TRANSFORMER LES ORGANISATIONS AVEC L’IA

– Les fondamentaux des Big Data et de l’Intelligence Artificielle ;

– Data science et causalité : création de connaissance à l’aide des machines ;

– Big Mistakes : Les défis méthodologiques de Big Data ;

– Stockage et gouvernance des données (technique et savoir-faire) pour profiter des Big Data ;

– Quelle architecture ? Le socle technologique des Big Data : Hadoop ;

– Les enjeux de la gestion des données.

Les bases de données relationnelles :

– Rappel sur les structures de données ;

– Les différentes catégories de fichiers ;

– Les langages ;

– Les grandes applications SGBD commercialisées (Oracle, Access, Sybase, Infomix) ;

La visualisation des données :

– Comprendre les enjeux de la data visualisation ;

– Panorama de l’existant. (Tableau, TIBCO, Spotfire, Power BI, etc.) ;

– Les différentes représentations graphiques ;

– Applications avec les outils Air France.

La sécurité des données :

– Exemples réels d’attaques et fraudes ;

– Contraintes et challenges de la sécurité en entreprise ;

– Motivations et opportunités pour les attaquants ;

– Ecosystème de sécurité, premiers conseils pratiques.

– BI, Big Data et IA derrière les buzzwords ? ;

– Data Engineer, Data Scientist, Data Analyst, Business analyst, Actuaire, SRE. Qui fait quoi ? ;

– Diagnostic de maturité Data des organisations ;

– Définition d’une gouvernance de données adaptée à la maturité de l’organisation ;

– Définition du cycle de vie de la donnée et application sur un modèle de gouvernance ;

– Collaboration sur la data dans un contexte  international (fusion acquisition, séparation juridique, RGPD, Cloud Act) ou dans des contextes difficiles (rétention, méfiance, etc.) ;

– Présentation de différents modèles d’organisations possibles ;

– Présentation des outils de gestion de la donnée (MDM, DQM, ESB, API, etc.).

– Du cloud, de docker, kubernetes ;

– Des outils de Big Data (Datawarehouse, Hadoop, Spark, Big Query) ;

– Des outils de datascience (R, Python, Julia, Jupyter, Binder, Scikit learn, etc.) ;

– Des framework d’IA (Tensorflow, Pytorch, MxNET, etc.) ;

– Des infrastructures spécifiques à l’IA (Stoackage, GPU, FPGA).