Description
L'atelier vise à sensibiliser à l'importance de la normalisation technique dans le domaine des technologies de l'information et de la communication, en particulier dans le domaine de l'intelligence artificielle (IA). Au cours de l'atelier, les participants développeront des applications d'IA (par exemple, classification d'images, reconnaissance faciale) dans des ressources en nuage, où ils pourront appliquer concrètement la normalisation technique à l'aide de cas d'utilisation pratiques.
Public cible
Professionnels du secteur des TIC (CEOs, CIOs, managers, consultants), entrepreneurs, chercheurs ainsi que toutes personnes intéressées par l'intelligence artificielle ainsi que par les aspects de normalisation et de confiance numérique associés.
Acquis et objectifs d’apprentissage
- Prendre connaissance de la norme AI Management System, qui permet de superviser le développement des projets d'IA au sein de l'entreprise
- Comprendre les principes fondamentaux de l'IA, notamment dans le domaine de la classification des images
- Apprendre les bonnes pratiques liées au cycle de vie des systèmes d'IA (par exemple, l'utilisation des données, la formation des modèles, les tests système) sur la base des normes
- Comprendre comment traiter certains risques liés à la fiabilité (par exemple, le biais, la robustesse) sur la base des informations fournies par les normes.
- Identifier les normes pertinentes et les appliquer efficacement dans les projets d'IA
- Etre capable de contribuer aux normes techniques
Contenu
- Good practices supporting the development of AI projects within the company
- ISO/IEC DIS 42001 Information technology — Artificial intelligence —Management system
- Overview of artificial intelligence
- AISO/IEC 22989:2022 Information technology — Artificial intelligence — Artificial intelligence concepts and terminology
- ISO/IEC 23053:2022 Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML)
- Practical session
- Lean how to use Cloud resources
- Learn the good practices related to AI system lifecycle (for example, data usage, model training, system testing) following some international standards:
- Data usage
- ISO/IEC DIS 8183 Information technology — Artificial intelligence — Data life cycle framework
- ISO/IEC 5259 series in Data quality for analytics and machine learning
(ML) - ML model development
- ISO/IEC TR 24372:2021 Information technology — Artificial intelligence (AI) — Overview of computational approaches for AI systems
- System testing
- ISO/IEC AWI TS 29119-11 Information technology — Artificial intelligence — Part 11 : Testing for AI systems
- ISO/IEC 4213:2022 Information technology — Artificial intelligence
Assessment of machine learning classification performance
- Data usage
- Understand how to address some trustworthiness risks (for example, bias, robustness) based on the inputs from standards:
- ISO/IEC TR 24027:2021 Information technology — Artificial intelligence (AI) — Bias in AI systems and AI aided decision making
- ISO/IEC TR 24029-1:2021 Artificial Intelligence (AI) — Assessment of the robustness of neural networks — Part 1: Overview
- ISO/IEC AWI TS 12791 Information technology — Artificial intelligence — Treatment of unwanted bias in classification and regression machine learning tasks
- ISO/IEC AWI 12792 Information technology — Artificial intelligence — Transparency taxonomy of AI systems
- Standards development process
- Overview of ISO/IEC JTC 1/SC 42 Artificial Intelligence
- Overview of CEN-CENELEC JTC 21 Artificial Intelligence
- Overview of ISO/IEC JTC 1/SC 38 Cloud computing and distributed platforms
- How to follow and contribute on standards development
- How to consult standards
Compétences requises
Il est recommandé de disposer de connaissances basiques dans le domaine des TIC pour suivre cette formation.
Durée
8h00
Certificat
Un certificat de participation délivré par l’ILNAS, organisme de formation agréé, sera remis à la fin de la formation.