Data & IA à Lyon au TUBÀ (17/11) : viens avec un blocage, repars avec une décision

90 minutes. Pas de slides. Une décision.

Tu as déjà vécu le scénario. Un projet data ou IA démarre fort. Puis ça coince. Données bancales, sécurité floue, ROI introuvable, modèle qui hallucine, pipeline qui casse dès que tu sors du notebook. Et au final, des réunions qui tournent en rond.

La table ronde Lyon Data Science au TUBÀ Lyon est pensée pour l’inverse : tu viens avec un blocage réel, tu échanges avec des pairs, et tu repars avec une décision actionnable que tu peux défendre en interne dès le lendemain. Le format est participatif, orienté retours terrain, avec des cas amenés par les participants. Source : page Meetup de la communauté Lyon Data Science.

Point important : le titre est récurrent et plusieurs pages en ligne mentionnent des dates différentes selon les éditions. Avant de bloquer ton agenda, revalide la date exacte “17/11” sur la page Meetup de l’édition concernée. Source : Meetup (événement au titre proche, date à vérifier).

Cet article te donne un mode d’emploi opérationnel : quel “blocage” amener, quoi préparer (en 30 minutes), et quel compte rendu ramener pour transformer l’échange en décision (RAG entreprise, agents IA, MLOps).

Repères pratiques sur l’événement

• Événement : “Data & IA à Lyon : projets, blocages et retours terrain” (table ronde, Lyon Data Science). Source : Meetup.
• Lieu : TUBÀ, 15 boulevard Marius Vivier Merle, 69003 Lyon (Part-Dieu). Source : Meetup.
• Format : participatif, cas concrets apportés par les participants, orienté retours terrain (pas une conférence). Source : Meetup.
• Thèmes probables côté terrain : choix RAG vs fine-tuning, cadrage ROI, sécurité, industrialisation, MLOps, agents IA.

Si tu veux une lecture complémentaire côté site, tu peux aussi regarder : Data & IA à Lyon (17/11, TUBÀ) : 12 questions pour débloquer ton projet et Table ronde Lyon Data Science au TUBÀ (17/11) : viens avec ton blocage IA, repars avec 3 décisions.

1) Pour qui et pourquoi y aller

Pour qui

Tu es la bonne personne si tu coches au moins un point :

• Tu portes un cas d’usage GenAI ou ML et tu dois trancher une option (RAG entreprise vs fine-tuning, outil A vs B, build vs buy).
• Tu es en DSI, data, produit, métier, sécurité et tu sens que le goulot n’est pas identifié.
• Tu as un POC qui marche “chez toi” mais tu n’arrives pas à passer en production (MLOps, monitoring, run).
• Tu envisages des agents IA (automatiser des actions) et tu veux cadrer le risque avant de lâcher de l’autonomie.

Pourquoi y aller (plutôt qu’un talk)

Une conf te donne des idées. Une table ronde te donne un arbitrage. La différence vient de trois choses :

• Tu arrives avec une phrase de blocage, pas un sujet.
• Tu apportes deux ou trois chiffres (volumétrie, coût, délai, risque) pour sortir du débat d’opinion.
• Tu formules une question de décision (choix, priorisation, go/no-go, expérimentation cadrée).

Si tu fais ça, 90 minutes suffisent souvent pour passer de “on discute” à “on décide”.

2) 7 blocages typiques en entreprise, et ce que tu dois préparer

Objectif : arriver avec un blocage qui se traite en groupe, sans exposer d’infos sensibles. Tu veux un problème concret, borné, avec une contrainte.

Blocage 1 : qualité et disponibilité des données

Symptômes : modèles instables, résultats incohérents, extraction impossible, temps énorme de “prépa data”.

À préparer (simple) :

• Les sources (CRM, ERP, SharePoint, tickets, data lake, etc.).
• La fréquence de mise à jour et le “délai de vérité” (J+1, temps réel, mensuel).
• 3 exemples de données “sales” (valeurs manquantes, doublons, champs libres).
• Qui est le data owner (métier responsable, pas juste l’IT).

Question de décision à viser : “On bloque parce que la donnée est mauvaise. On investit où d’abord : référentiel, collecte, nettoyage, ou changement de cas d’usage ?”

Blocage 2 : sécurité, conformité, confidentialité

Symptômes : “on n’a pas le droit”, “le RSSI dit non”, “on ne sait pas ce qui sort”, flou sur hébergement.

À préparer :

• Typologie des données : PII, données sensibles, secret industriel, données clients.
• Contraintes internes : cloud autorisé ou non, besoin de traçabilité, règles de partage.
• Ce que tu veux faire exactement : résumer, rechercher, générer, agir (agent).

Question de décision à viser : “Quel périmètre ‘safe’ pour un pilote : quelles données, quels accès, quel niveau de logs, quels garde-fous ?”

Blocage 3 : ROI et cadrage produit (valeur, coût, adoption)

Symptômes : POC vitrine, pas d’utilisateur, coûts LLM imprévisibles, personne ne sponsorise.

À préparer :

• 1 cas d’usage, 1 utilisateur type, 1 moment du process.
• Une baseline avant : temps passé, erreurs, backlog, coût prestataire.
• Une métrique cible : temps gagné, taux de résolution, réduction d’erreurs, délai.
• Une fourchette de coûts : API LLM, infra, dev, run.

Tip : le ROI se décide souvent sur un “avant/après” simple, pas sur un business plan. Tu peux t’aider de : Mesurer le gain réel d’un usage IA : la méthode avant / après et Un quart des budgets IA gâché : comment piloter vos dépenses IA.

Blocage 4 : RAG entreprise vs fine-tuning (tu hésites, ou tu confonds)

Symptômes : tu te demandes “on entraîne ou pas ?”, tu as une base documentaire interne, et tu veux des réponses fiables.

Repère net :

• RAG entreprise : utile quand tu dois t’appuyer sur une connaissance interne évolutive et gérer des droits d’accès sur les contenus. Source : Ryzlabs (comparatif RAG vs fine-tuning).
• Fine-tuning : utile quand tu veux façonner un comportement (formats, style, classification, extraction) et optimiser un composant, souvent après collecte de traces/corrections en prod. Source : Mehdi Challakh (comparatif).

À préparer :

• Nature des contenus : stable ou changeant, volume, formats (PDF, wiki, tickets).
• 3 questions réelles posées par les métiers, et la réponse “attendue”.
• Exigence de citations ou de justification (oui/non).
• Gestion des droits : qui peut voir quoi.

Question de décision à viser : “On part sur RAG d’abord, ou on a vraiment un besoin de fine-tuning ? Et si RAG, quel niveau d’évaluation minimum ?”

Pour te recaler vite : Fine-tuning ou RAG : quand faut-il vraiment entraîner un modèle et RAG : comment faire répondre une IA sur vos propres documents.

Blocage 5 : agents IA (autonomie, orchestration, risques)

Symptômes : tu veux automatiser des actions (créer un ticket, envoyer un mail, modifier un CRM), mais tu crains l’erreur, la fraude, ou l’effet domino.

À préparer :

• Les actions exactes que l’agent ferait (liste courte).
• Les systèmes touchés (CRM, M365, Jira, ERP, messagerie, etc.).
• Les “garde-fous” non négociables : validation humaine, limites, logs, rollback.
• Le pire scénario acceptable (ex : un ticket mal routé) et inacceptable (ex : virement, suppression, fuite).

Question de décision à viser : “On autorise quelles actions, avec quel niveau de contrôle, et à quel moment on coupe ?”

Pour cadrer sans fantasmer : Agents IA : 10 garde-fous avant d’automatiser en entreprise et Sécuriser un agent IA qui a accès à vos outils.

Blocage 6 : MLOps et passage en production (le mur après le notebook)

Symptômes : pas de CI/CD, pas de monitoring, pas de runbook, personne ne veut “porter” le produit en exploitation.

Ce que dit la littérature MLOps : tu ne déploies pas et tu oublies. Tu monitor en prod la qualité, le drift, la performance système, et tu définis des procédures de réaction. Source : AWS Prescriptive Guidance (MLOps checklist, monitoring).

Anti-pattern classique : réentraîner automatiquement dès qu’un seuil est franchi peut être une mauvaise idée si la donnée est polluée ou si le signal de drift est mal interprété. Source : billet de Stéphane Robert sur le monitoring MLOps.

À préparer :

• Ton environnement cible : cloud, on-prem, hybride, contraintes réseau.
• Ton “SLO” simple : latence max, coût max, taux d’erreur, disponibilité.
• Ce que tu sais mesurer aujourd’hui (même rien, c’est une info).
• Qui opère : équipe data, équipe plateforme, DSI, prestataire.

Question de décision à viser : “Quel est le minimum MLOps pour livrer une v1 fiable : monitoring, alerting, rollback, éval continue, ownership ?”

Pour une checklist POC vers run : Industrialiser l’IA en DSI à Lyon : la checklist POC vers run.

Blocage 7 : évaluation et fiabilité (ça “répond”, mais tu ne peux pas le signer)

Symptômes : hallucinations, réponses non reproductibles, pas de test, pas de seuil d’acceptation.

À préparer :

• 10 questions réelles (tickets, mails, chat, demandes internes).
• Pour chacune : la réponse attendue, et ce qui est “interdit” (inventer, divulguer, omettre).
• Ta tolérance à l’erreur : 1 % ? 10 % ? seulement sur certaines classes ?

Question de décision à viser : “Quel protocole de test minimum avant pilote : jeu de tests, critères, revue humaine, monitoring en prod ?”

Tu peux t’appuyer sur : Comment évaluer la réponse d'une IA : construire son jeu de tests et Hallucinations des IA génératives : comment les limiter.

Choisir le bon blocage à amener : la règle du “goulot”

Ton erreur la plus probable : amener un sujet trop large (“on veut faire de l’IA”). Ou amener cinq problèmes d’un coup (données, modèle, sécurité, coûts, déploiement).

À la place, fais simple :

• 1 phrase : “On n’arrive pas à X parce que Y.”
• 1 contrainte : sécurité, délai, budget, performance.
• 1 décision à obtenir : choix A/B, priorisation, go/no-go, expérimentation.

Et surtout : ne transforme pas “RAG vs fine-tuning” en “quel modèle choisir”. Dans beaucoup de boîtes, le vrai sujet est d’abord données, évaluation, droits, observabilité. Puis seulement le modèle. Source : Ryzlabs (RAG vs fine-tuning).

3) Modèle de compte rendu interne à ramener (copier-coller)

Tu veux sortir de la salle avec un document qui déclenche une décision interne. Voilà un format court. Une page. Pas un roman.

Template de compte rendu (1 page)

1) Blocage (1 phrase)
Ex : “Notre assistant interne répond bien sur 30 docs, mais devient faux dès qu’on passe à 5 000 docs et des droits par équipe.”

2) Contexte minimal (5 puces max)

• Cas d’usage et utilisateurs : …
• Données : sources, volumétrie, fréquence : …
• Contraintes : sécurité, conformité, hébergement : …
• Baseline actuelle (temps, coût, erreurs) : …
• Définition du “succès” (métrique) : …

3) Décision prise (claire, testable)
Type de décision (choisis une forme) :

• Choix : “On part sur RAG, pas de fine-tuning en v1.”
• Priorisation : “Top 3 actions : qualité doc, droits, évaluation.”
• Go/no-go : “No-go tant que la classification des données n’est pas faite.”
• Expérimentation cadrée : “On teste 2 approches pendant 2 semaines, sur 50 questions, avec seuil d’acceptation.”

4) Options écartées (et pourquoi)
Ex : “Fine-tuning écarté en v1 : connaissance trop évolutive, besoin de citations et de contrôle des droits.”

5) Risques identifiés (3 max) et parades

• Risque 1 : … Parades : …
• Risque 2 : … Parades : …
• Risque 3 : … Parades : …

6) Next steps (J+7, J+30)

• J+7 : livrable concret (jeu de tests, inventaire docs, mapping droits, spike MLOps, etc.).
• J+30 : pilote limité, métriques, monitoring, revue.

7) Besoins (ce que tu demandes)

• Décideur sponsor : …
• Accès data : …
• Budget max : …
• Temps équipe : …

Avant de venir : ta checklist 30 minutes

• Écris ton blocage en 1 phrase.
• Prépare 3 chiffres : volumétrie, coût, délai ou risque.
• Choisis 1 question de décision.
• Amène 2 exemples (questions, documents, métriques) anonymisés.
• Note ce qui est non négociable (sécurité, conformité, budget).

Ce que tu dois obtenir sur place (sinon ça ne sert à rien)

• Une décision formulée (pas “on verra”).
• Un risque majeur que tu n’avais pas vu, ou une parade simple.
• Un next step daté (expé 2 semaines, audit droits, jeu de tests, monitoring minimal).

Action : choisis ton blocage maintenant, et prépare ta décision

Si tu viens au TUBÀ avec “on veut faire de l’IA”, tu repartiras avec… des idées. Si tu viens avec un goulot précis, tu peux repartir avec une décision en 90 minutes.

Donc fais ce boulot aujourd’hui :

• Écris ton blocage en 1 phrase.
• Choisis parmi les 7 catégories ci-dessus celle qui bloque vraiment.
• Prépare ton compte rendu avec le template, même à moitié vide.
• Et avant tout : vérifie la date “17/11” sur la page Meetup de l’édition (le titre étant récurrent selon les annonces).

Après ça, tu ne viens plus “assister” à un événement data IA Lyon. Tu viens chercher une décision.