Licence - Mathématiques - Parcours Intelligence Artificielle et Sciences des Données

Le Chef de Projets en Intelligence Artificielle et Science de Données (MS) réalise la conception et le développement d'un projet d'Intelligence Artificielle et de Science des Données, il contribue à l'élaboration du plan d'Intelligence Artificielle stratégique et opérationnel, il gère des projets intégrant l'Intelligence Artificielle et la valorisation des données, il organise l'extraction, la mise en forme et le stockage en temps réel de données massives structurées ou non sur des plateformes, il optimise le traitement des données pour l’aide à la décision, il industrialise les processus à base d'Intelligence Artificielle pour assurer leur fiabilité et certificabilité. Dans ce cadre, il réalise plusieurs activités : * Identification des cas concrets d’usage dans lesquels l’Intelligence Artificielle (IA) et la Science des Données (SD) peuvent créer de la valeur * Etude des cas d’usage et mise en place d'indicateurs * Exploitation des cas d’usage innovants * Conception du plan stratégique d’Intelligence Artificielle avec les différentes parties prenantes * Evaluation des projets clés et de leurs impacts sur le fonctionnement de l’entreprise * Conception du projet, rédaction du cahier des charges et mise en place des indicateurs de suivi * Conduite opérationnelle du projet, management des équipes et du changement * Gestion et transformation des données en utilisant les concepts de stockage et de gros volumes de données * Utilisation de services Cloud pour répondre aux exigences d’un traitement massif de données * Transformation et stockage des données massives structurées ou non, dans un écosystème tel que celui du langage Python dans le respect des règles * Déploiement des algorithmes performants pour modéliser des situations de références de prises de décisions. * Utilisation de modèles référents pour présenter visuellement des données nécessaires à la prise de décision. * Utilisation des techniques de planification et d’apprentissage par renforcement en IA. * Restitution des éléments clés et des contributions d’un papier scientifique * Analyse des contraintes du législateur (RGPD, EU IA Act) et du secteur industriel et évaluation de l’explicabilité, de la robustesse et de l’incertitude des prédictions d’un réseau de neurones

Caractériser les nouvelles technologies issues de la recherche en Intelligence Artificielle (IA) et en Sciences des Données (SD) en effectuant une revue de la littérature du domaine concerné pour exploiter ces résultats dans les cas d’usage à valeur ajoutée. Détecter les résultats de recherche prometteurs, innovants pour en exploiter leurs bénéfices dans l’entreprise en identifiant les laboratoires de rang mondial. Évaluer chaque technologie Data ou Intelligence Artificielle en s’appuyant sur des références appropriées pour mesurer sa valeur ajoutée potentielle dans les usages de l’entreprise. Etudier les cas d'usage Data et Intelligence Artificielle déjà implémentés, notamment pour les usagers en situations de handicap, afin de les évaluer, les enrichir et en créer de nouveaux en capitalisant sur les expériences acquises. Monitorer le retour sur investissement des projets applicatifs incluant l’Intelligence Artificielle ou la Science des Données en mettant en place des indicateurs en phase conception afin d’en évaluer leur efficacité. Structurer les axes stratégiques au sein de l’entreprise grâce à des cas d'usage innovants d’Intelligence Artificielle et/ou Science des Données pour créer des projets à forte valeur ajoutée. Décrire les projets clés à mener pour optimiser les processus internes d’un point de vue clients, services et produits innovants avec agilité. Identifier les fournisseurs potentiels d’outils d’extraction, de conteneurisation et de visualisation de données pour les inclure dans les projets data et Intelligence Artificielle de l’entreprise en évaluant leurs prestations de services (technique, SAV, coûts…). Réaliser un plan global Intelligence Artificielle & Science de données en budgétant des plans d’investissement pluriannuels pour s'assurer de la viabilité du projet et le structurer via une prospective financière et un prévisionnel des engagements à court, moyen et long terme. Impliquer les directions métiers dans la réflexion de valorisation des données Intelligence Artificielle pour garantir l’adhésion des non spécialistes par des actions de sensibilisation, de formation Mesurer les effets du plan Intelligence Artificielle pour évaluer l’impact sur les métiers et le modèle économique de l’entreprise en intégrant diverses approches : techniques, éthiques, humaines financières, sociales. Superviser la rédaction du cahier des charges fonctionnel et technique en spécifiant les livrables pour déterminer les budgets et les ressources à allouer à la réalisation du projet. Mobiliser les techniques de conduite de projets en mettant en place des méthodes et indicateurs de suivi pour produire les livrables du projet Intelligence Artificielle et Science de Données. Sensibiliser les salariés à la démarche qualité en proposant des plans de formation adaptés aux nouveaux enjeux du secteur de l’Intelligence Artificielle et de la Science des données afin de structurer le projet dans le temps (maintenabilité des normes, écoresponsabilités, gestion des serveurs…). Fédérer les équipes en construisant les objectifs individuels et/ou collectifs à partir des ressources (financières, matérielles, humaines) pour respecter le cahier des charges. Conduire le changement en identifiant les besoins des parties prenantes internes ou externes d’un projet Intelligence Artificielle par la mise en place d’actions managériales telles que des formations, la restructuration de services, des embauches, des ordres de missions… en vue de permettre aux collaborateurs de s'adapter au changement et à l'évolution de l'environnement pour la mitigation des risques et la réussite du projet. Concevoir une architecture d’entrepôt de données massives pour optimiser le stockage et la résilience de données structurées ou non en utilisant le Cloud Computing. Transformer les données de base dans des formats spécifiques pour permettre l’intégration de données provenant de sources multivariées en utilisant des bibliothèques de programmation. Utiliser des services IaaS, PaaS, SaaS (Infrastructure as a Service (IaaS), Platform as a Service (PaaS), Software as a Service (SaaS) et l'informatique sans serveur) et gérer les données historiques en utilisant les principaux indicateurs (issus de l’OCDE, la convention 108 et le RGPD) pour garantir la disponibilité, la qualité et l’amélioration continue de la fiabilité des données. Stocker des données massives en vue de favoriser leur traitement distribué en utilisant des infrastructures auto redimensionnables, afin de réduire les coûts et l’impact écologique. Transformer des volumes massifs de données en utilisant les bibliothèques de Machine Learning pour obtenir des informations utiles définies dans le cahier des charges. Organiser le stockage en sécurisant l’accès des données pour en extraire le sens dans le respect des contraintes éthiques et légales (RGPD et autres législations nationales, européennes ou internationales). Caractériser les différents algorithmes d’optimisation pour évaluer leur capacité à résoudre des problèmes spécifiques en comparant leurs performances. Mettre en œuvre les algorithmes d’optimisation les plus adaptés en modélisant des situations de références pour faciliter la prise de décision. Présenter le résultat d’analyses de données sous forme infographique en utilisant des modèles référents afin de faciliter la prise de décision managériale, marketing et/ou opérationnelle. Mettre en œuvre un algorithme pour résoudre un problème de décision séquentielle en utilisant les techniques de planification et d’apprentissage par renforcement en Intelligence Artificielle. Mobiliser les outils d’IA symboliques et/ou connectivistes pour résoudre des problèmes complexes. Restituer des travaux scientifiques de l’état de l’art à partir d’une étude autonome afin d’opérationnaliser cette contribution dans l’industrie. Évaluer l’alignement du projet avec les différentes législations notamment la RGPD et l’IA Act européen, en prenant en compte tous les publics, afin d’inscrire le projet dans une démarche durable et responsable. S’approprier les contraintes de l’application des IA dans les systèmes critiques (aéronautique, médical, etc.) en prenant en compte les seuils qualité définis par les secteurs industriels afin que la production du projet puisse être validée. Vérifier ou s’assurer des propriétés de fiabilité, robustesse et explicabilité des systèmes à base d’IA en référence au cahier des charges afin de valider le déploiement par les différentes instances.