Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction et sélection de cas d’usage par équipe
- Aperçu de l’IA dans les environnements industriels
- Catégories de cas d’usage : qualité, maintenance, énergie, logistique
- Formation des équipes et définition des objectifs du projet
Compréhension et préparation des données industrielles
- Types de données industrielles : séries chronologiques, données tabulaires, images, texte
- Acquisition, nettoyage et prétraitement des données
- Analyse exploratoire des données avec Pandas et Matplotlib
Sélection du modèle et prototypage
- Choix entre la régression, la classification, le clustering ou la détection d’anomalies
- Entraînement et évaluation des modèles avec Scikit-learn
- Utilisation de TensorFlow ou PyTorch pour la modélisation avancée
Visualisation et interprétation des résultats
- Création de tableaux de bord ou de rapports intuitifs
- Interprétation des métriques de performance (précision, exactitude, rappel)
- Documentation des hypothèses et des limites
Simulation du déploiement et retour d’information
- Simulation de scénarios de déploiement en périphérie (edge) ou dans le cloud
- Collecte des retours et amélioration des modèles
- Stratégies d’intégration avec les opérations
Développement du projet final
- Finalisation et test des prototypes d’équipe
- Évaluation par les pairs et débogage collaboratif
- Préparation de la présentation du projet et du résumé technique
Présentations d’équipe et clôture
- Présentation des concepts et des résultats de la solution IA
- Réflexion collective et enseignements tirés
- Feuille de route pour l’évolution des cas d’usage au sein de l’organisation
Résumé et prochaines étapes
Pré requis
- Une compréhension des processus de fabrication ou industriels
- Expérience avec Python et les bases de l’apprentissage automatique
- Capacité à travailler avec des données structurées et non structurées
Audience
- Équipes transversales
- Ingénieurs
- Data scientists (scientifiques des données)
- Professionnels de l’informatique
21 Heures