Formation IA Foundation dédiée aux concepts fondamentaux de l’Intelligence Artificielle.
Elle permet de comprendre les bases de l’IA, du Machine Learning et de l’IA générative, ainsi que leurs principaux cas d’usage en entreprise.
Formation de 4 jours, alternant théorie et ateliers pratiques.

Programme de la formation

Jour 1 — Comprendre l’IA et cadrer un cas d’usage
1. IA, ML, GenAI : concepts essentiels
1.1 IA vs ML vs DL vs LLM : définitions et exemples concrets
1.2 Cycle de vie d’un projet IA : de l’idée au déploiement
1.3 Limites : hallucinations, données insuffisantes, contexte
2. Identifier les bons cas d’usage
2.1 Typologie : classification, recommandation, prévision, NLP, vision
2.2 ROI et critères de succès : coût, impact, temps, qualité
2.3 KPI / métriques : transformer un besoin en objectif mesurable
3. Atelier 1 — Cadrage cas d’usage
3.1 Choisir un cas réel (ex : support interne, extraction facture, scoring)
3.2 Définir : objectif, données nécessaires, contraintes, KPI, risques
3.3 Livrable : “AI Use Case Canvas” (template)

Jour 2 — Données : comprendre, nettoyer, fiabiliser
4. Données et qualité
4.1 Données structurées vs non structurées
4.2 Problèmes classiques : manquants, doublons, outliers, bruit
4.3 Biais et représentativité (risque majeur IA)
5. Préparation des données et bonnes pratiques
5.1 Split (train/test) : intuition (sans maths)
5.2 Data leakage : exemples simples
5.3 Data documentation : dictionnaire, traçabilité
6. Atelier 2 — Audit qualité dataset
6.1 Contrôles qualité (checklist) et mini rapport
6.2 Nettoyage simple (tableur ou notebook)
6.3 Livrable : rapport qualité données et recommandations

Jour 3 — Machine Learning : comprendre les modèles et métriques (7h)
7. Machine Learning supervisé : classification et régression (3h)
7.1 Exemples : churn, fraude, prévision des ventes
7.2 Notions : baseline, overfitting, validation (concept)
7.3 Métriques clés : accuracy, precision/recall, F1, MAE, RMSE
8. Machine Learning non supervisé : segmentation (2h)
8.1 Clustering : pourquoi et comment l’interpréter
8.2 Cas : segmentation clients / produits
9. Atelier 3 — Lire des résultats et décider (2h)
9.1 Comparer deux modèles (simple)
9.2 Choisir la bonne métrique selon le besoin métier
9.3 Livrable : “Model Evaluation Sheet” (template)

Jour 4 — IA Générative (LLM) : utiliser correctement en entreprise (7h)
10. Comprendre les LLM (2h)
10.1 Tokens, contexte, température : impacts sur la sortie
10.2 Pourquoi les modèles hallucinent
10.3 Bonnes pratiques : citer les sources, refuser si information absente
11. Prompt Engineering professionnel (3h)
11.1 Structure : rôle, contexte, contraintes, format
11.2 Few-shot, extraction structurée (JSON), résumé fiable
11.3 Techniques de contrôle : auto-vérification, critères de qualité
12. RAG (Recherche + LLM) : bases (2h)
12.1 Embeddings et recherche vectorielle (concept)
12.2 Chunking, top-k, citations
12.3 RAG vs fine-tuning : quand choisir quoi
13. Atelier 4 — Construire un assistant documentaire
13.1 Mini-RAG guidé sur documents internes
13.2 Tests : questions pièges, “je ne sais pas”, conformité
13.3 Livrable : “Prompt Card + RAG checklist”

Jour 5 — Gouvernance et mini-projet certifiant (7h)
14. Gouvernance, sécurité et conformité (2h)
14.1 Données sensibles : règles d’usage, anonymisation, rédaction
14.2 Human-in-the-loop : validation, seuils de confiance
14.3 Monitoring : drift, qualité, logs, audit