Durée
30h Th
Nombre de crédits
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au deuxième quadrimestre
Horaire
Unités d'enseignement prérequises et corequises
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement
Le cours présente différentes méthodes et outils d'intelligence artificielle et de machine learning appliqués à des problèmes de business analytics, en mettant l'accent sur leur compréhension, leur mise en œuvre et leur évaluation critique.
Les principaux thèmes abordés sont :
- Détection d'anomalies : méthodes de type Support Vector Data Description (SVDD) et One-Class SVM, éventuellement appliquées aux résidus de modèles afin de détecter des comportements atypiques, des dysfonctionnements de processus ou des situations potentiellement frauduleuses.
- Autoencoders et Variational Autoencoders (VAE) : apprentissage de représentations et génération de données, notamment pour la simulation de scénarios économiques ou financiers alternatifs.
- Modèles génératifs : Generative Adversarial Networks (GAN) et modèles de diffusion, notamment pour la génération et l'échange de données synthétiques ou anonymisées.
- Transformers et modèles de langage : architectures de type BERT et GPT, représentation et classification de données textuelles, embeddings et clustering, ainsi que leurs applications à des problèmes de prévision et d'analyse dans le domaine des affaires.
- Plateformes et outils d'intelligence artificielle : utilisation critique de plateformes d'IA et d'outils d'AutoML pour la mise en œuvre de solutions de business analytics.
- Interprétabilité et explicabilité des modèles : méthodes post hoc telles que SHAP et LIME, mises en perspective avec les modèles intrinsèquement interprétables et l'importance de l'interprétation des résultats dans un contexte de décision managériale.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
Au terme du cours, l'étudiant sera capable de mobiliser de manière critique des données, des méthodes statistiques et des outils d'intelligence artificielle afin de répondre à des problèmes de business analytics et de soutenir la prise de décision.
Plus spécifiquement, l'étudiant sera capable de :
- formuler un problème de gestion sous la forme d'un problème pouvant être abordé par une démarche d'analyse de données ou d'intelligence artificielle ;
- identifier, sélectionner et mobiliser les données pertinentes en fonction de l'objectif poursuivi, en tenant compte de leur qualité, de leurs limites et de leur contexte de production ;
- identifier les méthodes et outils d'analyse appropriés parmi différentes approches statistiques, de machine learning et d'intelligence artificielle, en fonction de la nature du problème et des données disponibles ;
- mettre en œuvre et évaluer des méthodes d'analyse et d'apprentissage automatique sur des données réelles ou simulées ;
- analyser et interpréter rigoureusement les résultats, en évaluant notamment leur pertinence, leur robustesse, leurs limites et les incertitudes qui leur sont associées ;
- faire preuve d'esprit critique à l'égard des données, des modèles et des résultats obtenus, notamment en identifiant les biais, les hypothèses, les risques de surapprentissage et les limites de généralisation ;
- évaluer l'interprétabilité des modèles et des résultats, et distinguer les approches intrinsèquement interprétables des méthodes d'explicabilité post hoc ;
- visualiser et communiquer efficacement les résultats d'une analyse, en adaptant leur présentation au contexte et aux besoins des différents utilisateurs, notamment des décideurs ;
- porter un jugement critique sur l'utilisation de solutions d'IA dans un contexte de gestion, en mettant en relation leurs performances techniques avec leur pertinence et leur valeur pour le problème métier considéré.
Savoirs et compétences prérequis
Bases d'optimisation sous contraintes, de probabilités et d'inférence statistique. Equivalent au contenu des cours : MATH0059-2 Mathématiques pour ingénieurs de gestion, STAT1208-2 Probabilités et inférence statistique.
Activités d'apprentissage prévues et méthodes d'enseignement
Combinaison d'activités d'apprentissage en présentiel et en distanciel
Informations complémentaires:
Méthodologie utilisée
A3. Analyse d'un problème pratique par chaque groupe d'étudiants (en partie encadrée par le professeur).
A4. Synthèses critiques de recherches, de lectures et/ou d'applications pratiques menées par chaque groupe d'étudiants. Chaque étudiant présente ses résultats propres et ensuite, chaque groupe présente ses critiques, comparaisons de méthodes et éventuels autres résultats obtenus. Lors de sa présentation, chaque groupe est invité
1) à exposer clairement le problème d'intérêt dans son contexte et les méthodes existantes pour le résoudre,
2) à critiquer ces méthodes et justifier le choix d'une ou plusieurs d'entre elles dans un contexte particulier.
Planification
Les quelques premières heures, le professeur présente les différents problèmes d'intérêt assortis des notions nécessaires à leur compréhension. Les étudiants (en groupes) reçoivent alors un problème et ils tentent de le comprendre d'une part grâce à une recherche bibliographique personnelle (en concertation avec leur groupe -recherche bibliographique partagée-) et d'autre part grâce aux cours et/ou discussions menées les semaines suivantes. Les séances sont en effet conçues pour à la fois suivre chaque groupe dans son travail et d'autre part permettre une compréhension générale des travaux des autres groupes. Après quelques semaines, les étudiants et l'équipe enseignante se réunissent pour effectuer un état d'avancement et définir les étapes suivantes du travail. Les étudiants préparent alors un présentation du problème abordé et écrivent un rapport pour la période d'évaluations qui suit le cours.
Répartition de la charge de travail étudiant
A1 Cours 24h
A3 Analyse du problème 65h
A3 Etat d'avancement, réunions 10h
A4 Rapport 15h
A4 Présentations 6h
Mode d'enseignement (présentiel, à distance, hybride)
Combinaison d'activités d'apprentissage en présentiel et en distanciel
Supports de cours, lectures obligatoires ou recommandées
Plate-forme(s) utilisée(s) pour les supports de cours :
- LOL@
Informations complémentaires:
Voir vidéos, codes et documents sur Lol@
Modalités d'évaluation et critères
Travail à rendre - rapport
Evaluation continue
Interrogation(s) hors session
Informations complémentaires:
Informations complémentaires:
Outils d'évaluation, critères d'évaluation et pondération
E4. Rapport final (20% de la note finale, évaluation commune)
L'évaluation se base sur la capacité à synthétiser clairement et à critiquer les résultats.
E4. Présentation orale (70% de la note finale, 10% commune-)
1. Qualité de la présentation :
qualité des transparents (10%, commune)
démarche scientifique (20%) et
qualité des explications (20%).
Les étudiants doivent identifier et présenter leur propre travail.
2. Défense du travail : réponses aux critiques du professeur (20%).
E4. Participation critique aux cours, qualité des questions posées (10%, évaluation individuelle)
Pondération relative de l'évaluation individuelle : 70%
Calendrier des évaluations
Le rapport doit être remis au professeur avant la période d'évaluations qui suit le cours. La présentation orale se déroule si possible habituellement durant les heures prévues pour le cours.
Stage(s)
Remarques organisationnelles et modifications principales apportées au cours
Langue d'enseignement : anglais
Contacts
Cédric HEUCHENNE, HEC Liège, Bât N1a, local 309, email: C.Heuchenne@uliege.be