Data

Gouvernance de l’Intelligence Artificielle​

Gouvernance de l’Intelligence Artificielle​

Durée

1 Jour

Langues

Français - Anglais

Formateur(s)

Srikanth RAMANOUDJAME​ - Lead Digital Future​ Astrakhan

En l’absence de standard, la gouvernance de l’intelligence artificielle est un sujet central bien qu’émergent, permettant une conformité favorisant l’interopérabilité, la sûreté ou la fiabilité. Elle introduit une meilleure coordination dans les actions et rapproche ainsi les équipes Data des équipes IA dans l’objectif de fédérer leurs travaux avec de bonnes pratiques communes.

Cette formation vise à présenter une architecture de référence pour associer la chaine de valeur de la technologie à celle d’une information intelligente sur des dimensions aussi diverses et transverses que la sécurité, l’éthique, l’infrastructure. Une classification pour définir ce qui doit être supervisé, comment maintenir un contrôle et une conformité sur l’AI ainsi que les types d’AI déclinables par technologies, industries et standards. Une revue des modèles plus techniques comme MLOps, présentation de la façon dont la gouvernance technique de l’Intelligence Artificielle s’exécute au sein des principales plateformes (AzureML).

Public cible

  • CDO
  • Equipes IA soucieuses d’avancer dans la construction de cette discipline

Prérequis

  • Connaissances des domaines et des enjeux de l’Intelligence Artificielle

Fonctionnement

Sur place,
dans vos locaux

A distance via Teams

Podcasts

Programme détaillé

Introduction

  • Gouvernance (Governance)
  • Intelligence artificielle (AI)
  • Politique (Policy)
  • Risques technologiques

Contexte et enjeux

  • Marché et communauté
  • Sureté, éthique et respect de la vie privée 
  • Standardisation

Drivers de valeur

Architecture de référence

Construction de modèle

  • Traçabilité de la construction du modèle
    • Versionning
    • Historisation
  • Explicabilité de l’IA

Qualification des entrants

  • Fiabilité des datasets
    • Traçabilité
    • Traitements appliqués a priori
  • Validation croisée

Environnement et cycle de vie

  • Sécurisation du modèle
  • Ré-ajustement en environnement de production
    • Détection de dérive
  • MLOps
    • Automatisation et mise à jour de pipeline