Unethical Decision Making in Organizations

Ce cours porte sur les mécanismes qui conduisent à des décisions non éthiques dans les organisations. Il montre que ces dérives ne relèvent pas seulement de mauvaises intentions individuelles, mais aussi de routines, de cadres cognitifs, de contextes et d’institutions.

Les notions les plus structurantes concernent le pouvoir du contexte, les routines, les situations fortes, les cadres d’interprétation et les mécanismes de cécité éthique. Le cours est utile parce qu’il permet de mieux comprendre comment une organisation peut dériver sans toujours le voir clairement.

Pour moi, cela renforce ma capacité à accompagner un COMEX sur les angles morts éthiques d’une transformation, notamment lorsque la pression de résultat, les routines ou la structure d’incitation créent des dérives invisibles. Cela m’aide à mieux relier gouvernance, culture et qualité du discernement collectif.

COBIT 2019 Foundation

Ce cours porte sur le cadre COBIT 2019 comme référentiel de gouvernance des systèmes d’information. Il permet de comprendre comment aligner les objectifs métiers, les processus IT et les dispositifs de pilotage dans une logique de gouvernance plus cohérente.

Les notions les plus structurantes concernent les principes de COBIT, la conception d’un système de gouvernance, la gestion de la performance et l’adaptation du cadre à un contexte d’entreprise donné. Le cours est utile parce qu’il donne un langage commun entre enjeux de gouvernance et enjeux technologiques.

Pour moi, cela renforce ma capacité à accompagner un COMEX sur les sujets de gouvernance SI, de contrôle, d’alignement et de pilotage de la fonction numérique. Cela m’aide à mieux structurer les échanges entre stratégie d’entreprise, exigences de maîtrise et architecture de gouvernance IT.

TOGAF 10 Foundation

Ce cours porte sur les fondamentaux de l’architecture d’entreprise à travers le cadre TOGAF et la méthode ADM. Il donne une vision structurée de la manière de concevoir, planifier et gouverner des transformations architecturales à l’échelle de l’entreprise.

Les notions les plus structurantes concernent les phases de l’ADM, les domaines d’architecture, les principes architecturaux, la gestion des parties prenantes, les analyses d’écart et les mécanismes de gouvernance. Le cours est utile parce qu’il relie vision cible, trajectoire de transformation et discipline de conception.

Pour moi, cela renforce ma capacité à accompagner un COMEX sur des sujets d’urbanisation, de transformation du SI et de cohérence entre stratégie, organisation et architecture cible. Cela m’aide à mieux articuler intentions de transformation et trajectoires de mise en œuvre.

Foundations of Open Generative AI Engineering

Ce cours porte sur les fondements de l’ingénierie des modèles génératifs ouverts, en insistant sur les licences, les architectures et les arbitrages de performance. Il aide à mieux comprendre le paysage des modèles disponibles et les implications concrètes de leur utilisation.

Les notions les plus structurantes concernent les différences entre modèles ouverts et fermés, les architectures de modèles, les enjeux de licence et les compromis entre vitesse, coût et précision. Le cours est utile parce qu’il donne des repères pour raisonner au-delà du simple engouement pour la technologie.

Pour moi, cela me permet de mieux éclairer un COMEX sur le choix d’un modèle en fonction d’un besoin réel, d’un cadre d’usage et d’un niveau de risque acceptable. Cela renforce ma capacité à relier stratégie IA, contraintes juridiques et soutenabilité économique.

Understanding Open AI Workspaces

Ce cours porte sur les environnements de travail pour l’IA, en particulier les configurations locales avec Ollama, les environnements conteneurisés avec Docker et l’usage de Jupyter. Il permet de mieux comprendre les bases techniques nécessaires à un travail IA reproductible et maîtrisé.

Les notions les plus structurantes concernent la mise en place d’un workspace local, l’usage de Docker pour stabiliser les environnements, la gestion des ressources GPU et la configuration d’outils de développement comme Jupyter. Le cours est utile parce qu’il relie expérimentation IA, discipline d’environnement et efficacité opérationnelle.

Pour moi, cela me permet de mieux comprendre les conditions concrètes dans lesquelles des équipes expérimentent, développent et stabilisent des usages IA. Cela renforce ma capacité à dialoguer de manière plus crédible avec les équipes techniques et à mieux lire les enjeux de passage du prototype à un cadre de travail robuste.

Preparing Text for AI Models

Ce cours porte sur la collecte, la préparation et la structuration de données textuelles pour entraîner ou adapter des modèles d’IA. Il montre comment transformer un corpus hétérogène en matériau exploitable pour des usages de traitement du langage.

Les notions les plus structurantes concernent la découverte de jeux de données, le nettoyage de texte, le formatage, la tokenisation, l’annotation et les considérations juridiques ou éthiques liées aux corpus textuels. Le cours est utile parce qu’il relie directement qualité des données textuelles et qualité des usages IA.

Pour moi, cela me permet de mieux accompagner un COMEX sur les questions de préparation documentaire, de qualité de corpus et de gouvernance des contenus dans les projets fondés sur des modèles de langage. Cela renforce ma capacité à cadrer les conditions d’un usage fiable plutôt qu’un simple effet de démonstration.

Preparing Images for AI Models

Ce cours porte sur la préparation de données d’image pour l’entraînement de modèles d’IA. Il traite des conditions dans lesquelles un jeu de données devient exploitable, fiable et suffisamment documenté pour produire des résultats robustes.

Les notions les plus structurantes concernent l’acquisition de datasets, le prétraitement, l’augmentation, l’organisation des données, la qualité des annotations et les questions de diversité, de représentativité et de traçabilité. Le cours est utile parce qu’il rappelle que la performance d’un modèle dépend largement de la qualité de ses données d’entrée.

Pour moi, cela renforce ma capacité à aider un COMEX à poser les bonnes questions sur la qualité des données dans un projet IA, au lieu de concentrer l’attention uniquement sur les modèles. Cela m’aide à mieux relier performance attendue, gouvernance de la donnée et soutenabilité des usages.

Fine-tuning Text Models with PEFT

Ce cours traite de l’adaptation de modèles de langage à des besoins spécifiques, avec des approches de fine-tuning efficientes comme PEFT, LoRA ou QLoRA. Il apporte une compréhension plus concrète des compromis entre personnalisation, coût de calcul et performance.

Les notions les plus structurantes concernent les techniques de réglage paramétrique, l’optimisation des hyperparamètres, l’évaluation des modèles ajustés et les choix d’architecture d’entraînement. Le cours est utile parce qu’il clarifie ce que signifie réellement adapter un modèle au lieu de simplement l’utiliser tel quel.

Pour moi, cela renforce ma capacité à accompagner un COMEX dans ses arbitrages entre usage standard de modèles, personnalisation métier et coûts d’industrialisation. Cela m’aide à mieux poser les questions de pertinence, de soutenabilité technique et de valeur d’un modèle spécia

Fine-tuning Image Models with Diffusion

Ce cours porte sur l’adaptation de modèles de génération d’images par diffusion, avec un accent sur des techniques comme LoRA, DreamBooth et l’usage d’outils comme ComfyUI. Il permet de comprendre comment personnaliser, piloter et rendre plus exploitables des modèles visuels.

Les notions les plus structurantes concernent les architectures de diffusion, le fine-tuning, les workflows visuels, la personnalisation de modèles et l’optimisation pour la production. Le cours est utile parce qu’il relie expérimentation créative et exigences de contrôle opérationnel.

Pour moi, cela me permet de mieux dialoguer avec des projets où la génération d’image devient un levier métier, marketing ou créatif. Cela renforce ma capacité à aider un COMEX à distinguer démonstration technologique, usage réellement industrialisable et conditions de gouvernance de ces outils.

Optimizing Models for Production

Ce cours porte sur l’optimisation de modèles pour des usages de production, avec un accent sur la quantification, la performance d’inférence, l’optimisation matérielle et l’évaluation en situation réelle. Il montre que la performance utile dépend souvent de compromis techniques bien choisis.

Les notions les plus structurantes concernent la quantification, l’optimisation d’inférence, les contraintes matérielles, la gestion de la mémoire et l’évaluation des performances en production. Le cours est utile parce qu’il relie sophistication du modèle, soutenabilité opérationnelle et exigence de qualité de service.

Pour moi, cela me permet de mieux aider un COMEX à arbitrer entre performance théorique, coût réel, portabilité et robustesse dans les projets IA. Cela renforce ma capacité à replacer les choix techniques dans une logique de valeur et d’exploitation durable.