C1 - Réaliser l'expression du besoin du client
- Introduction à l'Intelligence Artificielle (IA)
- Types d'IA : IA étroite, générale et super IA
- L'IA en tant que service (AIaaS)
- Gestion des ensembles de données : entraînement, validation et test
- Techniques d'étiquetage des données
C2 - Argumenter sur la pratique agile Scrum (forces, limites, leviers d'adoption)
- Caractéristiques de qualité des systèmes IA : flexibilité, adaptabilité, autonomie
- Défis éthiques : biais, sécurité, transparence, interprétabilité et explicabilité
- Limites et jeux de tests pour les modèles de Machine Learning (ML)
C3 - Communiquer une vision inspirante
- Vue d'ensemble du Machine Learning (ML) :
- Workflow
- Sélection des algorithmes
- Surajustement et sous-ajustement
- Introduction aux réseaux neuronaux et mise en œuvre d'un perceptron simple
- La vision stratégique de l'IA dans les processus métier
C4 - Planifier la démarche agile
- Gestion des ensembles de données pour le ML :
- Problèmes de qualité des données et impact sur les modèles ML
- Évaluation des performances fonctionnelles du ML :
- Matrice de confusion et mesures de performance
- Configuration et considérations pour les environnements de test des systèmes IA
C5 - Organiser des formats de réunions adaptés
- Niveaux de spécification et stratégies de test pour les systèmes IA
- Collaboration autour des biais d'automatisation et des caractéristiques de qualité spécifiques à l'IA
- Techniques de test spécifiques : tests par paire, dos à dos, A/B et métamorphiques
C6 - Piloter le projet en suivant l’avancée des travaux
- Critères de sélection des techniques de test adaptées
- Tests des biais d'automatisation et des caractéristiques de qualité spécifiques à l'IA
- Utilisation d'environnements de test virtuels pour l'IA
C7 - Évaluer la solution en mesurant les écarts
- Tests des systèmes basés sur l'IA :
- Mesures de couverture pour les réseaux neuronaux
- Défis liés aux tests des systèmes autonomes : biais algorithmiques et complexité
- Méthodes pour tester des systèmes d'IA complexes : attaques adverses, empoisonnement des données
C8 - Conduire des rétrospectives constructives
- Techniques de test spécifiques pour évaluer la robustesse :
- Tests par paire et métamorphiques
- Approches pour identifier les faiblesses dans les modèles d'IA
- Défis liés à l’interprétabilité et aux biais dans les résultats d’IA
C9 - Accompagner la performance collective des équipes
- Intégration de l'IA dans le processus de test :
- Analyse des défauts et génération de cas de test
- Utilisation de l'IA pour la prédiction des défauts
- Tests d’interfaces homme-machine (IHM)
- Technologies et outils basés sur l'IA pour améliorer les tests
- Collaboration autour des environnements de test IA : équipes interdisciplinaires et méthodologies adaptées