Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

Partie 2 · Data Mesh et IA

Bilan : Data Mesh et IA

Le cours répond : le Data Mesh reste pertinent à l'ère de l'IA, « et même trois fois oui » : (1) l'IA repose sur des données de qualité, documentées, reliées au contexte métier ; (2) la plateforme self-service est un point de départ idéal à enrichir de services IA ; (3) la gouvernance fédérée est un excellent point de départ pour une gouvernance de l'IA proche des priorités métier. Conviction de la formatrice : la meilleure gouvernance de l'IA doit être parfaitement intégrée à celle de la data.

Exemple du churn (attrition client) : pour entraîner, des données historiques (secteur, comportements d'achat, interactions service client, résiliations) ; en production, des données actualisées dans le même format. Le même data product client sert la BI (vision 360), d'autres algorithmes et un chatbot : source commune = vision cohérente.

Vérifie que tu as compris

Pourquoi utiliser les mêmes data products pour la BI et l'IA ?

Le Data Mesh apporte à l'IA : partage transverse entre domaines, cadre de traçabilité et d'anonymisation, gestion des accès et conformité réglementaire déjà structurées, plateforme et gouvernance robustes. Les plateformes évoluent : données non structurées (documents, textes, images, vidéos) et données en flux (événements temps réel, IoT, logs) ; nouveaux services : préparation et annotation (entraînement, bases de RAG), API pour fine-tuner et intégrer des modèles génératifs, monitoring des modèles (dérives, taux d'erreur, usage), explicabilité.

Un produit IA est un actif basé sur la donnée, enrichi par un ou plusieurs modèles, mis à disposition d'humains ou de systèmes (moteur de recommandation, maintenance prédictive). La démarche produit convient : orientée usage et valeur, prend en compte les retours, itérative. Cadre de gouvernance commun : les domaines priorisent leurs cas d'usage IA, la gouvernance fédérée traite les cas transverses, les équipes accueillent data scientists et ML engineers, un seul portefeuille par domaine pour data et IA.

En une phrase : une approche socio-technique qui fait de la donnée un produit, géré par des domaines métiers autonomes, sur une plateforme self-service partagée, dans un cadre de gouvernance fédérée.

Vérifie que tu as compris

Quels nouveaux types de données une plateforme doit-elle gérer à l'ère de l'IA ?