Jour 1
Introduction à l’Intelligence Artificielle
Définir l’IA par des exemples concrets et actuels (ChatGPT, assistants vocaux, IA générative)
Pourquoi une explosion si tardive des origines (1956) à l’explosion des LLM (2022-2026)
Situer les notions clefs : IA faible vs IA forte, IA générative, IA prédictive
Les grandes familles d’IA : symbolique, connexionniste, hybrideLes fondamentaux techniques de l’IA
Machine Learning : apprentissage supervisé, non supervisé, par renforcement
Deep Learning : réseaux de neurones, CNN, RNN, Transformers
Les modèles de langage (LLM) : fonctionnement, tokens, contexte, fine-tuning
Ça signifie quoi entraîner un modèle ?
Qui s’en charge ?
Les modèles multimodaux : texte, image, audio, vidéo (GPT-4o, Gemini)
RAG (Retrieval Augmented Generation) : principe et cas d’usageQuiz interactif sur le vocabulaire IA pour que tout le monde dispose d’un langage commun durant la formation (IA, ML, Deep Learning, LLM, Transformers, RAG, etc.)Les acteurs et l’écosystème de l’IA
Les grands modèles propriétaires : OpenAI (GPT), Anthropic (Claude), Google (Gemini)
Les acteurs européens et français : Mistral AI, LightOn, Aleph Alpha
L’écosystème open source : Meta (LLaMA), Hugging Face, Falcon, les modèles ouverts
Les plateformes et marketplaces : Azure OpenAI, Amazon Bedrock, Google Vertex AI
Le positionnement de la France et la stratégie nationale IA
Comparaison des modèles : critères de choix (performance, coût, souveraineté, confidentialité)DémonstrationsComparaisons des différences de retour selon les moteurs d'IA générative (GPT, Claude, Gemini, Mistral) et un prompt strictement identiqueApplications génériques de l’IA
L’IA générative : génération de texte, d’images (DALL-E, Midjourney, Stable Diffusion), de code, de vidéo
Traitement du langage naturel (NLP) : classification, traduction, conversation, résumé automatique
L’image et la vidéo : segmentation, reconnaissance, voiture autonome, robotique
L’audio : reconnaissance vocale, synthèse vocale, clonage de voix
Agents IA et systèmes autonomes : principes et perspectivesDémonstrationsAnalyse de sentiment, fonctionnement d’un agent conversationnel, génération d’images par prompt.
Comparaison en live de plusieurs LLM (GPT, Claude, Mistral) sur un même cas d’usage métierLes applications métier de l’Intelligence Artificielle
Management : aide à la décision, tableaux de bord intelligents, détection de KPI
Marketing et commercial : segmentation client, détection de churn, personnalisation par l’IA générative
RH et recrutement : tri automatique de CV, analyse prédictive du turnover, chatbots RH
Finance : détection de fraude, scoring crédit, automatisation de la conformité
Services techniques : maintenance prédictive, surveillance d’infrastructure, optimisation de chaîne de production
Productivité : assistants IA intégrés (Microsoft Copilot, Gemini for Workspace, Claude)DémonstrationExemple de rendu d’un programme Python pour évaluer les risques de noyades (identification des personnes à risque par rapport au point d’eau). Les personnes apparaissent encadrées en temps réel sur la vidéo de surveillanceJour 2Automatisation des tâches et outils No Code / Low Code pour l’IA
Introduction aux plateformes d’automatisation : Make (ex-Integromat), n8n, Zapier, Power Automate
Connecter un LLM à un workflow automatisé : principes et architectures
Cas d’usage : automatisation d’e-mails, génération de contenus, extraction de données, enrichissement CRM
Créer des agents IA sans coder : Flowise, LangFlow, Relevance AI
Bonnes pratiques, limites et gouvernance de l’automatisation par l’IADémonstrationsCréation d’un workflow Make/n8n intégrant un appel à une API d’IA générative (résumé automatique de documents, classification d’e-mails entrants).
Mise en place d’un agent conversationnel simple avec un outil No Code connecté à un LLM.
Remplissage automatique des cellules d’un fichier Excel pour noter les satisfactions client de 1 à 10 à partir de discussions ou d’avis. Préparation automatique des mails de retour aux clients adaptés à chaque cas. On propose en option la validation de l’’envoi du mail ou une automatisation à 100% du traitement des incidents.Les projets IA en entreprise
Comment s’organise un projet IA : méthodologie, étapes, pièges à éviter
L’importance de la gouvernance des données et de la qualité des données
Les nouveaux rôles : prompt engineer, MLOps, data engineer, responsable IA
IA et Cloud : infrastructure, coûts, scalabilité (AWS, Azure, GCP)
Situer l’IA dans des projets complexes : critères de GO/NO GODémonstrationExemples de projets IA réussis et d’échecs, analyse des facteurs clés de succès.
Exemple de réorganisation (équipes, phases du projet, etc.) lors de l’introduction de l’IA dans un projet et la place fondamentale prise par la gouvernance des données.IA et besoins en infrastructure informatique
IA et Big Data : la place prise par les données
Impacts sur l'infrastructure requise
Principes généraux des clusters
L’offre des grands acteurs du Cloud (Amazon, Google, Microsoft)
Le principe de l’infrastructure as a service (IaaS)
Les outils pour nous aider à capter la donnée dans un contexte répartiDémonstrationVisite de l’offre en infrastructure Informatique pour l’IA proposée par Amazon. L’idée est surtout de disposer d’une synthèse claire de ce que doit être une infrastructure type qui supporte des applications d’intelligence artificielle mais aussi des services annexes proposés afin de disposer d’une vue globale sur l’infrastructure (stockage des données, traitements, analyses, bibliothèques pour les développeurs, etc.)Impact sociétal, éthique et réglementation
L’AI Act européen : obligations, niveaux de risque, calendrier d’application
Sécurité et vie privée : RGPD et IA, protection des données personnelles
Responsabilité et éthique : biais algorithmiques, hallucinations des LLM, explicabilité
Impact sur l’emploi et les compétences : transformation des métiers
Enjeux environnementaux : empreinte carbone de l’IADémonstrationsBiais de l’IA, failles du système, comment les contrer ?
Tour d’horizon des impacts sociétaux concrets dans la santé, l’éducation, les villes intelligentes