ECOLE SUPERIEURE D INFORMATIQUE ET DE COMMERCE : formation data et IA à Malakoff

Module 1 – Fondamentaux de l'IA et impacts sur les systèmes d'information (3 heures)
- Définition et typologie des IA (IA générative, IA analytique, automatisation).
- Principe de fonctionnement pour non-techniciens.
- Enjeux et limites : biais, hallucinations, dépendances aux données.
- Impacts sur les systèmes d'information : architecture, sécurité, qualité des données.
- Cadre réglementaire (RGPD, IA Act, cybersécurité).
Module 2 – Analyse du SI et identification des opportunités IA (4 heures)
- Méthodologie d'analyse d'un système d'information.
- Cartographie des processus internes (BPMN simplifié).
- Identification des tâches répétitives et points de friction.
- Détection des cas d'usage IA pertinents.
- Analyse des risques et bénéfices opérationnels.
- Atelier pratique : analyse d'un processus métier réel.
Module 3 – Évaluation et sélection des solutions IA adaptées (4 heures)
- Critères d'évaluation : fonctionnels, techniques, ergonomiques, réglementaires.
- Compatibilité avec le SI : API, sécurité, gouvernance, gestion des données.
- Contraintes d'intégration : ressources, coûts, compétences, architecture.
- Analyse des risques (RGPD, IA Act, cybersécurité, accessibilité).
- Atelier : comparaison de 3 solutions IA selon une grille multicritères.
Module 4 – Élaboration de la feuille de route SI & IA (4 heures)
- Structurer un plan de déploiement : étapes, livrables, KPI, gouvernance.
- Gestion du changement et communication interne.
- Pilotage projet et priorisation.
- Préparation du déploiement : prérequis SI, données, sécurité, tests, documentation.
- Atelier : construction d'une feuille de route IA organisationnelle.
Module 5 – IA responsable, qualité, sécurité et conformité (3 heures)
- Risques : biais, confidentialité, altérations des données, dérives technologiques.
- Protocoles de vérification des productions IA.
- Accessibilité et inclusion.
- Mise en place d'indicateurs de qualité IA.
- Documentation réglementaire et organisationnelle.
Module 6 – Études de cas, production finale et préparation à la certification (3 heures)
- Analyse d'un cas d'usage entreprise complet : contexte SI, besoins, risques.
- Production d'une cartographie + grille d'évaluation + plan de déploiement.
- Préparation à la soutenance : structure, argumentaire

- RNCP41813BC01 – Cadrer un projet d'intelligence artificielle
- Veille technologique et réglementaire IA (LLM, IA générative, FinOps/MLOps, sécurité IA…)
- Analyse du besoin métier et de l'environnement data (co-construction)
- Qualification des sources/typologies de données et conformité (RGPD, AI Act…)
- Modélisation et priorisation d'un cas d'usage IA + indicateurs de performance
- Analyse d'impact éthique/réglementaire/environnementale + plans d'atténuation
- Ateliers de co-construction (métier, data, DPO, RSSI, éthique…)
- Faisabilité technique et préconisations
- Conception de l'architecture data cible
- Dictionnaire de données + catalogue de métadonnées
- Cahier des charges fonctionnel et technique
- RNCP41813BC02 – Sélectionner et interpréter les données d'une solution IA
- Sélection de données multi-sources (temps réel, API, IoT, synthétiques) et intégration
- Contrôle qualité/fiabilité/conformité des données (gouvernance, RGPD, AI Act…)
- Préparation des données (nettoyage, structuration, encodage…)
- Traçabilité/versioning/conformité (anonymisation, contrôle d'accès…)
- Feature engineering + explicabilité (SHAP, LIME…)
- Analyses statistiques adaptées + mise en évidence tendances/signaux faibles
- Data visualisation dynamique et accessible (dashboards, rapports…)
- Détection de biais (AIF360, Fairlearn…)
- Restitution adaptée aux parties prenantes + storytelling data
- Recommandations exploitables (objectifs métier, ESG, limites…)
- RNCP41813BC03 – Concevoir et superviser une solution IA
- Architecture d'entraînement/déploiement (cloud/edge/hybride) + dimensionnement
- Environnement de dev IA sécurisé & automatisé (MLOps, IaC, Zero Trust…)
- Sélection de modèles (ML, DL, LLM, Computer Vision, IA génératives…)
- Conception de modèles avec IA responsable (équité, explicabilité, auditabilité)
- Stratégie d'évaluation (métriques, biais, exigences métier/réglementaires…)
- Évaluation robustesse/généralisation (over/underfitting…)
- Amélioration continue (MLflow/Neptune/Arize…) et optimisation
- Intégration applicative + tests (interopérabilité, performance, sécurité…)
- Livrables (guides, API, explicabilité) adaptés aux publics
- Supervision post-déploiement (observabilité, alerting, rollback, MLOps…)
- RNCP41813BC04 – Piloter un projet d'intelligence artificielle
- Feuille de route : objectifs, livrables

Module 1 – Introduction à l'IA et usages administratifs
Durée 3 h – Distanciel synchrone
- IA générative, transcription, automatisation, principes et usages.
- Enjeux, limites, RGPD, IA Act.
- Panorama des outils adaptés aux fonctions administratives.
Module 2 – Analyse des tâches récurrentes et identification des opportunités IA
Durée 4 h – Présentiel ou distanciel
- Analyse des workflows administratifs.
- Identification des tâches répétitives et points de friction.
- Critères de priorisation des usages IA.
- Atelier, diagnostic personnalisé.
Module 3 – Génération de rapports, synthèses et comptes rendus avec l'IA
Durée 4 h – Distanciel synchrone
- Rédaction assistée par IA, rapports, notes, synthèses, comptes rendus.
- Outils de transcription audio vers texte.
- Rédaction de prompts professionnels avancés.
- Atelier, production d'un rapport complet via IA.
Module 4 – Optimisation des agendas et de la planification grâce à l'IA
Durée 3 h – Distanciel synchrone
- Gestion automatisée des agendas, contraintes, priorités, synchronisation.
- Aide IA à l'organisation de réunions, rendez vous, échéances.
- Atelier, optimisation d'un agenda complexe.
Module 5 – Automatisation de la gestion de l'information et des communications
Durée 4 h – Présentiel ou distanciel
- Tri intelligent d'e mails, gestion des urgences, catégorisation.
- Rédaction assistée de messages professionnels.
- Workflows IA simples appliqués aux communications internes.
- Atelier, automatiser un flux d'information, e mails, demandes, messages.
Module 6 – IA responsable, qualité, sécurité, accessibilité et conformité
Durée 3 h – Distanciel synchrone
- Vérification et ajustement des productions IA.
- Accessibilité numérique, textes alternatifs, lisibilité, adaptations handicap.
- Confidentialité, RGPD, gestion des risques.
- Atelier, audit qualité d'un contenu IA.

- Piloter une veille technologique et réglementaire sur les systèmes d'IA (LLM, IA générative, FinOps/MLOps, sécurité IA…).
- Analyser le besoin métier et l'environnement data (co-construction : design thinking, ateliers participatifs…).
- Qualifier les sources et typologies de données mobilisables (qualité, volumétrie, gouvernance, conformité RGPD/AI Act/OCDE).
- Modéliser un cas d'usage IA : priorisation, livrables, objectifs opérationnels, indicateurs de performance (SLA, coût par prédiction…).
- Conduire une analyse d'impact éthique, réglementaire et environnementale et définir des plans d'atténuation.
- Mettre en place des ateliers de co-construction avec les parties prenantes (métiers, experts techniques, DPO, RSSI, référents éthiques…).
- Évaluer la faisabilité technique des cas d'usage sélectionnés et formuler des préconisations.
- Concevoir l'architecture data cible (flux, systèmes, exigences sécurité/accessibilité/traçabilité…).
- Élaborer un dictionnaire de données et un catalogue de métadonnées.
- Formaliser un cahier des charges fonctionnel et technique (cas d'usage, hypothèses, contraintes RGPD/AI Act, mise à l'échelle…).

- Sélectionner les données pertinentes issues de sources variées (flux temps réel, API métier, capteurs IoT, données synthétiques) et constituer un jeu de données exploitable.
- Évaluer la qualité, la fiabilité et la conformité des données (profiling, gouvernance, traçabilité, droits d'accès, exigences DPO/RSSI, RGPD/AI Act).
- Superviser la préparation des données (nettoyage, structuration, valeurs manquantes, encodage) pour produire un dataset exploitable.
- Mettre en œuvre traçabilité, versioning et conformité (anonymisation/pseudonymisation, documentation, contrôle d'accès) pour garantir reproductibilité et transparence.
- Réaliser le feature engineering et intégrer des techniques d'explicabilité pour optimiser performance et interprétabilité.
- Analyser les données (statistiques adaptées : univariée, bivariée, séries temporelles) pour identifier tendances et signaux faibles.
- Produire des visualisations dynamiques, lisibles et accessibles pour faciliter l'interprétation par des publics variés.
- Détecter les biais structurels et représentatifs afin d'anticiper risques d'iniquité et de dérives algorithmiques.
- Restituer les résultats (dashboards/rapports/présentations) avec storytelling, vulgarisation et accessibilité.
- Formuler des recommandations exploitables intégrant objectifs métier, indicateurs ESG, retours utilisateurs et limites identifiées.

- Concevoir l'architecture d'entraînement et de déploiement (cloud/edge/hybride) et dimensionner les ressources (GPU/stockage/latence/coûts).
- Mettre en place un environnement de développement IA sécurisé et automatisé (pipelines, CI/CD, MLOps, IaC, contrôle d'accès).
- Sélectionner les approches et modèles pertinents (ML, deep learning, LLM, computer vision, IA génératives) selon le cas d'usage.
- Superviser la conception de modèles dans une démarche d'IA responsable (explicabilité, auditabilité, équité, gestion des biais).
- Définir une stratégie d'évaluation : métriques, exigences métier, conformité, tests de biais et de dérives.
- Évaluer la robustesse et la généralisation (sur/sous-apprentissage, validation croisée, stress tests, data drift).
- Organiser l'amélioration continue et l'optimisation (tracking d'expériences, versioning, tuning, réduction coûts/latence).
- Intégrer la solution à l'écosystème applicatif (API, sécurité, performance, interopérabilité) et planifier les tests.
- Produire les livrables de transfert (documentation technique, guides, éléments d'explicabilité, modalités d'exploitation).
- Mettre en place la supervision post-déploiement (observabilité, alerting, rollback, suivi dérives, gouvernance MLOps).

- Construire la feuille de route du projet (objectifs, livrables, jalons, indicateurs de valeur/qualité/IA responsable, gestion des risques).
- Piloter le projet en mode agile/hybride (prototypage, itérations, prise en compte des aléas IA : qualité data, drift, biais, performances).
- Établir un budget prévisionnel (RH spécialisées, cloud/GPU, licences, coûts d'exploitation, sobriété numérique) et optimiser les dépenses.
- Réaliser les arbitrages et le reporting (suivi coûts/délais/périmètre, ROI, conformité, impacts).
- Coordonner une équipe pluridisciplinaire (data, dev, infra, métiers, DPO/RSSI) et organiser le suivi opérationnel.
- Animer les instances de gouvernance (ateliers, COPIL) et faciliter la décision.
- Capitaliser le retour d'expérience (REX) et définir les axes d'amélioration continue.
- Assurer la clôture du projet : livrables techniques/fonctionnels/organisationnels, conformité, transfert et documentation.
- Concevoir et déployer des actions d'acculturation/formation IA (formats adaptés, accessibilité, accompagnement).
- Conduire le changement (communication, adoption, plan de déploiement, amélioration continue).