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

Les produits de data science ou d'IA comportent des spécificités majeures, et pourtant ils doivent souvent s'inscrire dans une approche produit générique qui ignore bien souvent leurs particularités. Cette intégration présente des enjeux, pourtant la théorie (produit ou data science), des pratiques éprouvées sur le terrain et l'utilisation de l'IA permettent de les appréhender efficacement.

Forts des retours d'expérience et des connaissances de nos consultants, nous vous invitons à découvrir en détail cette approche qui permettra à vos projets de se dérouler en toute sérénité, de l'idéation à la phase de pilotage de production.

• Identifier les spécificités d'un projet de Data Science ou IA
• Structurer un programme de projets de Data Science ou IA
• Mettre en oeuvre les phases de discovery et de delivery
• Piloter le cycle de vie d'un projet, de l'exploration à la mise en production
• Exploiter l'IA pour améliorer l'efficacité et la robustesse des projets

• Chef de projet IA ou data science
• Product Owner / Product Manager
• Tech Lead
• Data Analyste / Data Scientist
• Head of Data / Head of Product

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 LA FORMATION

• Présentation des objectifs et du programme
• Tour de table et recueil des attentes des participants

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

• Comprendre en quoi la Data Science et l’IA constituent des disciplines spécifiques du développement logiciel
• Identifier les différences entre un projet logiciel classique et un projet intégrant de la Data Science ou de l’IA
• Reconnaître les spécificités techniques, organisationnelles et métiers des projets Data & IA

DISCOVERY D’UN PROJET DE DATA SCIENCE OU D’IA

• Concevoir des produits IA utiles, utilisables et utilisés
• Identifier les opportunités de création de valeur grâce à la Data Science et à l’IA
• Simplifier et cadrer un problème IA de Data Science ou d’IA
• Construire un portefeuille de projets en priorisant des cas d'usage (méthode RICE)
• Identifier les hypothèses critiques à valider dans un Proof Of Concept (POC)
• Intégrer un système de Data Science ou d’IA au sein d'un écosystème existant
• Livrable de fin de section : un problème à résoudre est clairement posé, avec les principaux risques identifiés et validés via des POC
• Mobiliser l’IA pour accélérer et sécuriser cette phase d’exploration et de validation

CADRAGE POUR LE DELIVERY D’UN PROJET DE DATA SCIENCE OU D’IA

• Affiner le business case : qualifier et quantifier la valeur métier, rendre le projet concret, actionnable et utile pour les parties prenantes
• Définir des métriques d’évaluation pertinentes et alignées avec les objectifs métier
• Estimer la durée, la complexité, les coûts et les principaux facteurs de succès du projet
• Identifier, cartographier et limiter les dépendances entre projets ou équipes
• Définir une architecture cible adaptée aux enjeux techniques et organisationnels
• Évaluer, qualifier et prioriser les sources de données disponibles
• Propositions d'ateliers à mener pour sécuriser le cadrage et ne pas omettre de sujets critiques.
• Livrable de cette section : une vision suffisamment claire, partagée et priorisée pour engager la phase de delivery dans de bonnes conditions
• Mobiliser l’IA pour accélérer et sécuriser cette phase d’exploration et de validation

Jour 2

CONSTITUER UNE ÉQUIPE ET METTRE EN PLACE SA DYNAMIQUE

• Construire une culture d'équipe favorisant la collaboration, l’apprentissage continu et la responsabilité collective
• Définir les rituels de pilotage, de synchronisation et de partage de connaissance
• Établir les standards techniques et organisationnels communs : qualité de code, documentation, revue de code, gestion des données, MLOps, sécurité, etc.
• Livrable de cette section : une équipe alignée, opérationnelle et prête à démarrer le développement dans de bonnes conditions

DELIVERY AGILE EN DATA SCIENCE ET EN IA

• Introduction les principes du Continuous Deployment appliqués aux projets de Data Science et d’IA
• Commencer simple , livrer rapidement, puis itérer en enrichissant progressivement les fonctionnalités et l’automatisation
• Mettre en place des mécanismes de suivi et de pilotage adaptés aux projets data et IA
• Gérer les expérimentations dans un cycle de delivery agile : traçabilité, reproductibilité, comparaison et validation des résultats
• Utiliser la gestion visuelle du travail (le kanban) pour fluidifier le pilotage et améliorer la visibilité sur l’avancement
• Introduire les principes d’Accelerate et les métriques de performance associées au delivery
• Livrable de la section : du code en production

PRÉPARER LE RUN

• Clarifier les notions d’industrialisation, de mise en production et de run dans le contexte des projets de Data Science et d’IA
• Définir les pratiques et responsabilités nécessaires au bon fonctionnement du run d’un point de vue technique
• Structurer l’organisation cible : rôles, support, gouvernance, gestion des incidents, processus de maintenance et amélioration continue
• Anticiper les enjeux business liés à la mise en production : adoption, création de valeur, mesure d’impact, conformité et gestion des risques

ÊTRE CAPABLE DE FINIR UN PROJET

• Savoir acter la décision de poursuivre, de faire évoluer ou d’arrêter un projet en fonction des résultats obtenus
• Définir et suivre des métriques de succès alignées avec les objectifs métier, techniques et organisationnels
• Organiser, si nécessaire, le transfert du projet vers une équipe produit, une équipe de run ou une autre entité

CONCLUSION

• Synthèse des points abordés
• Partage sur la formation
• Session de questions/réponses et approfondissements complémentaires

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