‍

Objectif : Familiariser les participants avec les concepts fondamentaux de l'IA et de la Data, en mettant l'accent sur leurs applications dans le développement de produits.

Points clés :

• Comprendre les bases de l'IA et du Machine Learning
• Explorer le cycle de vie de la donnée
• Identifier les différents types de données et leurs sources
• Reconnaître les enjeux éthiques et légaux liés à l'utilisation de l'IA

Déroulé du module :

1. Présentation des origines et de l'évolution de l'IA
2. Explication des principes du Machine Learning et de ses applications
3. Étude du cycle de vie de la donnée, de la collecte au traitement
4. Classification des types de données : structurées, non structurées, etc.
5. Introduction aux concepts de Big Data et de Data Engineering
6. Discussion sur les aspects éthiques de l'IA, y compris les biais et la confidentialité
7. Présentation des principales technologies et outils utilisés en IA
8. Études de cas illustrant l'application de l'IA dans divers secteurs

‍

Objectif : Apprendre à adapter les principes du Product Management aux spécificités des projets Data et IA.

Points clés :

• Différencier projets Data/IA et projets logiciels classiques
• Comprendre les rôles au sein d'une équipe Data
• Identifier les types de produits Data : Analytics, Science, Plateformes
• Intégrer l'IA générative dans le cycle de développement produit

Déroulé du module :

1. Analyse des spécificités des projets Data/IA par rapport aux projets logiciels traditionnels
2. Présentation des rôles clés dans une équipe Data et leurs interactions
3. Exploration des différentes catégories de produits Data et de leurs cas d'usage
4. Étude de l'approche "Data as a Product"
5. Introduction aux plateformes de données en tant que produits
6. Impact de l'IA générative sur le développement produit
7. Adaptation des méthodologies agiles aux projets Data/IA
8. Exemples concrets de cycles de vie de produits intégrant l'IA

‍

Objectif : Développer une vision stratégique pour les produits intégrant de la Data et de l'IA, en mettant l'utilisateur au centre du processus de conception.

Points clés :

• Utiliser le Data & AI Fit Canvas pour définir la stratégie produit
• Mener des recherches utilisateurs spécifiques aux produits Data/IA
• Évaluer l'opportunité d'intégrer l'IA dans un produit
• Considérer les aspects légaux et éthiques dès la phase de conception

Déroulé du module :

1. Introduction au Data & AI Fit Canvas et à son utilisation
2. Techniques de recherche utilisateur adaptées aux produits Data/IA
3. Analyse et catégorisation des besoins utilisateurs pour identifier les opportunités d'IA
4. Utilisation de la matrice Effort/Valeur pour prioriser les fonctionnalités IA
5. Étude des alternatives à l'IA et justification de son intégration
6. Considérations légales et réglementaires liées à l'utilisation de l'IA
7. Principes de conception centrée utilisateur pour les produits IA
8. Atelier pratique : élaboration d'une stratégie produit intégrant l'IA

‍

Objectif : Maîtriser les étapes clés du développement, du prototypage au déploiement, en tenant compte des spécificités des projets Data et IA.

Points clés :

• Gérer l'incertitude et les risques dans les projets Data/IA
• Éviter le piège du POC (Proof of Concept) infini
• Appliquer les principes du MLOps pour l'industrialisation
• Assurer une collaboration efficace entre équipes produit et data

Déroulé du module :

1. Identification des risques spécifiques aux projets Data/IA et stratégies d'atténuation
2. Différenciation entre études ad-hoc et développement de produits Data
3. Stratégies pour éviter les POC sans fin et orienter vers des solutions viables
4. Introduction aux concepts de MLOps pour l'industrialisation des modèles
5. Techniques de prototypage rapide pour les produits intégrant de l'IA
6. Approches agiles adaptées aux projets Data/IA
7. Outils et plateformes pour le déploiement de solutions IA en production

‍

Objectif :
Mettre en pratique l’ensemble des concepts abordés dans la formation en créant un produit IA de bout en bout, en utilisant FigJam pour le suivi collaboratif et des outils IA pour la conception.

✅ Points Principaux :

• Expérimenter tout le cycle de vie d’un produit IA, de l’idéation à la mise en production
• Utiliser FigJam pour structurer un projet collaboratif et suivre les étapes de développement
• Découvrir et manipuler des outils d’IA No-Code/Low-Code pour accélérer la conception
• Simuler un pitch produit et une démonstration fonctionnelle du prototype

‍

📌 Déroulé du module – 10 Étapes sur FigJam

🕘 Étape 1 : Définition du Problème & Idéation
🔹 Identifier un besoin métier où l’IA pourrait apporter de la valeur
🔹 Définir les utilisateurs cibles et leurs pain points (empathie map)

🕑 Étape 2 : Analyse du Marché & Concurrence
🔹 Étudier les solutions existantes et positionner son produit
🔹 Identifier les différenciateurs IA-clés

🕒 Étape 3 : Définition des Objectifs & KPIs du Produit IA
🔹 Déterminer les indicateurs de succès
🔹 Fixer les métriques de performance IA (précision, recall, ROI attendu)

🕓 Étape 4 : Structuration des Données & Exploration
🔹 Identifier les sources de données internes/externes
🔹 Analyser la qualité et la disponibilité des données (atelier sur FigJam)

🕔 Étape 5 : Création d’un Prototype avec un Outil IA No-Code
🔹 Utiliser des outils comme ChatGPT API, Bubble.io, RunwayML ou Dataiku
🔹 Démonstration en direct d’un MVP fonctionnel

🕕 Étape 6 : Déploiement Simulé & Intégration Produit
🔹 Définir les étapes du MLOps et structurer un pipeline de déploiement
🔹 Introduction au monitoring des modèles IA

🕖 Étape 7 : Détection des Biais et Sécurisation de l’IA
🔹 Identifier les biais algorithmiques potentiels
🔹 Définir des tests d’évaluation pour réduire les risques

🕗 Étape 8 : Stratégie d’Adoption & Scalabilité
🔹 Planifier le go-to-market et l’industrialisation
🔹 Élaborer un plan d’adoption utilisateur

🕘 Étape 9 : Pitch & Simulation de Vente du Produit IA
🔹 Présenter le produit à un jury fictif (exercice de validation business)
🔹 Argumenter la valeur ajoutée du produit IA

🕙 Étape 10 : Débriefing & Retour d’Expérience
🔹 Partage des apprentissages et amélioration du workflow
🔹 Feedback et amélioration continue

‍