Data & AI Engineer

Overview

Objectives

• Python pour Data & IA : Acquérir les bases Python utiles à la donnée, aux APIs, à l’automatisation et à l’IA
• Data Analysis augmentée par l’IA : Accélérer la préparation, l’exploration, l’interprétation et la restitution de données
• Power BI augmenté par l’IA : Combiner Power BI et capacités IA pour accélérer l’analyse et la narration de données
• RAG avancé & architecture d’entreprise : Industrialiser un RAG multi-source, performant, sécurisé et gouverné
• Gouvernance des données pour projets IA : Préparer les données d’une organisation pour des usages IA fiables, sécurisés et auditables
• LLMOps / MLOps pour applications IA : Industrialiser le cycle de vie des modèles et applications IA

Syllabus

1. 01

   Module 1 — Python pour Data & IA

   Python essentiel : variables, conditions, boucles, fonctions. On écrit petit, on exécute, on lit l'erreur · Écrire une fonction qui nettoie une liste de valeurs et la tester sur trois cas · Pandas et NumPy servent à charger, filtrer et calculer. On nomme les colonnes et on affiche la forme du tableau · Charger le jeu fourni, filtrer, et calculer deux indicateurs · Manipuler la donnée, c'est joindre, regrouper, changer de grain. On vérifie que les totaux n'ont pas bougé sans raison · Joindre deux tables du jeu et expliquer les lignes perdues · Une API s'appelle avec une requête que l'on peut relire. L'automatisation enchaîne des appels sur une liste, avec une pause et une erreur propre · Appeler une API de test sur cinq identifiants et journaliser les échecs · Brancher un service d'IA depuis Python : la clé est hors du notebook, la sortie est vérifiée, l'appel est limité · Envoyer trois textes au service et contrôler la sortie · Le mini projet reprend chargement, calcul et un appel, sur une question posée par le participant · Livrer le notebook du mini projet et le commenter en cinq minutes

   10 h
2. 02

   Module 2 — Data Analysis augmentée par l’IA

   Nettoyer, c'est décider quoi faire des vides, des doublons et des unités. L'outil propose, la règle est écrite · Nettoyer un jeu et écrire la règle appliquée à chaque type de défaut · Explorer, c'est une question d'abord, un chiffre ensuite. On n'affiche pas vingt graphiques sans question · Poser trois questions au jeu et sortir le chiffre qui y répond · Le graphique doit rendre le chiffre lisible. Un graphique trompeur est une erreur, même s'il est joli · Construire un visuel et dire ce qu'il ne faut pas y lire · Interpréter, c'est proposer une cause et dire quelle donnée la confirmerait. L'outil ne signe pas la cause · Écrire deux causes possibles d'un écart et la donnée qui les départage · Le rapport reprend la question, le chiffre, la limite. Il laisse dehors les pistes non vérifiées ou les met en annexe · Rédiger le rapport d'une page pour un décideur · Contrôler l'analyse, c'est la refaire sur un échantillon sans l'outil et comparer · Recalculer un indicateur à la main sur vingt lignes

   10 h
3. 03

   Module 3 — Power BI augmenté par l’IA

   Power Query prépare. On nomme les étapes. Une étape que l'on ne sait pas expliquer se supprime · Préparer le classeur fourni en étapes nommées · Le dashboard répond à une question de gestion. Un visuel sans question sort de la page · Construire une page avec trois visuels qui répondent à une question · L'analyse assistée propose des lectures. On les accepte seulement si le chiffre du visuel les porte · Générer trois lectures et en rejeter au moins une · Copilot et les fonctions d'IA du modèle accélèrent une mesure ou un texte. On relit la mesure DAX ou le champ calculé · Faire proposer une mesure, la relire, la corriger si le total est faux · La narration dit ce que le lecteur doit faire. L'insight qui ne change aucune décision ne va pas dans le titre · Écrire le titre de la page et la décision qu'il demande · Automatiser le reporting, c'est rafraîchir et envoyer à heure fixe, avec un propriétaire si le rafraîchissement casse · Décrire le rafraîchissement et le message si les données n'arrivent pas

   10 h
4. 04

   Module 4 — RAG avancé & architecture d’entreprise

   Plusieurs sources ne se mélangent pas sans règle de priorité. Un wiki ne bat pas un contrat si la règle dit l'inverse · Brancher deux sources et écrire quelle source gagne en cas de conflit · Le multimodal ajoute image ou tableau. On dit ce qui est indexé et ce qui ne l'est pas, sinon l'utilisateur croit que tout est couvert · Indexer un document avec un tableau et une image, puis poser une question sur chacun · Le filtrage des droits se fait à la recherche. Le masquer dans la réponse est trop tard : le passage a déjà été lu par le modèle · Tester deux profils sur la même question sensible · Cache, latence et coût se mesurent sur un volume. Un cache qui ignore les droits est un trou · Mesurer dix questions : temps, coût estimé, et ce que le cache a le droit de garder · L'évaluation et le monitoring tournent après la mise en service : taux d'introuvable, inventions signalées, sources les plus citées · Définir trois indicateurs et le seuil qui déclenche une revue · L'architecture finale tient sur un schéma que la DSI peut opérer : sources, index, droits, modèle, journal · Dessiner le schéma cible et les deux risques que l'on ne couvre pas encore

   10 h
5. 05

   Module 5 — Gouvernance des données pour projets IA

   La qualité a un responsable par jeu. Sans responsable, le projet IA n'a pas de donnée, il a un fichier · Nommer le responsable, les défauts connus et le seuil acceptable du jeu du projet · Le catalogue dit où est la donnée et d'où elle vient. Le lignage s'arrête là où l'on ne sait plus · Documenter la source, les transformations et l'usage IA du jeu · Le droit d'accès du projet est plus étroit que le droit de l'analyste. Le modèle n'a pas besoin de toute la table · Lister les colonnes utiles au projet et celles à retirer · RGPD et confidentialité : base légale, durée, et ce qui ne doit jamais partir vers un outil externe · Qualifier le jeu du projet sur ces trois points · La donnée d'un RAG ou d'un agent est un sous ensemble validé. On ne branche pas le partage réseau · Délimiter le corpus autorisé pour l'usage IA · Le contrôle de gouvernance se rejoue : un jeu sans fiche ne part pas en expérimentation · Remplir la checklist et assumer un point bloquant s'il existe

   10 h
6. 06

   Module 6 — LLMOps / MLOps pour applications IA

   Versionner, c'est pouvoir retrouver la demande, le modèle et les données qui ont produit une sortie. Sans version, on ne compare rien · Poser un numéro de version sur la demande, le jeu de cas et le modèle · Un seuil de qualité bloque la promotion. Si le jeu de cas chute, la version ne passe pas · Définir le seuil et faire échouer volontairement une version · Latence, erreur et coût se lisent ensemble. Optimiser le coût en silence sur la qualité n'est pas du monitoring · Relever les trois mesures sur un lot d'appels · Le déploiement a un pipeline, une version en service et un retour arrière essayé au moins une fois en exercice · Déployer une version et revenir à la précédente · La trace relie une sortie à sa version, son utilisateur technique et les outils appelés. Sans trace, l'incident ne s'analyse pas · Retrouver un appel précis dans le journal et raconter ce qui s'est passé · La gouvernance de production dit qui promeut, qui coupe, et quelles données n'ont pas le droit d'entrer dans le jeu d'évaluation · Écrire ces trois règles pour l'application de l'équipe

   10 h
7. 07

   Module 7 — Mise en situation et retour au poste

   retour au poste pour Professionnels qui veulent une compétence complète, sans entrer dans un titre R… · soutenir Data & AI Engineer

   10 h