Chef de Projet IA

Objectifs

• Gérer efficacement des projets d'intelligence artificielle de bout en bout.


• Coordonner les équipes interdisciplinaires impliquées dans les projets IA.


• Avoir et savoir transmettre le « réflexe IA » : savoir quand utiliser l'IA de façon pertinente et orienter vers d'autres solutions quand l'IA n'est pas nécessaire


• Comprendre et traduire les besoins techniques en solutions réalisables.


• Comprendre les applications métiers d'une part et les enjeux, contraintes et opportunités IT liés à l'IA d'autre part (exemple : NLP, framework de Machine Learning, infrastructure cloud, développement logiciel...)


• Assurer la liaison entre les parties prenantes techniques et non techniques.


• Gérer les risques, le budget et le calendrier des projets IA.


• Promouvoir les meilleures pratiques en matière d'impacts éthique, social et environnental et de conformité dans les projets IA.


• Maîtriser les bases de cybersécurité


• Adapter les stratégies de projet aux évolutions technologiques et aux besoins du marché.

Syllabus

Gestion de projet IA et méthodologies agiles (3 semaines)

• Qualification d'un projet métier et traduction en projet IA (compréhension des principaux types d'algorithmes, de l'IA générative et leurs applications courantes)


• Principes fondamentaux de la gestion d'un projet IA


• spécifiques aux projets IA (Scrum, Kanban).


• Planification et suivi de projet adaptés aux cycles de développement IA.

Coordination et leadership d'équipe (4 semaines)

• Techniques de leadership et de motivation d'équipe.


• Gouvernance Data / IA et gestion de la diversité et des compétences au sein des équipes IA, IT et métiers.


• Communication efficace entre équipes techniques et non techniques.

Compréhension technique et traduction des besoins (3 semaines)

• Comprendre les aspects techniques des projets IA (collecte et traitement des données notamment complexes, développement et l'entraînement des modèles, évaluation des performances, déploiement en production, monitoring, sécurité...) et savoir intégrer les besoins et contraintes de la Data Science aux MLops.


• Traduire les besoins techniques en plans de projet.


• Aligner les objectifs du projet avec les capacités techniques.

Gestion des risques et conformité (2 semaines)

• Identification et gestion des risques dans les projets IA.


• Assurer la conformité réglementaire et éthique.


• Protocoles de sécurité des données et de confidentialité.

Budget, ressources et calendrier (2 semaines)

• Planification budgétaire et allocation des ressources.


• Techniques de suivi et de contrôle du calendrier.


• Optimisation des coûts et des ressources pour l'efficacité du projet.

Innovation et veille technologique (2 semaines)

• Suivre les tendances et les innovations en IA.


• Adapter les stratégies de projet aux nouvelles technologies.


• Promouvoir l'innovation au sein des équipes de projet.

Comment ?

Méthodes pédagogiques

1 poste par stagiaire

Remise d'un support pédagogique (numérique ou papier) pendant la formation

La formation est constituée d'apports théoriques, d'exercices pratiques, de réflexions et de retours d'expérience

 

********************

Formation distancielle, synchrone, avec le formateur en visioconférence

Partage d'écran formateur et stagiaire pour les présentations, démonstrations et vérification des mises en application

Un support technique accompagne la préparation et le suivi du parcours d'apprentissage

Séquençage pédagogique construit et adapté au mode d'organisation distanciel

Remise d'une documentation pédagogique numérique pendant le stage

La formation est constituée d'apports théoriques, d'exercices pratiques, de réflexions et de retours d'expérience

Évaluation

Auto-évaluation des acquis par le stagiaire via un questionnaire en ligne

Attestation de fin de stage remise au stagiaire

 

***************

Évaluation du formateur au fil des séquences pédagogiques.

Auto-évaluation des acquis par le stagiaire via un questionnaire en ligne

Attestation de fin de stage remise au stagiaire