Cadrage et pilotage d'un projet de Data Science Mixte : présentiel / à distance

La Data Science, en tant que discipline scientifique et mathématique, est aujourd'hui bien connue de ceux qui la pratiquent. Mais savez-vous identifier les pièges et les embûches méthodologiques spécifiques aux projets de Data Science ?

 

Forts de nos nombreux retours d'expérience et des connaissances pratiques de nos consultants, nous vous convions à découvrir avec nous les enjeux et les approches qui permettront à vos projets de se dérouler en toute sérénité, du cadrage à la phase de pilotage de production.

• S'approprier les spécificités d'un projet de Data Science
• Constituer un programme de projets de Data Science
• Savoir mener une phase de cadrage d'un projet de Data Science
• Piloter un projet de Data Science en exploration et en production

• Chef de projet IA
• Product Owner
• Tech Lead
• Data Analyste / Data Scientist

• Connaissances de base en Data Science (ce qu'est un modèle, différence supervisé / non supervisé)
• Connaissance de base en Agilité (Avoir lu le manifeste agile)

Formation avec apports théoriques, échanges sur les contextes des participants et retours d'expérience pratique du formateur, complétés de travaux pratiques et de mises en situation.

Cette formation est dispensée par un·e ou plusieurs consultant·es d'OCTO Technology ou de son réseau de partenaires, expert·es reconnus des sujets traités.

Le processus de sélection de nos formateurs et formatrices est exigeant et repose sur une évaluation rigoureuse leurs capacités techniques, de leur expérience professionnelle et de leurs compétences pédagogiques.

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique.

Afin de valider les compétences acquises lors de la formation, un formulaire d'auto-positionnement est envoyé en amont et en aval de celle-ci.

En l'absence de réponse d'un ou plusieurs participants, un temps sera consacré en ouverture de session pour prendre connaissance du positionnement de chaque stagiaire sur les objectifs pédagogiques évalués.

Une évaluation à chaud est également effectuée en fin de session pour mesurer la satisfaction des stagiaires et un certificat de réalisation leur est adressé individuellement.

Jour 1

 

PRÉSENTATION DE FORMATION

• Rappel du programme
• Tour de table

 

ENJEUX D'UNE FORMATION DÉDIÉE À LA GESTION DE PROJET DE DATA SCIENCE 

• La Data Science est une spécialité du développement logiciel (au même titre que le développement front, par exemple)
• Les spécificités d'un projet embarquant de la Data Science

 

DÉFRICHER UN PROJET DE DATA SCIENCE

• Utile, utilisable, utilisé
• Les différentes façons d'utiliser de la Data Science pour tirer de la valeur
• Apprendre à simplifier un problème de Data Science
• Construire un portefeuille de projets en priorisant des cas d'usage
• Identifier les hypothèses que l'on souhaite valider dans un Proof Of Concept
• Intégration d'un système de Data Science dans un écosystème existant
• Livrable de fin de section : un problème à résoudre est clairement posé, les principaux risques anticipables ont été POCés

 

CADRAGE POUR LE DELIVERY DE PROJET DE DATA SCIENCE

• Affiner le business case (quantifier/qualifier valeur métier, rendre le projet actionable et utile)
• Bien choisir sa métrique d'évaluation
• Estimer la durée du projet, sa complexité, son coût, ses facteurs de succès, etc.
• Identifier et minimiser les dépendances entre projets
• Définir une architecture
• Évaluer et prioriser les sources de données
• Propositions d'ateliers à mener pour ne rien rater pendant le cadrage
• Livrable de cette section : une vision suffisamment claire pour commencer à délivrer

 

Jour 2

 

CONSTITUER UNE ÉQUIPE ET SA DYNAMIQUE

• Construire une culture d'équipe
• Définir les rituels
• Définir les standards
• Livrable de cette section : une équipe qui est prête à commencer à coder

 

DELIVERY AGILE EN DATA SCIENCE

• Introduction au Continuous Deployment
• Commencer simple et itérer (en ajoutant des fonctionnalités, en automatisant)
• Suivre et piloter la progression du projet
• Gérer les expérimentations dans un cycle de delivery agile
• Gestion visuelle du travail (le kanban) 
• Introduction à Accelerate
• Livrable de la section : du code en production

 

PRÉPARER LE RUN 

• L'industrialisation, la mise en production, la production : savoir de quoi on parle
• D'un point de vue technique
• D'un point de vue organisationnel
• D'un point de vue business

 

ÊTRE CAPABLE DE FINIR UN PROJET

• Acter la décision d'arrêter ou de continuer
• Les métriques de succès du projet
• Éventuel transfert du projet

 

CONCLUSION

• Synthèse des points abordés
• Partage sur la formation
• Questions/Réponses additionnelles

• Toutes nos formations Data Science
• Blog OCTO : Série "Accélérer le delivery de Machine Learning"
• Blog OCTO : Article "Lean for Machine Learning"

50

30

20