MIAGE-ID (Informatique Décisionnelle) - 2e année de master en alternance

Ects : 2

Enseignant responsable :

• VERONIQUE BOURREL

Volume horaire : 18

Description du contenu de l'enseignement :

• Contenu : professionnel, culturel, d ' actualité et de société
• Forme : débats, jeux de rôles, quiz et activités ludiques
• Méthodologie : prise de parole en public, travail sur l'expression orale

Compétences à acquérir :

• Savoir s'exprimer à l'oral
• Améliorer ses compétences langagières et communicationnelles
• Enrichir son vocabulaire
• Développer sa créativité
• Travailler en équipe

Ects : 2

Enseignant responsable :

• KEVIN BIJOUX

Volume horaire : 18

Description du contenu de l'enseignement :

Ce cours permet de se familiariser avec les problématiques d'entrepreneuriat et d'appréhender les fondamentaux nécessaires à la création d'une entreprise ou startup. Les étudiants développent des connaissances, compétences essentielles pour entreprendre grâce à une méthodologie basée sur l'apprentissage par l'action. Un savoir-faire et savoir-être entrepreneurial est développé permettant aux étudiants à la fin du cours de présenter leur projet à un jury d'experts en entrepreneuriat et d'investisseurs potentiels.

Compétences à acquérir :

• Processus entrepreneurial et Lean Start-up
• Les fondamentaux de l'étude de marché
• Définir un business model pertinent et une stratégie adaptée
• Démarches juridiques et administratives (statut, propriété intellectuelle)
• Réaliser et construire un Business Plan et un Executive Summary
• Apprendre à présenter son projet : Construire un argumentaire, l'art du « pitch » et du « storytelling »
• Panorama des sources de financement et présentation de l'écosystème startup

Bibliographie-lectures recommandées

• Référence(s) :
• Catherine Léger-Jarniou, Georges Kalousis, La Boîte à outils de la Création d'entreprise. Dunod 2016 4ème édition
• Catherine Léger-Jarniou, Georges Kalousis, Construire son Business Plan. Collection: Entrepreneurs, Dunod 2014 - 3ème édition
• Eric Ries, Lean Startup : Adoptez l'innovation continue. Pearson 2015
• Oren Staff, Pitch anything : An Innovative Method for Presenting, Persuading, and Winning the Deal. 2011

Ects : 3

Enseignant responsable :

• BRUNO MARTINS-LEDO

Volume horaire : 21

Description du contenu de l'enseignement :

Donner une visibilité concrète de l'utilisation des applications décisionnelles en entreprise : Qu'apporte un logiciel décisionnel à un PDG, à un Directeur Marketing, à un Directeur commercial ? Quelles formes prennent les outils de l'informatique décisionnelle en entreprise ? Comment transformer un entrepôt de données en tableau de bord fonctionnel permettant d'expliquer le passé et d'anticiper l'avenir ? Ce cours vous donnera les réponses à ces questions à travers la présentation de projets concrets mis en place récemment dans de grands groupes.

Compétences à acquérir :

Acquérir les concepts de l'analyse décisionnelle. Comprendre l'apport d'un logiciel décisionnel aux différents acteurs de l'entreprise. Typologie d'applications Démarche et présentation de projets décisionnels concrets Initiation sur un outil décisionnel Création de visualisation de différents types et d'un datamart. Réalisation d'un cas pratique

Ects : 3

Enseignant responsable :

• ELSA NEGRE

Volume horaire : 12

Description du contenu de l'enseignement :

Acquérir les notions de base relatives à l'acquisition, l'intégration, la modélisation et au traitement de données multidimensionnelles. Introduction et définition d'un entrepôt de données, Architecture fonctionnelle, Modélisation conceptuelle, Alimentation, Stockage, gestion et exploitation de l'entrepôt. Utilisation de l'ETL Talend en TP.

Compétences à acquérir :

Modélisation et manipulation de données multidimensionnelles.

Ects : 3

Enseignant responsable :

• SARAH LASRI

Volume horaire : 21

Description du contenu de l'enseignement :

  1. Comprendre la révolution numérique Le marketing à l'ère numérique - Les chiffres clés du digitale en France L'économie numérique   2. Définir la stratégie digitale : La boite à outils de la stratégie digitale Marché, concurrence, compétences, organisation : Les outils pour analyser son marché   Les différents objectifs du marketing digital   Etudier et définir sa cible de communication   3. Mettre en œuvre la stratégie digitale Les acteurs de l'écosystème publicitaire Créer du trafic vers son site, les leviers du e-marketing Les différents leviers de communication du digital: le display, la vidéo, l'audio (podscasts) Fidéliser ses clients internautes     4. Le marketing des réseaux sociaux Panorama des médias sociaux : De Facebook à Tik à Tok Présence de l'entreprise sur les réseaux sociaux Animer des campagnes sur les réseaux sociaux   5. Le marketing mobile L'équipement et les usages des consommateurs Les stratégies publicitaires sur le mobile Les applications stores   6. Les tendances, les opportunités du digital Le brand content, le programmatique, le live shopping Les différents types et niveau de data activables en marketing digital Le e-commerce et les expériences clients digitales

Compétences à acquérir :

Ce cours a pour objectif de vous faire acquérir les bases du marketing de l'internet et de la communication sur le web. Les différentes techniques permettant de recruter et de fidéliser le e-consommateur seront étudiés.

Ects : 2

Enseignant responsable :

• ANDRE ROSSI

Volume horaire : 15

Description du contenu de l'enseignement :

1 - Introduction : comprendre les enjeux de la modélisation dans le cadre général de la programmation linéaire en variables mixtes Notion de relaxation Comparaison de formulations alternatives : application au problème de lot sizing Symétrie : comparaison du modèle d'affectation et du modèle étendu pour le problème du Bin Packing

2 - Techniques de modélisation Variables indicateur : application au coût fixe Conditions logiques : modélisation sous forme normale conjonctive Contraintes disjonctives Linéarisation des termes quadratiques Linéarisation des valeurs absolues Linéarisation des fonctions objectifs

3 - Applications des méthodes de modélisation à divers problèmes Problèmes d'affectation, de transport, et de transbordement Problèmes de flot TSP, CVRP Newsvendor problem Facility location problem

Utilisation de la librairie pulp de Python.

Pré-requis obligatoire :

Avoir suivi l'UE de Modélisation en programmation linéaire de L3 MIAGE et l'UE de Décision collective, décision multicritère de M1 MIAGE.

Compétences à acquérir :

• Identifier une situation décisionnelle (production, transport, localisation, tournées, etc.) et la traduire en modèle d ’ optimisation linéaire ou linéaire en variables mixtes (MIP).
• Choisir des variables adaptées (continues, entières, binaires), notamment les variables indicatrices, et formuler les contraintes et la fonction objectif en cohérence avec le problème réel.
• Comparer des formulations alternatives (avec ou sans relaxation, modèles symétriques / brisés, formulations étendues) et en analyser les conséquences sur la qualité du modèle et la difficulté de résolution.
• Maîtriser les principales techniques de linéarisation (termes quadratiques, valeurs absolues, conditions logiques, contraintes disjonctives) pour obtenir un modèle MILP solvable.
• Comprendre la notion de relaxation continue, l ’ impact des variables entières et la notion d ’ espace des solutions réalisables.
• Appréhender la symétrie dans les modèles (affectation, bin packing, etc.) et savoir pourquoi et comment la réduire.
• Modéliser et résoudre des problèmes standard : affectation, transport, transbordement, flots, TSP, CVRP, newsvendor, facility location, et interpréter les résultats en termes de décisions concrètes.
• Être capable de adapter ces modèles à des variantes réalistes (capacités, coûts fixes, contraintes opérationnelles spécifiques, etc.)
• Utiliser une librairie de modélisation (ici PuLP en Python) pour implémenter un modèle, appeler un solveur, récupérer la solution et la présenter.
• ​ Vérifier et tester un modèle sur des jeux de données simples, analyser les messages du solveur (optimalité, faisabilité, temps de calcul) et ajuster la formulation si nécessaire.
• Expliquer le rôle d ’ un modèle d ’ optimisation comme outil d ’ aide à la décision, et non comme substitut au décideur, dans un processus décisionnel plus large.

Bibliographie-lectures recommandées

• Robert Faure, Bernard Lemaire, Christophe Picouleau, "Précis de Recherche Opérationnelle - 7ème édition", Dunod, 2014
• Laurence Wolsey, Integer Programming. Wiley, 2020
• coin-or.github.io/pulp/

Ects : 3

Enseignant responsable :

• Clement ROYER

Volume horaire : 24

Description du contenu de l'enseignement :

Optimization is a framework to formulate a concrete problem into a mathematical object, which enables its theoretical analysis and its practical solve via numerical algorithms. Although applications range from power systems to finance, the interest for optimization techniques has surged following the advent of data science and deep learning in particular. This course will provide an overview of optimization problems and algorithms that are relevant in a data science. We will describe various problem formulations arising in machine and deep learning, using them to motivate the key mathematical concepts that are useful in that space (linear algebra, convexity, smoothness). We will then move to optimization algorithms, with a focus on the most popular schemes in data science (gradient descent and its variants), and we will discuss both theoretical motivations and implementation challenges.

Compétences à acquérir :

• Understand the main classical optimization formulations of data science tasks.
• Given an optimization problem, select an algorithm well suited for solving the problem based on theoretical and practical concerns.
• Identify specific challenges posed by optimization in a data science context, and ways to address these challenges.

Bibliographie-lectures recommandées

• S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press, 2004.
• S. J. Wright and B. Recht. Optimization for Data Analysis. Cambridge University Press, 2022.

Ects : 2

Enseignant responsable :

• CRISTINA BAZGAN

Volume horaire : 18

Description du contenu de l'enseignement :

• Modélisation et résolution de problèmes à l'aide de la programmation par contraintes : intérêt de la programmation par contraintes, exemples,
• Types de contraintes, principaux algorithmes et heuristiques de résolution
• Utilisation du logiciel professionnel OPL Studio

Compétences à acquérir :

Introduire les concepts fondamentaux de la programmation par contraintes et à étudier la modélisation et la résolution de problèmes à l'aide de la programmation par contraintes.

Bibliographie-lectures recommandées

Référence(s) :

• K. Apt, Principles of Constraint Programming, Cambridge University Press, 2009.
• K. Marriott and P.J. Stuckey, Programming with Constraints: An Introduction, The MIT Press, 1998.
• E. Tsang, Foundations of Constraint Satisfaction, Academic Press, 1993.

Ects : 2

Enseignant responsable :

• VERONIQUE FOURNEL

Volume horaire : 18

Description du contenu de l'enseignement :

La qualité de l'information a de graves répercussions sur l'efficience et l'efficacité des organisations et des entreprises. Par exemple, dans les organisations privées, telles que les sociétés de marketing ou les banques, il n'est pas surprenant d'avoir plusieurs registres de clients, mis à jour par différentes procédures organisationnelles, ce qui entraîne des informations contradictoires et en double. Ce cours vise à présenter les problèmes liés à la qualité de données, et de présenter les solutions qui peuvent être utilisées pour les résoudre.   En particulier, le cours a pour objectif d'examiner les trois points suivants :

• Dimensions de la qualité de données. Le terme « qualité de données » est assez vague et englobe plusieurs facettes. Dans cette partie, nous allons examiner les différents dimensions de la qualité de données, allant de l'exactitude, complétude, jusqu'au la consistance et la confiance.
• Algorithme et solutions théoriques. Dans cette partie nous allons examiner en détails quelques solutions théoriques proposées pour résoudre certains problèmes de qualité de données, en particulier celles liées à l'identification d'objet.
• Outils et solutions pratiques. Dans cette partie, nous allons utiliser des outils, et montrer comment ils peuvent être utilisés pour améliorer la qualité de données.

Compétences à acquérir :

Ce cours vise à présenter les problèmes liés à la qualité de données, et de présenter les solutions qui peuvent être utilisées pour les résoudre.

Ects : 3

Enseignant responsable :

• DARIO COLAZZO

Volume horaire : 24

Description du contenu de l'enseignement :

Le cours s'articule en trois parties.

Dans la première, l'accent est sur le paradigme MapReduce et le système Hadoop, avec un focus sur son système de fichiers HDFS. Le cours illustrera les mécanismes de base de Hadoop pour le support de l'exécution parallèle de 'dataflow' MapReduce sur des clusters de machines. Une attention particulière sera donnée aux aspects algorithmiques et d'optimisation de dataflow MapReduce.

La deuxième partie présentera des langages de requête et d'analyse de données caractérisés par des mécanismes de haut niveau et qui sont compilé sur MapReduce. Le focus sera sur les langages Pig Latin et Hive, des langages incluant des mécanismes à la SQL. Les techniques de compilation vers MapReduce seront présentées.

La troisième partie sera consacrée à des évolutions de Hadoop, et en particulier au système Spark et au langage de support Scala. Le focus sera sur l'architecture de Spark, la notion de RDD, l'évaluation lazy de transformations et actions sur des collections distribuées RDD. Les notions apprises seront mises en pratique dans un projet où les étudiants devront concevoir un dataflow pour l'analyse de grands volumes de données. L'implémentation sera faite tant en MapReduce qu'en Spark, et une analyse expérimentale sera effectuée pour comparer les performances des deux implémentations.

Compétences à acquérir :

Apprentissage des aspects fondamentaux des technologies Big Data pour la gestion et analyse de données massives.

Ects : 3

Enseignant responsable :

• IDIR SAIDANI

Volume horaire : 21

Description du contenu de l'enseignement :

Représenter des données de manière visuelle permet de tirer parti des capacités humaines en matière de perception et de cognition afin d’identifier rapidement des éléments significatifs, tels que des relations, des tendances ou des anomalies.

La visualisation facilite l’exploration interactive des données, offre une vue d'ensemble et permet de dégager des informations qui seraient difficilement accessibles par les seules méthodes d’analyse statistique ou automatique. Elle contribue également à la formulation d’hypothèses, à la prise de décision et à la communication claire des résultats.

Ce cours propose une vision globale du domaine : des principes fondamentaux de la perception visuelle et du design jusqu’à l'application pratique des techniques de visualisation adaptées à différents types de données.

Des travaux pratiques accompagnent chaque séance et permettent la mise en œuvre des concepts abordés à l’aide de l’outil Tableau

Compétences à acquérir :

À l’issue de l’enseignement, les étudiants seront capables de :

• Comprendre le rôle de la datavisualisation dans le cadre des systèmes décisionnels
• Identifier les principes fondamentaux de la perception visuelle et de la cognition humaine appliqués à la visualisation de données
• Appliquer les bonnes pratiques de design pour concevoir des visualisations claires, lisibles et adaptées aux utilisateurs
• Sélectionner les types de graphiques appropriés selon les caractéristiques des données et les objectifs d’analyse
• Analyser de manière critique des visualisations existantes
• Utiliser un outil professionnel de visualisation

Bibliographie-lectures recommandées

• Practical Charts: The Essential Guide to Creating Clear, Compelling Charts for Reports and Presentations - Nicholas P. Desbarats
• The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios - Steve Wexler, Jeffrey Shaffer, Andy Cotgreave
• How Charts Lie - Alberto Cairo

Ects : 2

Enseignant responsable :

• MARIE-JOSE BELLOSTA

Volume horaire : 24

Description du contenu de l'enseignement :

Langage dédié à la transformation de données XML (XSLT). Ce langage est utilisé par les WEBMASTER pour l'automatisation de la production des sites WEB et par les développeurs pour la création et la mise à jour automatique de tout document. L'accent est mis sur les concepts XSLT pour la visualisation des documents et des images. Langage permettant de garantir la conformité de documents en fonction d'une définition de type de documents (Langage XML schema). Ce langage peut être utilise pour créer des documents XML pour une large variété d'applications telles que la syndication, les échanges de documents et le stockage de données dans un format standard. Cet apprentissage permettra l'étude d'un schéma XML sur les documents juridique (legifrance) WEB sémantique en quatre parties : le processus de développement d'une ontologie, les Langages permettant la définition d'ontologies RDF, OWL 2, et l'interrogation de documents à partir d'une ontologie SPARQL, et le développement collaboratif d'une ontologie. Cet apprentissage permettra de traiter de manière détaillée des exemples de descriptions ontologiques existantes comme l'ontologie ELI qui fournit un cadre de description pour structurer les métadonnées des ressources législatives nationales et européennes, et les publier sur le web de données ou l'ontologie. De manière applicative, il commence par l'exploration, sous le logiciel Protégé 5.2 de l'université de Sandford, d'une ontologie existante, puis par la modélisation et définition d'une ontologie de domaine sous le logiciel Protégé. Contrôle de connaissance : se décompose en deux parties, la première est un contrôle continu comprenant des TD notés, et la deuxième est un projet où les étudiants en groupe de 2 ou 3 font un exposé sur des Applications ou nouvelles technologies autour du WEB.

Compétences à acquérir :

Former les étudiants aux standards du Web de données et du Web sémantique. Dans le contexte du web sémantique, les ontologies jouent un rôle prépondérant dans la spécification des connaissances de manière standard afin de permettre l'interopérabilité entre différents systèmes. Une ontologie correspond à un vocabulaire contrôlé et organisé et à la formalisation explicite des relations créées entre les différents termes du vocabulaire. Elle permet de préciser formellement un vocabulaire commun dans une perspective de partage. Les ontologies informatiques permettent de représenter un corpus de connaissances sous une forme utilisable par une machine. Ainsi, une ontologie avec un ensemble de règles constitue une base de connaissance permettant de développer un système d'aide à la décision.

Bibliographie-lectures recommandées

Référence(s) : Semantic Web Programming, John Hebeler, Matthew Fisher, Ryan Blace, Andrew Perez-Lopez, Édition : O'Reilly - 304 pages , 1re édition, 1er juillet 2009 Semantic Web for the Working Ontologist, Second Edition: Effective Modeling in RDFS and OWL 2nd Edition, Dean Allemang (Author), James Hendler (Author) 2011. XSLT 2.0 and XPATH 2.0, programmer's reference, Mickael Kay, 4ième édition, Wiley Publishin Inc., 2008, XML Schema, The W3C's Object-Oriented Descriptions for XML, Eric van der Vlist, Publisher O'Reilly Media, 2002.

Ects : 2

Enseignant responsable :

• VERONIQUE BOURREL

Volume horaire : 18

Description du contenu de l'enseignement :

• Contenu : professionnel, culturel, d'actualité et de société
• Forme : débats, jeux de rôles, quiz et activités ludiques
• Méthodologie : prise de parole en public, travail sur l'expression orale

Compétences à acquérir :

• Savoir s'exprimer à l'oral
• Améliorer ses compétences langagières et communicationnelles
• Enrichir son vocabulaire
• Développer sa créativité
• Travailler en équipe

Ects : 3

Volume horaire : 24

Description du contenu de l'enseignement :

Après une introduction sur les grandes Entreprises et comment elles abordent et intègrent les grandes ruptures technologiques dans leurs mode fonctionnement, il sera présenté les grandes fonctions d'une entreprises (Marketing, vente, production, finance, ressources humaines et les cas d'applications et d'usage de l'IA et des nouvelles technologies.

Seront ensuite présenter des archétypes d'usage de l'IA en entreprise au travers d'exemples concrets:

- La prévision de grandeurs par apprentissage supervisé

- la détection d'atypisme via apprentissage non-supervisé

- l'usage de LLM pour l'extraction d'information depuis des données non structurées

Ces archétypes serviront de base de travail pour les projets en équipe, ces derniers s'appuiront sur des cas réels et des données d'entreprise préalablement anonymisées.

Seront abordés ensuite 3 grands sujets:

- Les différentes mise en oeuvre possible d'une organisation centrée sur l'Intelligence Artificielle

- Les problématiques de compliance et de gouvernance aux différentes régulations dans le monde (Europe, Chine et Etats-Unis)

- La définition d'une stratégie d'adoption de l'IA au sein d'une équipe au travers des méthodes de Design thinking, des pratiques Agile et ThEARI et d'une approche "Make or Buy" de ces capacités

Ces sujets seront à chaque fois complétés par des cas réels servant à mettre en exergue les spécificités des entreprises en fonctions des secteurs économiques. Seront notamment vu :

- un projet de maintenance prédictive en Usine via des méthodes supervisées et non supervisées d'analyse des modes de fonctionnement des machines

- un projet de prévisions des ventes en supermarché et d'optimisation de gamme de produits sur étagère, au travers de méthodes de calcul distribué et de théorie des jeux

- un projet d'analyse d'interactions clients au SAV d'une grande entreprise, via de l'analyse NLP, de la structuration de données et d'usage de grand modèles d'IA générative

- un projet de maintenance des standards de qualités et compliances de produits destinés à l'alimentation dans un contexte réglementaire international, via l'usage de l'IA Générative, de la structuration de donnée, des automates et la construction d'agents.

Pré-requis recommandés :

la connaissance du langage Python

des notions d'intelligence artificielle, de statistique et d'économie d'entreprise

avoir lu la bibliographie

Pré-requis obligatoire :

la connaissance de la méthode scientifique

l'expérience d'analyse de données quelque soit le langage de programmation

Compétences à acquérir :

Il s'agit d'initier les étudiants à l'usage et l'application des méthodes d'apprentissage automatique (machine learning), de fouille (data mining) et d'extraction de connaissances dans les grandes entreprises. Il sera illustré par des cas concrets, des exemples réalisés en session et en marges de ces sessions avec le langage Python et l'environnement gratuit de Databricks. L’évaluation se fait au travers d'une restitution orale d'un projet en équipe.

Mode de contrôle des connaissances :

le contrôle des connaissance se fera au travers de la restitution d'un projet d'équipe. Chaque équipe sélectionnera un projet, proposera une approche structurée pour le résoudre et le mettre en place dans un context d'entreprise. Elle présentera les analyses réalisées sur les données disponibles, les méthodes d'IA envisagées ainsi que les grands résultats et enseignements liés à leur mise en place.

Bibliographie-lectures recommandées

les cours du collège de France de Stéphane Mallat et de Gérard Berry

les livres l'hyperpuissance de l'informatique (https://www.odilejacob.fr/catalogue/sciences/informatique/hyperpuissance-de-l-informatique_9782738139535.php) et apprendre à apprendre avec le Lean (https://www.editions-eyrolles.com/livre/apprendre-a-apprendre-avec-le-lean)

les sites rpésentant l'EU Ai Act ainsi que la RGPD

Ects : 2

Enseignant responsable :

• BELA LOTO

Volume horaire : 18

Description du contenu de l'enseignement :

INTRODUCTION "Il n ’ y a pas de conception responsable de service numérique sans démarche numérique responsable"

• Rappels des fondamentaux
• Coûts environnementaux du numérique : cycle de vie, indicateurs, chiffres clés, ordres de grandeur et perspectives
• Coûts humains du numérique : droits humains, risques sanitaires, risques psycho-sociaux
• Démarche numérique responsable

ENJEUX ET DÉMARCHES I. Enjeux et bénéfices de la conception responsable

• État des lieux (coût environnemental)
• Benchmarks

II. La démarche de conception responsable de services numériques

• Les points clés de la démarche (vue globale)
• Les points clés (vue designer)

LE CADRE DE RÉFÉRENCE

• Le cadre réglementaire
• Les guides et référentiels Exercices comparatifs
• Check-list bonnes pratiques
• Cahier des charges

L ’ ÉVALUATION ENVIRONNEMENTALE / WORKSHOPS

• Parcours utilisateurs
• Analyse d ’ impacts (Outil GreenIT Analysis, Kastor, Numecodiag, Index Designers éthiques)

L ’ ÉVALUATION ENVIRONNEMENTALE / WORKSHOPS

• Exemples de mise en œuvre
• Étude de cas – analyse de sites éco-conçus

Ects : 3

Enseignant responsable :

• Hassan AISSI

Volume horaire : 24

Description du contenu de l'enseignement :

Les problèmes rencontrés en pratique sont souvent complexes et mal définis à cause en partie des données incertaines ou imprécises. Les modèles et techniques mathématiques jouent un rôle important pour appréhender une réalité complexe et proposer de bonnes décisions. Le but de ce cours est de montrer comment utiliser les données afin de bâtir des modèles et améliorer les décisions. Des études de cas pratiques seront étudiées en utilisant le modeleur OPL de CPLEX ainsi qu'Excel.   1. Décision dans l'incertain : optimisation linéaire robuste et modèles de simulation. 2. Optimisation multi objectifs : concepts fondamentaux, méthodes d'énumération de l'ensemble des solutions efficaces. 3. Optimisation non-linéaire : formulation de problèmes par des modèles non-linéaires, analyse graphique, résolution informatique.

Compétences à acquérir :

Savoir comment utiliser les données afin de bâtir des modèles et améliorer les décisions.

Bibliographie-lectures recommandées

Bertsimas, Dimitris, and Robert Freund. Data, Models, and Decisions: The Fundamentals of Management Science. Dynamic Ideas, 2004.

Ects : 3

Enseignant responsable :

• OLIVIA TAMBOU

Volume horaire : 18

Description du contenu de l'enseignement :

Introduction : - Qu'est-ce que l'éthique (distinction, articulation entre éthique, droit, morale). - De quelles données parle-t-on ? - Pourquoi une éthique des données aujourd'hui ? Les principaux enjeux : le développement de l'Intelligence artificielle et la question du respect de dignité humaine, dépersonnalisation, déresponsabilisation, encadrement nécessaire de la gouvernance algorithmique (Cambridge Analytica) Partie 1 : Les différentes formes d'encadrement de l'éthique des données - L'encadrement collectif Des obligations actuelles fixées par les Etats et l'UE (RGDP) Des tentatives de régulation à l'échelle internationale Une forme de responsabilité sociétale des entreprises (développement de code de conduite, d'outils de privacy by design ou by default) - Une responsabilité individuelle : Du cas de conscience à la revendication du statut de lanceur d'alerte Partie 2 : L'émergence de principes éthiques des données - Les initiatives en cours : Les recommandations de la CNIL : Vers la concrétisation d'un principe de loyauté des algorithmes et d'un principe de précaution en matière d'Intelligence Artificielle ? Le projet de lignes directrices en matière d'éthique dans le domaine de l'IA développée par la Commission européenne Vers une charte constitutionnelle française du numérique ? - Les questionnements éthiques spécifiques : La revendication d'un droit des robots Vers la création de biens communs numériques ? - Les bonnes pratiques sectorielles : Ethique des données dans le domaine de la finance, de l'éducation, de la santé, etc.

Compétences à acquérir :

La profonde transformation numérique de nos sociétés rend nécessaire comme l'a encore récemment rappelé la CNIL de « former à l'éthique tous les maillons de la chaîne algorithmique, concepteurs, professionnels, citoyens ». La création de ce nouveau cours Données et Ethique s'inscrit dans cette optique. Il s'agit de permettre aux informaticiens de prendre conscience des implications éthiques et sociales du traitement des données qu'ils opèrent. Il s'agit aussi les informer sur l'évolution du cadre dans lesquels ils vont pouvoir ou devoir mettre en œuvre le traitement de leurs données tant à titre personnel que professionnel. L'éthique est une notion souvent difficile à cerner. Elle repose sur un ensemble de règles morales susceptibles d'orienter le comportement des individus voire des entreprises. Ces règles qu'ils s'imposent à eux-mêmes peuvent soit préfigurer, soit en réalité se superposer ou se confondre avec des règles juridiques contraignantes. Ainsi, l'éthique des données se développe à titre collectif qu'à titre individuel notamment avec la figure des lanceurs d'alerte. En outre, l'éthique des données peut varier en fonction de la catégorie de données en cause (données personnelles, non personnelles, données dite d'intérêt général etc.). Ces prémisses sont importantes pour comprendre les enjeux économiques et sociétaux autour de l'émergence actuelle des principes éthiques des données.

Ects : 1

Ects : 2

Enseignant responsable :

• FLORIAN JAMAIN

Volume horaire : 21

Description du contenu de l'enseignement :

Introduction au développement sécuritaire et aux méthodes formelles. L'objectif du cours est de présenter les enjeux d'un développement qui peut avoir des conséquences très graves en cas de défaut et d'apporter des solutions aussi bien niveau software via les méthodes formelles que hardware en utilisant un calculateur sécuritaire.

• Introduction générale : Le monde du sécuritaire.
• Introduction aux Méthodes Formelles.
• Initiation à la Méthode B et à l'Atelier B : Spécification et
• Implémentation.
• La Clearsy Safety Platform et ses contraintes.
• Programmation en B CSP.

Ects : 3

Enseignant responsable :

• PATRICK DELEMME
• BRUNO GIRAUDON

Volume horaire : 24

Description du contenu de l'enseignement :

L'objectif du cours est une initiation théorique et pratique à la négociation. La méthode du cours est de relier constamment les résultats des simulations auxquelles participent activement les étudiants avec les éléments fondamentaux de toutes négociations, objets d'acquisition du cours. Le séminaire est aussi rythmé par un ensemble de vidéos d'acteurs de la sphère publique et privée qui témoignent de leurs expériences et proposent des idées. Ces vidéos sont aussi des objets d'analyses et de débats. Le séminaire se termine par une grande négociation multilatérale qui permet la mise en pratique immédiate des théories et techniques vues, tout en permettant de prendre mieux conscience de ses forces et faiblesses individuelles en négociation. Un focus est proposé sur les conditions particulières d'une négociation de recrutement, notamment en ce qui concerne le droit du travail, les clauses d'un contrat et l'ensemble des informations nécessaires afin de renforcer sa capacité à négocier.

Compétences à acquérir :

Initiation théorique et pratique à la négociation.

Ects : 3

Enseignant responsable :

• MARIE-JOSE BELLOSTA

Volume horaire : 24

Description du contenu de l'enseignement :

Les problèmes de décision impliquant plusieurs intervenants font l'objet de nombreux travaux, aussi bien en informatique (systèmes d'aide à la décision collective, systèmes multi-agents, systèmes répartis, systèmes de diagnostic...) qu'en économie et en théorie de la décision (choix social, théorie des jeux...). Avec le développement d'applications réparties coopératives (nécessitant des mécanismes de décision collective, de vote ou de consensus) ou d'applications multi-utilisateurs pour le web (commerce électronique, partage de compétences...), le domaine de la décision collective est en plein essor. Aussi devient-il nécessaire de concevoir des systèmes efficaces de décision collective.   L'objectif du cours est l'étude de systèmes complexes de résolution de problèmes pour l'aide à la décision de groupe et plus précisément, l'étude de systèmes intelligents destinés à automatiser, à diagnostiquer ou à aider la prise de décision de groupe.   Le cours vise à présenter différents modèles, outils et méthodologie pour le développement de tels systèmes. Le fil rouge de ce cours s'appuie sur le concept d'agent intelligent, et se positionne assez largement dans le domaine de l'intelligence artificielle distribuée. Les agents intelligents peuvent présenter une certaine autonomie, ont des croyances et des préférences qui leur sont propres, ainsi que des capacités de raisonnement, de communication, et de prise de décision.   Contenu : Parmi les thèmes étudies, citons : - Diagnostic à base de modèles et diagnostic à base d'agents - Négociation entre agents, - Enchères électroniques et détermination du gagnant - Business Intelligence et intégration de données hétérogènes - Simulation des processus de décision collectifs   Les domaines d'applications privilégies sont : les systèmes d'aide à la décision dans le transport (transport intelligent), les systèmes d'aide à la décision dans la gestion de l'environnement : aide aux agriculteurs (gestion de parcelles), aide aux organisations territoriales (gestion de l'eau, gestion des crues des rivières), commerce électronique et négociation automatique, gestion automatique de l'énergie domestique (domotique).

Compétences à acquérir :

Programmation multi agents, protocoles FIPA, actes de langages FIPA, modèle décisionnel

Bibliographie-lectures recommandées

Bibliographie :

• Intelligent Agent-Based Business Intelligence, Samo Bobek , Igor Perko
• Entreprise Integration using the agent paradigm: foundations of multi-agent based integrative business information systems. Decision Support Systems (2006) by R.Kishore, H.Zhang, R.Ramesh

Ects : 8