INTELLIGENCE ARTIFICIELLE – VISION STRATEGIQUE ET OPERATIONNELLE POUR UNE DSI

• Comprendre les technologies IA et leurs implications pour les systèmes d'information.
• Identifier les cas d’usage IA pertinents pour les métiers, l’IT et la sécurité.
• Concevoir une stratégie IA intégrée à l’architecture et à la gouvernance SI.
• Savoir cadrer, piloter et sécuriser un projet IA.
• Evaluer la maturité, les risques et les impacts de l’IA sur le SI.

JOUR 1 – Acculturation, technologies, cas d’usage et fonctionnement de l’IA 9H00 – 10H00 : ACCUEIL & CADRAGE DE LA FORMATION

• Présentation des participants et attentes.
• Présentation du programme, modalités, livrables et outils.
• Emargement & consentement.
• Passage du test de maturité IA initial (diagnostic).

10H00 – 11H00 : 1. PANORAMA DES TECHNOLOGIES IA UTILES A UNE DSI

• IA, ML, LLM, NLP, IA symbolique.
• Typologie des algorithmes : classification, clustering, détection d’anomalies, prédiction, génération.

11H15 – 12H30 : 2. COMMENT FONCTIONNE UNE IA ?

• Mécanismes clés : jeu de données, apprentissage, validation, surapprentissage.
• Fonctionnement des réseaux de neurones et Transformers (attention, embeddings, contexte)
• Introduction aux modèles d’agents (agentique) et au Modèle Cognitif de Production (MCP).
• Fonctionnement des RAG (Retrieval Augmented Generation) dans les systèmes d’information.
• Démonstration d’un cycle apprentissage – inférence – feedback.

13H30 – 15H00 : 3. IA DANS LES PROCESSUS IT ET PROJETS DSI

• Supervision IT, prédiction d’incidents, automatisation ITSM.
• IA & ITIL / IA & DevOps : comment intégrer l’IA dans les opérations.
• Outils utilisés (Dataiku, Splunk ML, ServiceNow IA...).

15H15 – 17H00 : 4. CAS D’USAGE METIERS PILOTES PAR LA DSI

• Exemples dans la RH, finance, achats, logistique, service client.
• DSI comme plateforme d’intégration IA pour les métiers.
• Atelier collaboratif : cartographier les cas d’usage IA dans votre SI.

JOUR 2 – GOUVERNANCE, ARCHITECTURE SI, GESTION DE PROJET IA ET PLAN D’ACTION 9H00 – 10H30 : 5. INTEGRATION DE L’IA DANS UNE ARCHITECTURE SI

• API SaaS, open source ou on-premise : arbitrages techniques.
• Connecteurs, bases vectorielles, flux de données sensibles.
• Souveraineté, cloud, sécurité, dépendances éditeursIntégration de l’IA dans une architecture SI.
• API SaaS, open source ou on-premise : arbitrages techniques.
• Connecteurs, bases vectorielles, flux de données sensibles.
• Souveraineté, cloud, sécurité, dépendances éditeurs.

10H45 – 12H30 : 6. PILOTER UN PROJET IA DE LA DSI – DE L’IDEE AU DEPLOIEMENT

• Méthodologie : identification du cas d’usage, cadrage, POC, MVP, passage à l’échelle.
• Différences avec projet SI classique : gouvernance, incertitude, ROI progressif.
• RACI, parties prenantes, outils de pilotage IA spécifiques.
• Panorama des outils utiles pour chaque phase du cycle de vie IA : - Exploration : GPT, Perplexity, Notion AI - Cadrage : Miro, templates de cas d’usage, matrices d'impacts - Données : Snowflake, Databricks, Azure Data Lake - Modélisation : Dataiku, Azure ML, Hugging Face, LangChain - Déploiement : Docker, MLFlow, API REST - Suivi : dashboards, gouvernance, éthique by design.

13H30 – 15H00 : 7. GOUVERNANCE, CONFORMITE ET GESTION DES RISQUES IA

• Réglementations : RGPD, IA Act, NIS2 – ce que la DSI doit piloter.
• Gouvernance des modèles, auditabilité, biais, explicabilité.
• Kit d’analyse de risques IA appliqué aux systèmes d’information.

PRINCIPAUX RISQUES QUE L'IA PEUT FAIRE ENCOURIR A L'ENTREPRISE

• Risque de confidentialité : exposition involontaire de données sensibles dans l'entraînement ou l'utilisation des modèles.
• Risque juridique : non-conformité aux réglementations (RGPD, IA Act), absence de consentement, violation de la propriété intellectuelle.
• Biais et discrimination : reproduction ou amplification de biais existants dans les données, affectant l’équité des décisions.
• Perte de contrôle et explicabilité : décisions prises par des modèles non interprétables ou incontrôlables.
• Faux positifs / faux négatifs : erreurs de classification impactant des décisions critiques (ex : accès, alertes, sanctions).
• Risque réputationnel : mauvaise perception interne ou publique de l’usage de l’IA.
• Dépendance à des fournisseurs ou modèles externes : verrouillage technologique, perte d’autonomie stratégique.
• Risque opérationnel : déploiement de modèles non testés, impacts sur les processus métiers ou IT.
• Cyber-risque augmenté : nouvelles surfaces d’attaque via les modèles IA (prompt injection, modèle corrompu).

15H15 – 17H00 : 8. CLOTURE : TOUR DE TABLE, SYNTHESE ET PLAN D’ACTION DSI

• Retour d’expérience sur les apprentissages clés
• Passage du test de maturité IA final (évolution)
• Élaboration d’un plan d’action IA personnalisé pour sa DSI
• Restitution du groupe / Engagements de mise en œuvre

Personnes en situation de handicap