Vous apprendrez des techniques d'analyse des tendances du MTTR qui permettent d'identifier les schémas de résilience du système et d'apporter des améliorations proactives à l'infrastructure pour les opérations d'IA.

Vous concevrez des cadres de gouvernance complets, assortis de politiques applicables et de mesures techniques de protection, qui garantiront un déploiement responsable de l'IA tout en favorisant l'innovation au sein de l'entreprise.

Vous découvrirez des cadres méthodologiques permettant de mesurer et d'atténuer les biais algorithmiques à l'aide d'indicateurs d'équité tels que la parité démographique et l'égalisation des chances, ce qui vous permettra de mener des évaluations des risques éthiques adaptées au contexte de l'entreprise en vue du déploiement de l'IA.

Vous mettrez en œuvre les cadres OKR et les méthodologies de cartographie des initiatives afin d'évaluer les feuilles de route en matière d'IA au regard des objectifs de l'entreprise, en calculant le retour sur investissement et en identifiant les lacunes stratégiques, dans le but d'obtenir le soutien de la direction pour les investissements dans l'IA.

Vous mettrez en place des cadres de gouvernance complets et des structures organisationnelles pour les centres d'excellence en IA, en élaborant des chartes qui normalisent les meilleures pratiques et permettent des opérations d'IA évolutives et conformes à l'échelle de l'entreprise.

Vous évaluerez de manière systématique l'équilibre entre les performances des modèles et leur interprétabilité dans des environnements de production, en appliquant un cadre d'évaluation à quatre dimensions qui prend en compte l'intensité réglementaire, l'implication des parties prenantes, l'impact sur la prise de décision et les contraintes techniques. À travers des exemples concrets issus de Netflix, d’Airbnb et de Goldman Sachs, les participants apprendront à cartographier les frontières entre performance et interprétabilité, à établir des seuils minimaux de performance et à prendre des décisions de sélection de modèles fondées sur des données factuelles, qui tiennent compte du contexte métier plutôt que de se contenter par défaut d’une précision maximale ou d’une interprétabilité maximale.

Vous mettrez en œuvre des cadres de tests statistiques rigoureux pour valider les améliorations apportées aux algorithmes à l’aide de tests t appariés, de rééchantillonnages par bootstrap, de tests de signification par validation croisée et d’expériences A/B en production. Les participants apprendront à distinguer les véritables améliorations algorithmiques des variations aléatoires en calculant les valeurs p, les tailles d'effet et les intervalles de confiance, tout en comprenant comment Netflix, Goldman Sachs et Airbnb utilisent la validation statistique pour éviter des erreurs de déploiement coûteuses causées par une interprétation erronée du bruit de mesure comme s'il s'agissait de véritables gains de performance.

Vous concevrez des systèmes d'ensemble prêts pour la production qui combinent divers algorithmes à l'aide des méthodologies de « bagging », de « boosting » et de « stacking », afin d'obtenir une robustesse et des performances supérieures. Les participants mettront en œuvre des mécanismes de diversité stratégiques, trouveront le juste équilibre entre complexité de calcul et gains de performance, et concevront des systèmes dotés de capacités de dégradation gracieuse. À travers des exemples tirés du système de recommandation de Netflix, qui intègre plus de 107 algorithmes, et des algorithmes de trading de Goldman Sachs, les apprenants comprendront comment les leaders du secteur créent des architectures d’ensemble qui maintiennent des performances constantes dans des conditions de production imprévisibles.

Vous interpréterez des modèles d’apprentissage automatique à l’aide des techniques SHAP et LIME afin de détecter les biais et de garantir l’équité. Ce module aborde la génération d’explications sur l’importance des caractéristiques, la création de visualisations permettant de mettre en évidence la logique du modèle, ainsi que la segmentation de l’analyse selon des critères démographiques pour identifier les impacts disparates. Les participants calculeront des indicateurs d’équité tels que la parité démographique et l’égalité des chances, établiront un lien entre les résultats en matière d’interprétabilité et les stratégies de correction des biais, et appliqueront les techniques utilisées par Amazon SageMaker Clarify pour des opérations d’IA responsables à l’échelle de l’entreprise.

Vous évaluerez les mises à jour des modèles d’apprentissage automatique (ML) à l’aide de tests A/B contrôlés qui mesurent l’impact réel sur l’activité avec une rigueur statistique. Ce module aborde la conception expérimentale, notamment la formulation d’hypothèses, la sélection d’indicateurs avec des limites de sécurité, les stratégies de randomisation et le calcul de la taille de l’échantillon. Les participants mettront en œuvre des tests statistiques à l’aide de Python afin de distinguer les améliorations réelles du bruit, d’interpréter les intervalles de confiance et les valeurs p, et d’appliquer les cadres de validation utilisés par les équipes de production chez ShopBack et AWS pour éviter des erreurs de déploiement coûteuses.

Vous concevrez des cadres d’expérimentation automatisés à l’aide de MLflow, qui uniformisent le suivi, les métriques et l’analyse afin d’accélérer l’innovation. Ce module aborde six composants architecturaux, notamment les registres d’expériences, le calcul des métriques avec dbt et l’automatisation statistique. En choisissant les technologies appropriées, en trouvant le juste équilibre entre développement en interne et acquisition de solutions prêtes à l’emploi, et en assurant l’intégration avec des outils tels que Snowflake et Airflow, les participants élaboreront des feuilles de route de mise en œuvre permettant aux équipes de passer de 10 à 20 expériences manuelles à 50 à plus de 100 expériences automatisées par an, en suivant une méthodologie cohérente.

Vous développerez des cadres de gouvernance complets en matière d’IA, intégrant le suivi des performances, la supervision éthique et la prise de décision stratégique afin de garantir la fiabilité des opérations d’IA. Ce module aborde quatre composantes fondamentales, à savoir l’analyse des segments d’utilisateurs, l’évaluation des compromis techniques, les politiques de gouvernance assorties d’une supervision humaine et les processus de validation expérimentale. À l’aide de modèles de suivi systématique, de lignes directrices pour la prise de décision et de cadres de tests A/B, les participants élaboreront des feuilles de route de mise en œuvre permettant aux organisations de faire évoluer leurs systèmes d’IA tout en garantissant une prestation de services équitable, en gérant les risques et en assurant la rigueur statistique des décisions de déploiement au cours de cycles de mise en œuvre de six mois.