compléter en groupe. Les participants repartent avec une méthode de travail applicable immédiatement sur leurs propres projets.
L'AI Act introduit pour les chefs de projet et MOA des obligations nouvelles dès la phase de conception : identifier si le système IA envisagé est à haut risque (annexe III), documenter l'évaluation de conformité, prévoir la supervision humaine et la traçabilité des décisions. Ces étapes doivent s'intégrer dans le cycle de vie du projet, pas être ajoutées en retard comme une formalité administrative. Cette formation donne les outils pour intégrer la gouvernance IA dès le cahier des charges.
Le module sur les KPIs IA est particulièrement actionnable : comment mesurer la performance d'un modèle de ML (précision, rappel, F1, drift), comment définir des SLA adaptés pour un système IA en production, et comment communiquer ces métriques à des parties prenantes non-techniques. Les participants construisent en atelier une fiche de cadrage projet IA couvrant les dimensions techniques, réglementaires et métier — un livrable directement réutilisable sur leurs prochains projets.
Programme détaillé
Module 1 — Panorama de l'IA et du Machine Learning (3h)
- Timeline de l'IA : de l'expert system au deep learning et aux LLM
- Types d'apprentissage : supervisé, non supervisé, par renforcement
- Les 5 algorithmes clés et leurs cas d'usage métier (classification, régression, clustering)
- Atelier : classifier des images avec Teachable Machine (sans code)
Module 2 — Machine Learning en pratique (3h)
- Données : qualité, volume, représentativité — pourquoi les données font tout
- Feature engineering : sélectionner les bonnes variables
- Entraînement, validation, test : comprendre les indicateurs de performance (précision, rappel, F1)
- Atelier : régression salariale dans Google Sheets avec SimpleML
Module 3 — IA générative et LLM (2h)
- Comment fonctionnent les LLM (tokens, attention, RLHF) — sans mathématiques
- RAG, fine-tuning, prompting : comprendre les trois approches pour son projet
- Cas d'usage LLM en entreprise : analyse de contrats, synthèse, génération de rapports
- Risques spécifiques : hallucinations, confidentialité des données, droits d'auteur
Module 4 — Méthode CRISP-DM : cadrer et piloter un projet IA (4h)
- Les 6 phases CRISP-DM : compréhension métier, données, modélisation, évaluation, déploiement
- Fiche de cadrage projet IA : rôles, jalons, critères d'acceptation, risques
- KPIs de pilotage : drift du modèle, coût d'inférence, taux d'adoption, ROI
- Atelier : rédiger la fiche de cadrage d'un projet IA de son organisation
Module 5 — Éthique, réglementation et gestion des risques (2h)
- AI Act : classification des systèmes IA par niveau de risque (inacceptable, élevé, limité, minimal)
- Obligations des deployers : documentation, surveillance humaine, transparence
- Articulation AI Act et RGPD pour les projets utilisant des données personnelles
- Sanctions et échéances 2026 : ce que le chef de projet doit anticiper