Je consulte ma fiche formation, en Pays de la Loire.

Identifier les notions clés comme les algorithmes, les types d’IA, les réseaux neuronaux, la réduction de dimensionnalité, et les usages de l’IA générative (GAN, LLMs, RAG) Formateur : Expert en gestion de projet en intelligence artificielle               Concevoir et gérer des projets IA Il s’agit d’identifier les rôles clés comme les Data Scientists ou DevOps, et de mobiliser des frameworks (TensorFlow, PyTorch) ainsi que des outils cloud (AWS SageMaker, Docker) pour répondre aux besoins techniques.
La gestion de projet IA implique de planifier, prioriser et évaluer la faisabilité selon les contraintes budgétaires (build/run), en utilisant des méthodes d’aide à la décision (matrices multicritères, simulations Monte Carlo).
Les risques techniques (performance, sécurité, conformité) doivent être identifiés via des méthodologies comme la matrice des risques ou la méthode Delphi, et traités par des stratégies adaptées (réduction, transfert, etc.).
Enfin, la mise en œuvre d’un Proof of Concept (POC) est essentielle pour valider les solutions IA envisagées. Gérer un projet en mode agile Il convient de maîtriser les fondamentaux des méthodes agiles (Scrum, SAFe, XP) ainsi que des outils spécifiques comme le time boxing, Pomodoro ou ROTI.
Dans le cadre de Scrum, la gestion du backlog, des user stories, des epics, et des rituels de sprint (revue, rétrospective, daily) est cruciale.
Les approches agiles à l’échelle (SAFe, Kanban, Lean Startup) permettent d’adapter la gouvernance et l’organisation aux projets complexes. Collecte de données La réussite d’un projet IA repose sur l’identification des sources de données structurées et non structurées, internes (ERP, CRM, IoT) ou externes (open data, bases payantes).
Les méthodes de collecte peuvent inclure les APIs, l’IoT, le web scraping ou les fichiers plats.
Il faut aussi choisir la technologie de base de données adaptée (relationnelle, graphe, etc.) en tenant compte des risques juridiques comme la conformité RGPD. Méthodes d’apprentissage & modélisation statistique Il faut savoir sélectionner les bonnes familles de modélisation (classification, régression, clustering) selon le cas d’usage.
Le choix des approches (supervisées ou non) et des algorithmes est guidé par la problématique métier.
Les notions fondamentales de machine learning, deep learning et d’apprentissage statistique doivent être maîtrisées, ainsi que les métriques d’évaluation (RMSE, MAPE, F1-score, précision, rappel, etc.). Boîte à outils technologique Une solution IA repose sur une architecture technique solide, composée de briques comme les services managés (AWS, Azure, Google Cloud, OVH, etc.).
Le maintien de la performance dans le temps passe par des pratiques AI Ops/ML Ops : CI/CD, détection des dérives, qualité des données, etc.
Le prototypage peut se faire avec des outils no-code (Dataiku, Orange Data Mining), en tenant compte de l’impact énergétique (IA frugale).
Enfin, Python reste un langage central, tout comme le prompt engineering pour interagir efficacement avec les modèles IA.      

Public : tout public