Objectifs de la formation

• Construire une feuille de route de l’acculturation à la donnée autour d’exercices pratiques

• Expliquer l’organisation, les métiers, et rendre concrets des sujets tels que la gouvernance ou la qualité

• Collecter auprès des utilisateurs leurs forces et leurs craintes pour mieux les accompagner

• A la fin de la formation, les participants seront capables d’expliquer en une minute les enjeux de la culture data pour eux et pour leur entreprise

Informations Pratiques

• Séminaire réalisé uniquement en présentiel, et en intra-entreprise, afin de le personnaliser par rapport aux particularités de chacun

• Durée : 1 journée + ateliers éventuels

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

EXPLIQUER LES ENJEUX DE LA DONNÉE : LA “DATA LITERACY”

• Qu’est-ce qu’une donnée, une information, une méta donnée ? Quels types de données existent ? Découvrir des données que l’on n’imaginait pas, et leur valeur pour l’entreprise. Évaluer la maturité donnée de mon entreprise.

• Autoévaluation : ce que je comprends des données et de leurs enjeux.

• Le rôle de la gouvernance dans l’acculturation à la donnée.

• Comment présenter l’organisation data de l’entreprise, et ses rôles, CDO, Data Steward, Data Scientist.

• La donnée, un enjeu personnel et professionnel : les données personnelles et comment elles sont protégées.

• Les enjeux de la donnée pour la Société et pour l’environnement : comment sensibiliser à une gestion responsable des actifs informationnels.

• Atelier en équipe : Prendre conscience des enjeux autour d’exemples de données réelles

ACCÉDER, ÉVALUER, TRANSFORMER ET UTILISER LA DONNÉE

• Le cycle de vie de la donnée

• Evaluer l’utilité d’une donnée par rapport à un besoin

• Dialoguer avec le producteur de la donnée pour comprendre les attentes et les contraintes de chacun

• Découvrir des outils simples mais sécurisés pour adapter les données : il y a beaucoup mieux que Excel !

• Les miracles et les limites de l’intelligence artificielle : savoir l’utiliser et s’en méfier

LA QUALITÉ DE LA DONNÉE, UN SUJET CENTRAL POUR TOUS, PRODUCTEURS ET UTILISATEURS DE DONNÉES

• Expliquons pourquoi la qualité d’une donnée dépend de son usage.

• Mesurer, détecter et corriger les données de qualité insuffisante : motiver tout le monde pour atteindre cet objectif.

• Faire adhérer les utilisateurs au programme d’amélioration de la qualité des données : atelier en équipe autour de données réelles dont chaque groupe doit comprendre les origines de la non-qualité.

SÉCURITÉ ET CONFORMITÉ : DEUX SUJETS UN PEU RÉBARBATIFS, MAIS Ô COMBIEN IMPORTANTS !

• La data est un actif : il est convoité, et peut s’envoler rapidement. Sa protection quotidienne est l’affaire de tous !

• Etre conforme c’est respecter l’ensemble des lois (RGPD), règles, et décisions éthiques : chacun doit en prendre conscience.

• Quizz conformité et sécurité, pour sensibiliser à des situations quotidiennes où la donnée est en danger.

PASSER DE L’EXPLICATION À LA MISE EN PRATIQUE QUOTIDIENNE

• Construire un parcours d’ateliers de sensibilisation auprès des métiers : prioriser les actions, mesurer les objectifs, construire son tableau de bord d’amélioration continue (définir ses KPI d’acculturation à la data)..

• Impliquer les autres acteurs de l’entreprise : DPO, RSSI, DRH, Communication…

• Aligner les sujets : architecture informatique, gouvernance, sécurité et conformité, par rapport à la stratégie de la direction générale.

• Autoévaluation : évaluer la compréhension des enjeux et identifier les futurs points de blocage des participants

• Pitch : en une minute, la culture des données pour vous, c’est quoi ?

Objectifs de la formation

• Aligner la gouvernance des données et des informations, avec les autres formes de gouvernance (SI, d’entreprise, de sécurité…). Définir les équipes, fonctions et processus de travail. Combiner gouvernance du SI et gouvernance des données;

• Cartographier les données métiers, mettre en place un catalogue partagé des actifs informationnels.

• Améliorer en continu la qualité des données, pour l’adapter aux usages. Mettre en place une gestion des données de référence (MDM);

• S’assurer de la conformité des données de toute l’organisation aux règles externes (RGPD, Data Act…), et internes (éthique).

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 3 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

1ère partie : enjeux et perspectives : aligner les gouvernances

• Les enjeux de la gouvernance au service de l’économie des données

  • Le monde de la donnée, des infocentres au big data

  • Typologie des données, structurées et non-structurées

  • Passer du coût de la donnée, à la valeur de la donnée

  • Particularités des données destinées à l'entraînement des modèles d’intelligence artificielle

• Gouvernance des données, gouvernance des informations

  • Les « régimes » de gouvernance d’entreprise : centralisation, fédéralisme…, comment choisir ?

  • Aligner les démarches de « gouvernance du système d’information » et de « gouvernance des données »

  • Approches académiques et théoriques existantes de la gouvernance des SI (TOGAF, COBIT, ITIL, DMBOK..)

  • Transférer la gouvernance des données aux métiers : pourquoi et comment

  • La future norme ISO 24143

2ème partie : Mise en place des équipes, et architectures

• Équipes, personnes, rôles et fonctions de la gouvernance, de la qualité et de la conformité des données

  • Les métiers de la gouvernance des données : Chief Data Officer (CDO), data steward, data owner, data product manager, data custodian, data compliance manager, DPO…

  • Comité de gouvernance des données : organisation et composition, mode de fonctionnement, la charte de gouvernance des données

• Les architectures de données et leurs liens avec le choix d’un régime de gouvernance

  • Concept de gravité des données vs gravité des applications : architecture applicative ou architecture de données ?

  • Architecture centralisée : construire une plateforme de données autour du data warehouse et du data lake

  • Architecture fédéralisée : passer du data warehouse au data mesh

  • Impact des choix d’architecture sur la disponibilité et le partage de l’information

  • La place du cloud computing dans les architectures de données

  • Contraintes liées au transfert des données depuis/vers le cloud

  • Impact du développement du low-code / no-code sur la répartition des rôles

• Conduire le projet « Gouvernance des données »

  • Définir le périmètre global, identifier les priorités, planifier et démarrer les ateliers de gouvernance

  • Mettre en place les indicateurs et le tableau de bord

3ème partie : Catalogue de données

• Créer un dictionnaire-référentiel des données orienté métiers

  • Cartographier données, personnes et processus

  • Modéliser les données au travers des processus métiers (du Domain Driven Design au Data Mesh)

  • Élaborer à partir d’un modèle sa fiche de référentiel et animer les ateliers de cartographie

  • Étude de cas : comparaison des fiches réalisées par plusieurs entreprises

  • Encadrer les relations producteurs - consommateurs de données avec des contrats de données (Data Contracts)

• Valorisation des données - Mettre en place des métriques de valorisation

  • Normes IAS vs normes françaises : travaux en cours

  • Data as a Product : comment les métiers doivent percevoir leurs données

  • Comment référencer les données ouvertes (Open Data)

• Solutions tactiques pour obtenir un premier retour sur investissement

  • Une base de données graph pour formaliser son catalogue de données

  • Utiliser l’Intelligence Artificielle Générative pour accélérer certaines étapes

• Panorama comparatif des principaux outils du marché : Collibra, Alation, Castor, Data Galaxy, Atlan, Magda, Microsoft PureView…

4ème partie : Démarche qualité, critères et indicateurs

• Impact de la qualité des données sur les performances

• Construisez le tableau de bord de la santé de vos données - L’observabilité des données

• Les 15 indicateurs principaux de mesure de la qualité

• Lien entre qualité des données et gouvernance : le rôle du data steward

• Le projet « qualité des données » en 10 étapes

• Quelles tâches liées à la qualité des données peuvent être automatisées - le rôle de l’Intelligence Artificielle

• Panorama et comparatif des principaux outils de gestion de la qualité des données

5ème partie : Master Data Management (MDM)

• Enjeux et ROI d’un projet MDM

  • Définition, sélection et synchronisation des données maîtres

  • Le MDM, principal outil d’obtention d’un ROI rapide de la gouvernance des données

• Comparaison des architectures MDM : Consolidée unique, consolidée avec références multiples, décentralisée, virtualisée

  • Combiner MDM et Product Information Management (PIM)

  • MDM et catalogue de données – quelles différences ?

• Panorama et comparatif des principaux outils de gestion des données de référence

6ème partie : Conformité

• Conformités

  • Impliquer le DPO dans la gouvernance des données

  • Les conformités sectorielles : banques, assurances, secteur public, données de santé…

  • Conformité et sécurité informatique : réduire les risques pesant sur les données

  • Disponibilité et résilience : aligner PCA (Plan de Continuité d’Activité) et gouvernance des données

  • Le rôle de la gouvernance dans la recherche de sobriété numérique

• Les législations européennes et américaines, en cours et à venir : Data Governance Act, Data Act, CSRD…

• Panorama et comparatif des principaux outils de suivi de la conformité des données

Conclusion et synthèse

• Améliorer l’alphabétisation à la donnée de l’ensemble de l’entreprise

• Erreurs à éviter, meilleures pratiques : partage d’expériences entre les participants

Objectifs de la formation

• Acquérir la boîte à outils nécessaire pour prendre ses nouvelles fonctions

• Comprendre le métier de data steward et sa place dans l’organisation de la gouvernance des données : ses compétences, ses savoir-faire

• Décrire les rôles et responsabilités attribuées au data steward, et établir sa fiche de poste; les outils du data steward

• Etablir son plan de travail, le tableau de bord de son activité, et évaluer l’atteinte des objectifs

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 1 jour (formation réservée aux participants ayant déjà suivi une formation générale sur la gouvernance des données orientée métiers)

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

Le Data Steward, cheville ouvrière de la gouvernance des informations

• Rappel des grands principes de la gouvernance des données (Connaissance, Qualité et Conformité), et du rôle du data steward dans leur application

• Définition et contours du métier de data steward : ses objectifs, ses méthodes

• Intégration du data steward au sein de l’équipe data : comité de gouvernance, relations avec le data office et son Chief Data Officer, relations avec les équipes informatiques, relations avec les équipes métiers

• Différence entre data steward, data owner, data quality manager, data analyst, data architect…

• Les principaux types de data steward : Métiers, Techniques, Projets, Opérationnels

Les rôles et responsabilités du data steward

• Position du data steward dans l’organigramme : options possibles, conséquences organisationnelles et politiques

• Fiche de poste, compétences métiers et techniques nécessaires, qualités requises : analyses de fiches de postes de data steward dans différentes industries

• Communiquer en interne et recueillir l’adhésion de tous

• Formation du data steward : comment le devenir, comment se maintenir à jour

Comment commencer comme data steward : premières étapes

• Auditer l’existant : données, métadonnées, processus, outils…

• Description des tâches à réaliser, priorisation et plan de marche : le “projet” du data steward

• Définition de l’ontologie de l’entreprise : liens avec les schémas directeurs organisationnels

• Documentation de chacune des étapes : les livrables

• Définir et limiter son domaine d’action : mettre en place des indicateurs de performance propres

• Structurer les relations avec les parties prenantes : data office, DPO, responsables métiers

• Mettre en place un système de suivi des tâches (ticketing)

• Plan de communication interne

• La journée type du data steward : organiser ses tâches

Les domaines d’intervention du data steward

• Le rôle du data steward dans :

  • la diffusion de la culture data dans l’entreprise

  • la définition des architectures data

  • l’amélioration de la qualité des données : Plan d’action en 10 étapes et livrables

  • l’amélioration de la qualité des métadonnées

  • la création et la mise à jour des données de référence

  • la conformité réglementaire (RGPD et autres)

  • la sécurité des données et des systèmes

• Gouverner vos données par domaine métier (Domain Driven Design) : le rôle du data steward dans une architecture Data Mesh

• Le rôle du data steward dans la valorisation et la monétisation des données

• Exemples d’interventions de data stewards dans différentes industries

Les outils du data steward

• L’ontologie et le glossaire métier

• Son implication dans la mise en place du catalogue de données

• Son implication dans la mise en place d’une gestion des données de référence (MDM)

• Son implication dans le contrôle de la conformité et ses relations avec le DPO

• Mise en place de Data Contracts et de Data Products

• Mettre en place un portail dédié aux actions du data steward

• Communiquer au travers d’un Wiki dédié

Mesurer les performances du data steward

• Ses indicateurs clefs de performance, ses indicateurs opérationnels

• Son tableau de bord

• Mesurer la maturité de votre programme de gouvernance : le Data Stewardship Maturity Model (DSMM) et ses 5 niveaux

• Perspectives d’évolution

Objectifs de la formation

• Connaître les lois et règlements qui encadreront le développement de l’IA

• Elaborer sa feuille de route de la gouvernance de l’IA

• Identifier et tempérer les risques liés aux données, aux algorithmes et aux usages

• Préparer un cadre d’audit, documenté et outillé

Informations Pratiques

• Séminaire également proposé via le catalogue Acadys

• Durée : 2 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

Les concepts clés et comment les connecter

• Les différentes formes de gouvernance : gouvernance d’entreprise, gouvernance du système d’information, gouvernance des données…

• L’intelligence artificielle et ses applications : IA générative, Apprentissage Machine, Apprentissage Profond…

• Quels sont les liens existants entre gouvernance de l’IA et les autres formes de gouvernance

Identifier les risques

• Cartographier les risques

• Les risques liés aux données (erreurs, copyright, représentativité)

• Les risques liés aux algorithmes

• Les risques liés aux usages (Deepfake

• Que sont les biais (cognitifs et algorithmiques), les hallucinations, les discriminations : comment les évaluer et mesurer leur impact

• Les IA sous le prisme de la justice sociale

• Les risques spécifiques à l’utilisation de l’IA pour créer du code informatique

• Etudes de cas : lorsque le risque s’est transformé en crise de communication

Cadres règlementaires, normatifs et réflexions éthiques

• Aperçu des régulations internationales et spécificités régionales : USA, Charte de Montréal, AI Act

• Les règles sur les marchés de données : alimenter ses modèles d’IA

• Comparatif des initiatives réglementaires européennes (AI Act) et américaines

• La position de la France

• Les autorités à connaitre : AI Board, AI Office et ses autorités nationales

• La norme ISO 42001 : se préparer à son application

• Etudes de cas : régulation vs innovation, comment préserver les deux approches

Elaboration d’une feuille de route de gouvernance de l’IA

• Cartographie des systèmes et initiatives d’IA dans votre entreprise : classification par niveau de risque

• Identification des acteurs clefs et de leurs rôles : CDO, Data Scientist, Data Governance Officer, Data Steward, Data Product Manager, Data Owner, Compliance Manager, DPO…

• Le rôle des départements juridiques, audit, conformité

• Comment intégrer ces compétences dans un comité de gouvernance de l’IA

• Fusionner ou séparer gouvernance de l’IA et gouvernance de l’information

• Formalisation de la politique de gouvernance des algorithmes : les 10 étapes de la mise en conformité

• Alignement de la gouvernance de l’IA avec la gouvernance d’entreprise

• Etudes de cas : présentation des stratégies déjà élaborées par certains groupes

Les données

• Connecter la gouvernance de l’IA et le catalogue de données

• Modéliser son catalogue des données d'entraînement en YAML

• Cataloguer les algorithmes (en YAML) et les relier au catalogue des données

• Mesurer la qualité des données et son impact sur l’exécution des modèles

• Les données synthétiques sont-elles une solution ?

• Etudes de cas en équipe : concevoir une ébauche de stratégie de gouvernance IA par rapport à un cas fictif

• Echanges et discussions autour des stratégies élaborées en équipe

L’éthique

• Les principes éthiques : justice, équité, transparence, non-discrimination, responsabilité sociale et environnementale, inclusion, solidarité, respect, prudence…

• Ethique et international : comparer et adapter aux différences culturelles

• IA verte et IA décarbonnée : est-ce réaliste ?

• Mesurer l’éthique : cadre de référence

• Risques et solutions pour respecter les principes éthiques dans les développements de l’IA

Les modèles d’IA : transparence, explicabilité et confiance

• Benchmarker les modèles : méthodes et outils - Concept d’AI Observability

• Documenter les modèles (données, limites, hypothèses, apprentissage…)

• Modèles d’IA et cybersécurité : points de vigilance

• Techniques pour mesurer et améliorer l’explicabilité et la transparence

• Construire des “bacs à sable” pour tester sa conformité

• Passer d’une validation initiale à une validation continue : méthodologie et livrables

• Comment construire la confiance (tout en mesurant le risque) auprès des utilisateurs et des parties prenantes

Audit et responsabilisation

• La confiance n’exclut pas le contrôle… quels outils pour mesurer le respect des normes : audit interne ou audit externe

• Auditer ses systèmes d’IA : surveillance humaine, méthodes, cadre d’audit, outils et tableaux de bord

• Se préparer aux futures certifications : modèle de conformité et évaluation

• Etude de cas : simulation d’un audit sur un cas pratique

Conclusion et réflexions

• Au-delà de l’IA, comment instaurer la gouvernance dans la prise de décision automatisée

• L’impact de l’IA sur notre société : éducation, connaissance, alimentation en boucle des modèles

• Demain des modèles d’IA dotés de conscience ? Quels impacts ?

• IA et travail : comment impliquer les ressources humaines dans la gouvernance des impacts sur le travail et son organisation

Objectifs de la formation

• Comprendre le métier d’architecte de données : ses liens avec le Data Office et avec l’équipe informatique, son rôle dans la mise en place d’une gouvernance, et dans le respect des conformités

• Comparer les données, les traitements, les modèles et les architectures de données : de l’entrepôt de données à la modern data stack

• Détailler chaque schéma d’architecture, les formes de modélisation adaptées, les outils qui le composent, et l’illustrer d’une étude de cas

• Comprendre l’ensemble du cycle de vie des données, connaître et choisir les outils qui interviennent à chaque étape

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 3 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

1ère partie : Architectures et architectes

• Le métier d’architecte de données

  • Liste de ses tâches – Fiches de postes

  • Les différents « architectes » (applications, données, système, technique, informatique, d’entreprise…)

• Points d’interaction avec les autres métiers du Data Office (CDO…)

• De l’application à la donnée : la Data Gravity

• Les livrables

2ème partie : Typologie et formats de données

• Carte mentale des données d’entreprise

• Matrice multidimensionnelle de classement des types de données

  • Structure, accessibilité (ouvertes, lisibles, chiffrées, anonymisées…), origine (données métiers, données techniques), température de stockage (froides, tièdes, chaudes), utilisation

  • Les métadonnées derrière chaque donnée (de structure, d’exécution)

• Cycle de vie de la donnée, traitements et outils

• Rôle du catalogue de données

3ème partie : Modélisation des données

• Modélisation vs non-modélisation

• Les formes de modélisation : Relationnelle, Graphe, Multidimensionnelle, Colonnes, Documents, Clefs-valeurs

• Domain Driven Design (DDD)

4ème partie : Cas d’applications et architectures types

Pour chacun des modèles ci-dessous, détaillons schéma d’architecture, technologies utilisées, cas d’application, et avantages / inconvénients de chaque architecture.

• Architecture d’un système opérationnel centralisé vs fédéralisé - le Domain Driven Design

• Architecture d’un système décisionnel centralisé (autour d’un data warehouse)

• Architecture d’un système de type Data Vault

• Architecture d’un système décisionnel orienté métiers - le Data Mesh

• Architecture d’un système Big Data autour du Data Lake

• Architecture de préparation des données pour l’Intelligence Artificielle (Machine Learning et IA générative)

  • Identification, traitement et stockage des données d'entraînement

• Architecture globale d’un plate-forme de données (Data Hub, Data Fabric…) sous plusieurs variantes

  • Modern Data Stack : composants et positionnement

• Architecture globale d’une plateforme IoT (Internet des Objets)

5ème partie : Architectures matérielles

• Les serveurs dédiés au stockage de données

  • Les puces GPU pour le calcul, DPU (Data Processing Unit) et IPU (Infrastructure Processing Unit), les grappes de données (clusters)

• Panorama des solutions cloud de plateformes de données

  • Stockage et conformité : La notion de « cloud souverain »

  • Cloud, on-premise, hybride, ou edge

• Mapper schéma d’architecture et choix d’hébergement

• Température des données

  • Les principales technologies (mémoire, disque SSD, disque dur, Hadoop, Amazon Glacier…) et automatisation des mouvements de données en fonction de leur température

• Stratégies de sauvegarde et restauration

• Sécurité des données (physique et logicielle)

  • Sécurité des données et des transactions : Chiffrement, Authentification, Autorisations, Gestion des accès à privilèges

  • Gestion d’une sécurité de bout en bout

6ème partie : Architectures logicielles

• Panorama des bases de données opérationnelles et décisionnelles

  • Bases de données graphes (Neo4j) et in-memory

  • Plateformes combinant plusieurs types de données (Snowflake, Databricks…)

  • Impact du Low-code / No-Code

  • Bases de données partagées – Database as a Service (DBaaS)

  • Virtualisation des données (Denodo, TIBCO, Informatica…)

• Les architectures d’alimentation :

  • ETL vs ELT, ESB (Enterprise Service Bus), CDC (Change Data Capture), API (Interfaces de Programmation d’Applications)

    • Passer du traitement par lots aux flux de données en temps réel

    • Le cas des objets connectés (IoT)

  • Intégrité, consistance et gestion des versions

• Gestion des données de référence – Master Data Management (MDM)

  • Sélectionner ses données de référence

  • Les collecter, les stocker, et les exposer

  • Panorama des solutions de Master Data Management

• La Business Intelligence (BI)

  • Du reporting à la BI en libre-service

  • Prévenir, identifier, traiter et intégrer l’informatique fantôme (Shadow IT)

• Notion de disponibilité

  • Répartition, affectation de quotas, priorisation de services, équilibrage automatique…

  • Bâtir un contrat de service (SLA) interne - Data Mesh et Data Contracts

• Mise en production : du DevOps au DataGovSecOps…

7ème partie : Architectures de service

• Formes d’hébergement et solutions du marché (Amazon S3, Google Cloud Platform, Microsoft Azure…)

• Migrer ses données vers le cloud – solutions logicielles et matérielles (Amazon Snowball…)

• Critères de choix d’un prestataire

• Dans quels cas rester hébergé en interne

8ème partie : Gouvernance des données

• Pas de gouvernance sans métadonnées

9ème partie : coûts et retour sur investissement (ROI)

• Budgétisation et mesure des coûts d’un hébergement hybride

• Le Finops, contrôleur de gestion de l’architecture de données

• Impact de l’architecture sur la valorisation des données : outils de mesure

• Participation au reporting CSRD (Comptabilité carbone)

10ème partie : Réglementaire, normes et conformité

• Sur quelles normes s’appuyer pour construire son architecture de données

  • DMBOK, le travail de l’association DAMA, Cobit 2019, ISO 24143 - la norme de gouvernance en devenir, ISO 8000 - Qualité des données…

• Contraintes règlementaires applicables aux architectures de données

  • Sécurité : prévention des pertes / vols de données

  • Data Act, Digital Act, Data Governance Act… réglementations européennes actuelles et futures

• Focus RGPD

  • Place du registre des traitements dans l’architecture

  • Position et gestion de la base des consentements

Objectifs de la formation

• Comprendre les concepts de Domain Driven Design, Data Mesh, Data as a Product, et Data Contracts; Aligner ces concepts avec la gouvernance des données

• Découvrir les premiers retours d’expériences d’entreprise ayant choisi une architecture Data Mesh

• Construire sa feuille de route, lister et prioriser les tâches à réaliser, identifier les équipes à impliquer; intégrer le data mesh dans l’existant informatique de l’entreprise

• Identifier et choisir les outils informatiques utiles dans une démarche Data Mesh

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 2 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

Replacer le data mesh dans le contexte des architectures de données

• Pourquoi est-on arrivé aux limites du couple data warehouse - data lake

• Comment ont évolué les organisations, du paternalisme au managérisme

• De l’entreprise centralisée à l’entreprise fédérale

• Comparaison des architectures : Data Lake, Lakehouse, Data Fabric, Data Hub…

• Le rôle croissant des métiers dans l’organisation : sa traduction en termes de développements informatiques, le Domain Driven Design (DDD)

• Evaluer la maturité de votre organisation face au Data Mesh : mise en place d’une matrice de mesure

• Identifier les domaines métiers à prioriser

Le Data Mesh et sa proposition de valeur

• Les 4 grands principes du Data Mesh

  • Responsabilisation des métiers

  • Data Product

  • Plateforme libre-service de données

  • Gouvernance fédérée

• Le data mesh appliqué aux données opérationnelles, et aux données analytiques

• La responsabilisation des métiers

  • Application du Domain Driven Design aux données

  • Embarquez les data owners pour valoriser leur travail

  • Comment passer de la gouvernance actuelle à une gouvernance orientée métiers

  • Impacts sur l’implémentation

• Les Data Products

  • Appliquer la démarche de création de produits et services aux données

  • Créer et formaliser les schémas des Data Products

  • Contractualiser les Data Products : les data contracts et leurs outils

  • Le rôle du Data Contract dans l’amélioration de la qualité des données

  • Utilisation de Data Contracts Studio

  • Comment implémenter les Data Products dans l’organisation

  • Conduite du changement : passer à une culture “Confiance Vérifiée” de la consommation de la donnée

• Mettre en place une plateforme de données en libre-service

  • Industrialiser les Data Products

  • Construire une matrice Domaines Métiers / Centralisation Technique et répartir les rôles entre l’informatique et les métiers

  • Le rôle du Data Steward dans la mise en place du Data Mesh

• Passer d’une gouvernance des données centralisée (ou absente) à une gouvernance fédérale

  • Répartir les rôles et responsabilités entre les métiers, le data office et l’informatique

  • Faire cohabiter le Data Mesh et la gestion des données de référence (MDM)

  • Equilibrer les contraintes entre l’autonomie des métiers et l’interopérabilité globale du système

  • Coder les différents éléments de la gouvernance : les standards, les règles, les tests, les indicateurs

L’architecture Data Mesh

• Quel plan de marche pour débuter un projet Data Mesh en un mois

• Le Data Mesh est une organisation, pas une architecture clef en main

  • L’architecture logique

  • L’architecture technique

• Comment définir l’architecture d’un Data Product : Collecter, Transformer / Préparer, et Consommer les jeux de données

• Aligner les besoins des consommateurs et les contraintes des producteurs de données : les ateliers de co-création des Data Products, la formalisation des Data Contracts

• Publier et partager les Data Products : maximiser l’interopérabilité

• Garantir la compatibilité ascendante des Data Products

• Observer et contrôler le cycle de vie des Data Products

• Respecter les règles de conformité (RGPD et autres)

• Stratégie et exécution du projet Data Mesh : plan de marche, personnes à impliquer, rôles, charge de travail, budget initial, budget de fonctionnement

Les outils du Data Mesh

• Le Data Mesh : en interne ou en cloud - avantages et inconvénients des différentes solutions

• Construire un Data Mesh basé sur les événements - Change Data Capture (CDC) et Data Mesh : les outils de création des pipelines de données

• Les solutions spécialisées : Nextdata, Starburst, Snowflake, Databricks, Denodo…

• Les briques à assembler : Estuary Flow, K2view…

• Les solutions open source : Dremio, Apache…

• Les architectures complémentaires : Edge, micro-bases de données, etc.

• Sécurité et conformité de l’architecture

Retours d’expériences

• Les premières entreprises à avoir mis en place une démarche Data Mesh

• Difficultés rencontrées, et comment les contourner

• Bénéfices obtenus, et comment les mesurer

• Déployer votre premier MVP Data Mesh dans toute l’entreprise

• Impact de la mise en oeuvre du Data Mesh sur l’acculturation à la donnée dans l’entreprise

Objectifs de la formation

• Connaître la chaîne de valeur, et les métiers d’un système décisionnel, de la collecte-alimentation des données, au stockage, puis à leur visualisation

• Construire une architecture de données (data warehouse, data lake, data mesh, modern data stack) compatible avec l’organisation de l’entreprise tout en respectant la gouvernance

• Découvrir l’état de l’art de l’analyse prédictive (Intelligence Artificielle) et de l’automatisation au travers d’études de cas

• Repartir avec une méthodologie pratique de conception, modélisation, et mise en œuvre adaptée à vos enjeux de performance

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 3 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

1ère partie – Du Décisionnel au Big Data

• L’impact de l’économie des données sur le système décisionnel : une opportunité de création de valeur

• Big Data : révolution ou évolution

• De la BI à la Data Science : données In-Memory, temps réel, Embedded BI, NoSQL, Internet des objets, Intelligence augmentée…

• Études de cas : valeur créée et impact sur les modèles d’affaires

2ème partie – Nouvelle architecture du Système d’Information décisionnel (SID)

• Du reporting à la Business Process Intelligence

  • Idéation : embarquer les métiers et l’informatique dans le projet décisionnel

  • De la Business Intelligence à la Business Analytics

  • Faire évoluer les Data Marts existants vers un système centralisé

  • Intégrer la confidentialité des données personnelles et les contraintes du RGPD dès la conception

• L’architecture d’un système décisionnel

  • Modèle centralisé ou fédéral : choix technique et de gouvernance

  • Augmenter l’autonomie des métiers : concept de « Domain Driven Design » (DDS) et de « Data as a Product » (DaaP)

  • Sécurité et confidentialité des données

• Les principaux schémas d’architecture d’un SID

  • Architecture centralisée autour du data warehouse, du data lake, du “lakehouse”

  • Gouvernance décentralisée : le data mesh

3ème partie – Plate-forme Data

• Outils d’intégration de données

  • Fonctionnalités attendues d’un logiciel ETL (Extract, Transform, Load) ou ELT

  • Changed Data Capture (CDC) et collecte en temps réel

  • Panorama des offres ETL/ELT : Informatica, IBM Datastage, Microsoft SSIS, Talend, etc.

  • Les nouveaux outils de préparation de données (Talend Data Preparation, Tableau Prep, Qlik, Trifacta…)

• Stockage des données structurées et non structurées

  • Architectures techniques : on-premise, cloud, in-memory, edge computing…

  • Panorama des offres : Oracle, IBM, Teradata, SAP, Microsoft et les nouveaux entrants.

  • Différence et complémentarité entre Data Lake et Data Warehouse

  • Bases NoSQL : Panorama (MongoDB, MarkLogic, Cassandra, ElasticSearch…)

  • Bases graphes : usages et technologies (Neo4j)

  • Hadoop / MapReduce

• Restitution

  • Outils traditionnels.

    • Query et Reporting, Ad Hoc Analysis, Cubes OLAP,…

    • Positionnement des offres : SAP Business Objects, IBM Cognos, Microstrategy, Information Builders…

  • Outils de BI agile / Self service BI

    • Positionnement des offres : Tableau, Qlik, TIBCO Spotfire, Microsoft PowerBI, Domo…

    • Shadow IT dans le décisionnel

    • Mise en place d’un CCBI (Centre de Compétences en BI).

  • Modern Data Stack

    • Concepts de la Modern Data Stack : quelles différences réelles ?

    • Panorama des outils : Fivetran, Dbt, Snowflake, DataBricks Looker, Apache AirFlow, Amazon Redshift, Google BigQuery…

4ème partie – Modéliser les informations destinées à l’aide à la décision

• Objectifs de la modélisation : est-ce encore utile ?

• Modélisation en étoile / flocon

• Garantir la fiabilité des consolidations (DQM).

  • Les référentiels et la stabilité historique du périmètre – Master Data Management (MDM).

5ème partie – Le portail décisionnel

• Les interfaces pour « exposer » l’information décisionnelle ?

• Data Visualization

  • Panorama des principaux graphiques que vous ne connaissez pas encore

  • Raconter l’histoire de ses données, le Data Storytelling

• Intégration du portail décisionnel au portail d’entreprise

• Monétiser ses données vs Open Data

6ème partie – De l’intelligence artificielle à l’intelligence augmentée

• Qu’est-ce que l’intelligence augmentée et l’automatisation des processus décisionnels : machine learning, deep learning, predictive analytics, Generative Artificial Intelligence…

• Construction de la matrice d’apprentissage, choix des méthodes et des algorithmes

• Focus sur l’Intelligence Artificielle Générative (IAG)

7ème partie – MDM et Gouvernance : comment les intégrer dans le projet décisionnel

• Gouvernance des données et catalogue des données

• Le Master Data Management

  • Data Quality Management (DQM) et Master Data Management (MDM)

  • Étude de cas : Utiliser une base de données graphes pour cartographier les données de référence.

• Conformité

  • Le RGPD, et son impact sur le projet décisionnel – collaboration avec le DPO

  • Autres règles de conformité en cours de déploiement (spécifiques à un secteur, Digital Services Act (DSA), Digital Market Act (DMA), Norme ISO 24143…)

8ème partie – La mise en œuvre du projet décisionnel

• Étude préalable

  • Facteurs clés du succès d’un Système d’Information Décisionnel

  • Acculturation à la données : Impliquer les directions générales et les utilisateurs

• Groupe de projet

  • Acteurs, rôles et livrables - Sous-traitance : quoi, quand, comment ?

• De l’expression des besoins à la modélisation

  • Double démarche : prototypage et industrialisation

  • Du Business Model Canvas (BMC) à l’industrialisation : étapes concrètes

• Approche spécifique de la recette

  • Recette du Système Décisionnel : qui impliquer et comment

  • Évaluer le retour sur investissement

• Le déploiement au-delà du projet pilote

  • Industrialisation du système décisionnel (du DevOps au DataOps)

  • Administration, Sécurisation, Mesure des usages et amélioration continue

9ème partie – Valorisation des données

• Méthodes actuelles et futures de valorisation des actifs immatériels : Évaluer la valeur du système décisionnel

• Évaluer l’impact carbone du système décisionnel

Objectifs de la formation

• Comprendre ce que sont les actifs immatériels et pourquoi ils doivent être valorisés : gouvernance et éthique du patrimoine informationnel

• Connaître la place de la valorisation des données et des algorithmes dans les principales normes financières (IAS38 et autres) : la triple comptabilité

• Transformer son Data Office en centre de création de valeur : évaluation, méthodes de calcul, tableaux de bord, cessions d’actifs

• Gérer les relations avec les parties prenantes : auditeurs, commissaires aux comptes, analystes financiers

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 2 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

Pourquoi devons-nous envisager dès aujourd’hui la valorisation du patrimoine immatériel

• Le capital immatériel dans l’évaluation des entreprises de l’économie numérique, et des entreprises innovantes : l’économie de l’immatériel

  • Le concept d’immatérialité

• Transformation digitale et valorisation du capital immatériel

• Comprendre la notion de valeur

• Les limites de l’approche par la valeur

Qu’est-ce que le capital immatériel

• Les parties prenantes dans la création de valeur

• Définition des capitaux humain, organisationnel, des systèmes d’information, du savoir, de marque, partenaire, actionnaire, sociétal, naturel

• Valorisation individuelle de chacun des éléments qui composent le Goodwill

• Le Goodwill devrait-il figurer dans les documents comptables ?

• Les applications du capital immatériel

• Durabilité et création de valeur (ou destruction)

• Détermination de la propriété des données - notion de propriété intellectuelle

Découvrir les normes en vigueur et à venir

• Normes internationales IAS/IFRS : IAS38, une norme assez restrictive pour la valorisation des immobilisations incorporelles

  • Définition, comptabilisation et évaluation

  • Amortissement, dépréciation et durée d’utilité

  • Les livrables à préparer

• Groupes de travail européen et français (EFRAG) : avancement des travaux de normalisation

• Les travaux de la Value Reporting Foundation

• Normes ISO : comment est mentionnée la valeur des données et des algorithmes

• Les initiatives scientifiques et universitaires en cours : tour d’horizon

Mettre en place une triple comptabilité

• Économique, Sociale et Environnementale

• Détermination des trois valeurs de l’entreprise : solide, liquide et gazeuse

• Création d’un compte de résultat et d’un bilan étendus

• La contribution aux calculs des indicateurs extra-financiers (reporting CSRD à partir de 2024-2025)

Comparer les méthodes d’évaluation

• La notation qualitative des actifs immatériels

• Calcul de la valeur des actifs immatériels

  • Les approches patrimoniale, actuarielle, et comparative

  • Modèle de Leontief

  • Méthode Social Return On Investment (SROI)

  • Méthode EVA (Economic Added Value)

  • Calculer la création de valeur d’un projet

• Le concept d’analyse de la valeur appliqué aux actifs immatériels

• Moduler la valeur en fonction des risques

• Etude de cas : comparaison des méthodes de la valeur sociale et économique des activités de divertissement et de sport

• Les bases de données de référence disponibles (TEEB - The Economics of Ecosystems and Biodiversity)

• Calcul de la valeur dans les organisations à but non lucratif, les secteurs publics et les activités non rentables

Valoriser le capital innovation technologique

• Sa couverture : la R&D, les brevets, les secrets de fabrication, les logiciels, les droit d’auteur, les bases de données et de connaissance, les processus métiers, les meilleures pratiques, la chaîne logistique, les outils décisionnels, les algorithmes (robotisation, intelligence artificielle…), les logiciels de production et leurs données (ERP, CRM, SCM…)

• Le capital système d’information

  • Les infrastructures

  • Les applications, processus, et algorithmes - logiciels développés en interne

    • Le cas de l’open source, du SaaS, des progiciels

  • Les données opérationnelles (bases de données et applications)

  • Les données décisionnelles (Data Warehouse, Data Lake, Données métiers, Indicateurs…)

  • Les données archivées - comment évolue leur valeur dans le temps

  • Le cas particulier des données destinées aux modèles d’intelligence artificielle

  • Le cas du cloud computing, et des places de marché : comment valoriser les données en fonction des contrats avec les fournisseurs

• Valorisation de l’intelligence artificielle

  • Valorisation des jeux de données d’entraînement, des modèles, des résultats futurs

• Valorisation des bases documentaires et des bases de connaissance

• Valorisation de la présence en ligne (réseaux sociaux, web, métavers, Web3…) : démarches de certification du trafic web, de la qualité du référencement, etc.

• Les données conformes (RGPD par exemple) prennent de la valeur; les données non conformes augmentent les risques

• Que valent les données ?

  • Caractéristiques économiques des données : ce qu’elle coûte à produire, ce que l’on peut en faire, est fonction de sa rareté

Créer de la valeur en respectant la gouvernance

• L’impact des décisions stratégiques sur la création de valeur

• Le management de l’entreprise par la valeur

• Valorisation des données et conformité : respect de la réglementation (RGPD entre autres) et des choix éthiques

Monétiser les données et les algorithmes

• Les nouveaux modèles économiques basés sur la donnée

  • Déterminer le prix d’une donnée (peut être différent de sa valeur)

• Le Big Data représente-t-il un coût ? Une création de valeur ? Ou un revenu potentiel ?

• Mettre en place une stratégie de monétisation : transformer ses jeux de données en revenu

• Exemples d’entreprises dans plusieurs secteurs d’activité qui ont créé de la valeur monétaire à partir de leurs données

• Les portails de données généralistes ou sectoriels

• Création de Data Spaces à l’intérieur d’un écosystème

• Le cas particulier de l’Open Data

• Les initiatives de reprise de contrôle et de monétisation des données personnelles par les individus

• Et si le Data Office devenait un centre de profit…

Objectifs de la formation

• Découvrir et comprendre les obligations légales, les calendriers, et les implications des réglementations CSRD et ESG

• Identifier les données concernées (production, distribution, administration, informatique…) et mettre en place les outils de mesure

• Inclure les données non financières dans les architectures de données existantes

• Construire et communiquer sur les outils de reporting et d’évaluation des progrès réalisés

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 2 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

Le reporting CSRD, qu’est-ce que c’est ?

• La durabilité : un enjeu de société et une responsabilité de chaque entreprise

• Objectifs de la directive CSRD

• La directive CSRD, cadre d’amélioration de la qualité et de la disponibilité des données ESG

• La double matérialité financière et d’impact

• Trois sujets : Environnement, Social, et Gouvernance

• Quatre dimensions : Gouvernance, Stratégie, Gestion des impacts, risques et opportunités, et Mesures et objectifs de durabilité

• Trois niveaux d’information : Informations communes à tous les secteurs, sectorielles, et propres à une entreprise

• Quelles sont les entreprises concernées : les seuils de franchissement

• Comprendre la notion de “scope” : direct, indirect, induit

• Les échéances de la CSRD, de 2024 à 2029

• L’impact positif de la transparence auprès des salariés, clients, investisseurs, même si la loi ne vous y oblige pas

  • Exemples de communications d’entreprise sur le sujet du développement durable

  • Les risques de non-conformité (amendes, image…)

Les autres normes

• CSRD et ESG : complémentarités et différences

• IFRS S1 et S2 : quantifier les risques et les impacts liés au climat dans les perspectives d’une entreprise

• GRI, SASB, TCFD… comprendre les différentes normes et leur impact

• Se comparer avec d’autres entreprises : le label B Corp, la Banque de France

Planning de préparation à la CSRD

• Vérifier les normes applicables, en fonction du secteur d’activité et de la taille

• Réaliser un diagnostic de mise en conformité

• Collecter les données nécessaires et préparation du rapport

• Faire auditer votre rapport de durabilité

Le rôle central du système d’information dans la collecte et la présentation des données nécessaires au reporting CSRD

• Identifier les personnes en charge de la production du reporting CSRD

• Identifier les données nécessaires à collecter

• Détecter et corriger le “Green Washing”

• Les impacts de la collecte des données “vertes” sur la gouvernance du SI

• Les données en provenance des systèmes industriels et des objets connectés (IoT)

• Big Data et données CSRD : où et comment stocker les données collectées

• Mettre à disposition des personnes en charge de la CSRD les outils de reporting et de visualisation adaptés

Les données de durabilité propres au système d’information

• Où en sont les entreprises en matière d’empreinte environnementale de leur système d’information : le point sur les études et articles de recherche

• Qu’est-ce que le GreenIT ? Est-il un objectif réaliste ?

• Intégrer les critères RSE dans les appels d’offres informatiques

• Anticipation et mesure des choix d’architecture sur l’empreinte carbone

• Mesure et comparaison des solutions internes et des solutions cloud

• Savez-vous que le choix d’un langage de programmation a un impact sur la consommation carbone du logiciel ? C++, Python ou Java ?

• L’empreinte environnementale du stockage de données : comparaison de plusieurs solutions

• Etude de cas : Calcul de l’empreinte carbone de la diffusion de campagnes publicitaires digitales

• L’intelligence artificielle, énorme consommateur de carbone : au travers des données d’apprentissage, des modèles, et des phase d’amélioration - comment la maîtriser

• Comment organiser et mener une démarche de sobriété numérique - choix des indicateurs, tableaux de bord, actions

La mise en place d’une triple comptabilité

• Pas de transition écologique sans une transformation comptable : la comptabilité financière actuelle ignore les ressources vivantes

• Détermination des trois valeurs de l’entreprise : solide, liquide et gazeuse

• Origines et principes de base de la comptabilité carbone

• Inventaires officiels et inventaires volontaires : l’approche “empreinte”

• Inventaire monétaire : quel est le coût d’une tonne de CO2

• Création d’un compte de résultat et d’un bilan étendus

• La contribution aux calculs des indicateurs extra-financiers

• Demain, l’intégration de la triple comptabilité dans les progiciels de gestion (ERP et Finance)

Les outils d’aide à la construction du reporting CSRD

• Les outils de CPM (Corporate Performance Management) : OneStream, CCH Tagetik, Workiva, OneSumX…

• Les outils spécialisés : Greenly, Nicomak, Enablon, Worldly, IBM Carbon Calculator, Alibaba Energy Expert…

• Construire sa propre solution en interne ?

Passer à l’action : le rôle du système d’information dans l’amélioration de la durabilité de l’entreprise et l’atteinte des objectifs

• La transition énergétique exige la transformation numérique

• L’intelligence artificielle utilisée pour diminuer l’impact carbone

Objectifs de la formation

• Comprendre la terminologie (réalité virtuelle et étendue, Informatique Spatiale, Web3, jumeaux numériques, Métavers, NFT), les enjeux et les technologies qui composent ce marché

• Découvrir des dizaines de cas d’usage d’organisations qui sont déjà dans un métavers : ce qu’elles y proposent et dans quel objectif

• Construire une feuille de route, réaliste, valorisée, afin d’accompagner votre entreprise dans ses premiers pas dans les mondes numériques

• Tenir compte des évolutions attendues du point de vue juridique, éthique, de l’impact sur les métiers, et vous positionner professionnellement

Informations Pratiques

• Séminaire également proposé via le catalogue Capgemini Institut

• Durée : 2 jours

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

1ère partie : Découverte des enjeux et des perspectives

• Démonstrations interactives de métavers

• Analyser de manière critique les messages médiatiques : faire la différence entre effet de mode et impact à moyen terme

  • Les raisons pour lesquelles le métavers est une suite logique des développements initiés il y a plusieurs décennies

  • Les risques objectifs qui pourraient freiner ou empêcher son développement

  • Être absent du métavers représente-t-il un risque pour votre organisation ?

• Les réalités augmentées, virtuelles et étendues

  • Casques, objets connectés et autres dispositifs haptiques

  • Différences entre réalité virtuelle (3D immersive) et réalité augmentée (3D plate)

  • Réalité étendue (XR) et Informatique Spatiale

• Les métavers de nouvelle génération

  • Glossaire du métavers, définition des mots-clefs tels que avatars, jumeaux, token, cryptomonnaie, simulations, MMO, univers virtuels…

  • Présentation des travaux de Facebook, Google, Tencent, Amazon… - Enjeux économiques

  • Les nouveaux acteurs (Decentraland, Roblox, The Sandbox…)

  • L’informatique Spatiale sera-t-elle la nouvel interface universelle du web ? Quel rôle jouera l’Apple Vision Pro ?

2ème partie : Les couches technologiques qui composent les mondes virtuels

• Côté serveur : le rôle incontournable du cloud

  • Les outils de développement du métavers

  • L’architecture multicouche d'un métavers

  • Métavers et ultra-big data

  • Métavers et consommation énergétique : un point de vigilance

• Comment développer un monde virtuel : De la 3D plate aux environnements immersifs

  • Quelles grandes entreprises y vont : Facebook, Apple, Nvidia, Niantic, Microsoft, Amazon... qui d'autre ?

  • Le développement des composants du métavers

    • Création de mondes, de scènes, d’avatars, de robots d’accueil, de dialogues…

    • Les outils de développement utilisés : Universal Scene Description (USD), Unity, Get3d (Nvidia), Unreal Engine, WebXR…

  • Les enjeux technologiques : interopérabilité des métavers, adoption (killer app), immersion…

• Budgéter ses premiers pas dans le métavers

• Pourquoi et comment investir

  • Le monde « exponentiel », pourquoi cela ira toujours plus vite que vous ne le pensez

  • Les secteurs économiques qui en bénéficieront en premier; les modèles économiques

  • Trois piliers : métavers, NFT et cryptomonnaies - création d’un nouveau monde économique, que l’on appelle le Web3; le rôle des “metafin”

3ème partie : Panorama des applications et démonstrations préfigurant le métavers – les entreprises qui y sont !

• Démonstrations et études de cas :

  • Dans le commerce de détail : Carrefour, Walmart, Decathlon, L’Oréal, The Conran Shop, Nestlé...

  • Dans le luxe : Bulgari, Gucci, Fred, Vertu, Yves Saint Laurent…

  • Dans la mode : ElevenParis, H&M, Adidas…

  • Dans la banque et l’assurance : BBVA, Signum…

• Les jumeaux numériques (Digital Twins), des laboratoires de R&D au Métavers

  • État de l’art

    • Présentation des premiers jumeaux numériques de l’industrie manufacturière

    • Création de jumeaux numériques dans les services (banques, assurances, télécommunications)

    • Jumeaux numériques pour expérimenter (retail, construction, ville intelligente, services publics)

    • Jumeaux numériques dans la santé, vers le jumeau numérique humain

  • Construction d’un jumeau numérique

    • Les couches logicielles de développement d’un jumeau numérique

    • Les principales plateformes du marché

    • Le rôle de l’open source

  • L’écosystème : investisseurs, éditeurs, prestataires, associations (Digital Twin Consortium)

    • Résoudre l’interopérabilité : est-ce possible ? Le rôle du Metaverse Standards Forum

    • Prochaine étape : les combiner avec le métavers pour interagir avec les prospects, partenaires, distributeurs

4ème partie : Études de cas : Les secteurs particulièrement concernés

• Le rôle des départements métiers dans la découverte de cas d’usage du métavers

  • Éducation et formation, Marketing et communication, Ressources Humaines

  • La Digital Workplace

  • Banques et services financiers

  • Jeux numériques en ligne - le rôle des héros virtuels

  • Cinéma et télévision

• Quel plan d’action concret initier pour investiguer en limitant les coûts

  • La DSI et le métavers : comment se positionner ?

• Étude de cas en équipe : une PME dans l’agro-alimentaire entre dans le métavers… étudions des scénarios

5ème partie : Un écosystème à construire

• Enjeux économiques et sociaux des métavers : comment nos comportements et nos corps évolueront face à ces nouveaux modes de vie

• Aspects juridiques et éthiques

  • Sécurité des données, des échanges, des transactions…

  • Les DAO (Decentralized Autonomous Organizations)

  • Métavers et protection des données personnelles : Recommandations de la CNIL et des autorités européennes

  • Chartes d’éthique

  • Cybercriminalité et métavers, le “Darkverse”

  • Points clefs restant en suspens : relations internationales, pays virtuels, imposition, territorialité juridique

• Emplois : Liste des nouveaux métiers, compétences existantes et futures; Comment anticiper, recruter ou former les bons profils

• Le rôle éventuel de l’informatique quantique

• Conclusion – réflexion en commun : le métavers ne nous semble absolument pas indispensable aujourd’hui ; dans 10 ans, sera-t-il devenu aussi indispensable que le téléphone mobile depuis de son développement ?

Objectifs de la formation

• Comprendre les bases de l’informatique quantique

• Comprendre les applications potentielles en entreprise

• Découvrir le panorama des solutions matérielles et logicielles

• Tracer sa feuille de route (formation, simulation, prototypes)

Informations Pratiques

• Séminaire également proposé via le catalogue Orsys

• Durée : 1 jour

• Formateur : Philippe Nieuwbourg

• Pour en savoir plus : contactez-moi !

Programme de la formation

Comprendre les enjeux de l’informatique quantique

• Pourquoi vous n’achèterez sans doute jamais un ordinateur quantique… mais en utiliserez un dans les 5 prochaines années.

• Pourquoi 2020 a été l’année des premiers prototypes d’applications quantiques, et 2024 sera celle de leur première industrialisation.

• Le concept de suprématie quantique, point de bascule entre l’informatique traditionnelle et l’informatique quantique.

• Les États investissent massivement : Chine, États-Unis, Russie, Canada, France, Royaume-Uni, Pays du golfe, Afrique.

• De l’ENIAC aux premiers ordinateurs quantiques, l’histoire se répète.

• Quelques bases de la physique quantique : les concepts de superposition et d’intrication.

• Passer de l’informatique traditionnelle à l’informatique quantique : passer des bits aux qubits.

• Les enjeux de la création d’un ordinateur quantique : pourquoi est-ce si complexe ?

• Les chiffres du marché potentiel : compilation des principales études des analystes.

• Les composants clefs d’un ordinateur quantique, qubits, portes quantiques, correction d’erreurs, etc.

• L’architecture d’un ordinateur quantique, les contraintes actuelles de consommation énergétique, de coût.

• L’informatique quantique « as a Service », dans le Cloud, et accessible au travers d’une plateforme.

• Informatique Haute Performance (HPC), simulateur quantique, puces neuromorphiques.

• Complémentarité et préparation du développement de l’informatique quantique.

• Les algorithmes quantiques : quelles différences par rapport à l’algorithmique traditionnelle ?

Les premières applications par secteur d’activité

• Panorama par secteur d’activité des premiers cas d’usage envisagés.

  • Finance, Transports, Communications, Santé, Énergie… le tour des entreprises qui investissent en informatique quantique.

• Sécurité du système financier, comment les algorithmes RSA et AES pourraient devenir obsolètes, tout comme la blockchain.

  • Pourquoi doit-on développer de nouveaux systèmes de cryptographie quantique ?

• Le coût d’un premier prototype : comment le calculer et comment évaluer le retour sur investissement.

• L’informatique quantique au service de l’Intelligence Artificielle, du Machine Learning, du Deep Learning, du Big Data.

• Comment positionner les différentes technologies complémentaires : HPC, Supercalculateurs, Cloud Computing.

• Présentation d’un modèle de maturité exclusif permettant de positionner votre entreprise.

  • Valorisez votre modèle de maturité en anticipant une méthode de calcul du ROI prédictifs des prototypes testant l’informatique quantique.

  • Comment préparer une preuve de concept, et identifier un problème à résoudre dans votre organisation.

• Premiers retours des entreprises qui ont investi en informatique quantique. Quels sont les problèmes à résoudre ?

Panorama des acteurs du marché : matériel et logiciel, les tendances

• Panorama des fournisseurs de matériel (Google, IBM, Intel, Fujitsu, Rigetti, D-Wave, etc…).

• Principales techniques et méthodes de développement des algorithmes quantiques.

• Apprendre à développer des algorithmes quantiques avec des langages comme Q# de Microsoft ou Qiskit de IBM.

  • Différences de programmation avec les langages traditionnels.

  • Les solutions de simulation, les plateformes logicielles.

• Panorama des universités avec lesquelles il est possible de travailler.

• Panorama des start-up du secteur.

• Les fonds d’investissement publics et privés spécialisés dans l’informatique quantique.

• Les tendances probables pour les prochaines années : matériels, logiciels, et services.

• L’informatique quantique au service de la modélisation : en quoi la modélisation complexe permettra d’aborder différemment certains problèmes aujourd’hui insolubles.

• Les défis que l’informatique quantique peut aider à résoudre : changement climatique, transports, intelligence augmentée.

• Téléportation, superposition, pourquoi ces principes remettent en cause certaines certitudes de l’humain ?

• Tracer sa feuille de route : veille, formation, prototypes

  • Comment définir sa feuille de route : attention, c’est un marathon et non un sprint.

  • Mettre en place une veille technologique et stratégique : en déduire une stratégie industrielle.

  • Premières actions de formation.

  • Qui former, qui recruter dans les prochaines années

  • Définir des PoB (Proofs of Business), qui amèneront à des PoC (Proofs of Concept), les premiers prototypes.

• Les impacts sociétaux et éthiques de l’informatique quantique.

  • Pourquoi il est difficile d’anticiper des règles pour un domaine dont on ne connaît pas encore les contours.

  • Comment l’informatique quantique nous permettra peut-être de mieux comprendre notre monde.

  • Comment se connecter aux premières applications concrètes et participer aux recherches : climat, transports, IA.