IA & IA générative : état de l’art et cas d’usage en entreprise

– Définitions et histoire : de l’IA symbolique aux modèles de fondation, démêler le fantasme de la réalité
– Machine learning et deep learning : les grands principes expliqués sans bagage technique
– Panorama des techniques : apprentissage automatique, traitement du langage naturel, vision par ordinateur, IA générative
– IA prédictive vs IA générative : deux logiques, deux familles de cas d’usage
– Pourquoi maintenant : données, puissance de calcul et modèles de fondation comme moteurs de l’essor récent

– Principe des LLM et des modèles de fondation : Transformers et mécanisme d’attention, expliqués au niveau culture
– Panorama des modèles actuels : GPT, Claude, Gemini, Mistral, Llama et leurs différences de positionnement
– Génération multimodale : texte, image, audio, vidéo et code à partir d’un même socle technologique
– RAG (Retrieval-Augmented Generation) : connecter l’IA générative aux données de l’entreprise pour des réponses fiables
– Agents IA : la notion d’IA agentique, ce qu’un agent peut automatiser et quand y recourir

– Cartographie des solutions du marché : quels types d’outils pour quels usages (texte, image, voix, vidéo, code)
– Solutions grand public vs solutions d’entreprise : intégration, sécurité et niveau de service
– Critères de choix : build vs buy, cloud vs on-premise, souveraineté et coût
– Écosystème des fournisseurs : éditeurs, hyperscalers et solutions open source

– Productivité personnelle : aide à la rédaction, au brainstorming et génération de médias
– Vente et marketing : analyse prédictive, recommandation, personnalisation et génération de contenus
– Finance et RH : automatisation, prévisions, aide au recrutement et traitement documentaire
– Service client et fonctions transverses : assistants conversationnels, analyse de sentiment, automatisation des tâches administratives
– Impact sur les métiers : tâches augmentées, métiers transformés et nouveaux rôles

– Confiance dans l’IA : biais, équité, transparence et limites des modèles
– Sécurité et confidentialité : protection des données, fuites d’information et bonnes pratiques d’usage
– Cadre réglementaire : AI Act (obligations et calendrier d’application) et articulation avec le RGPD
– Risques professionnels et éthiques : surveillance, désinformation, propriété intellectuelle et responsabilité

– Cycle de vie d’un projet IA : spécificités par rapport à un projet informatique classique
– Acteurs et gouvernance : métiers, DSI, data, direction et écosystème de prestataires à mobiliser
– Conduite du changement : acculturation, formation et accompagnement des équipes
– Feuille de route d’adoption : par où commencer, prioriser les cas d’usage et mesurer la valeur