Forum 10 ans de Lyon Data Science (05-06/12) : 8 questions avant d’industrialiser une IA

Tu veux passer de “ça marche en démo” à “ça tourne en prod”

Un projet IA, c’est facile à montrer. C’est dur à industrialiser. Entre un PoC qui bluffe et une solution qui tient la charge, il y a un trou noir: données pas prêtes, valeur business floue, coûts qui explosent, sécurité bricolée, MLOps ou LLMOps absents.

Ce n’est pas une vue de l’esprit. Sur la préparation des données, Fivetran rapportait en 2025 que près de la moitié des entreprises interrogées avaient retardé, sous-performé ou échoué sur des projets IA, avec une data readiness insuffisante comme obstacle majeur. Source: Fivetran (13 mai 2025), communiqué de presse. https://www.fivetran.com/fr/press/fivetran-report-finds-nearly-half-of-enterprise-ai-projects-fail-due-to-poor-data-readiness

Sur l’IA générative, Gartner est cité pour une estimation: au moins 50 % des projets GenAI auraient été abandonnés après PoC d’ici fin 2025, pour des raisons classiques: valeur métier pas nette, qualité des données, contrôles de risques, coûts. Source: TechRadar (citations de Gartner). https://www.techradar.com/pro/everyone-should-be-building-with-ai-and-everyone-should-know-its-cost

Le point: si tu vas à un événement IA à Lyon “juste pour prendre des idées”, tu reviens avec des slides. Si tu y vas avec 3 sujets brûlants et 8 questions qui forcent des décisions, tu reviens avec un plan.

Le forum “10 ans de Lyon Data Science”: c’est quoi, quand, où, pour qui

Nom: Forum des 10 ans de Lyon Data Science – Data, IA & communautés. Format annoncé: forum sur 2 jours (samedi + dimanche).

Dates et horaires:

• Samedi 5 décembre 2026: 10h00 à 18h00
• Dimanche 6 décembre 2026: 10h00 à 17h00

Lieu: Epitech Lyon, 2 rue du Professeur Charles Appleton, 69007 Lyon.

Ambition annoncée: réunir sur un week-end professionnels, étudiants, chercheurs, développeurs, associations, entreprises et passionnés autour de la data, de la tech et de l’IA.

Formats annoncés (programme détaillé encore en préparation): conférences et talks, ateliers pratiques, stands associatifs et démonstrations, rencontres entre communautés.

Règle utile côté entreprises: l’organisateur mentionne une politique “anti-démarchage”, le démarchage commercial insistant n’est pas autorisé. Autrement dit: viens pour échanger, pas pour chasser.

Source pour l’ensemble des infos événement: page Meetup de Lyon Data Science. https://www.meetup.com/fr-fr/lyondatascience/events/317058087/

Contexte: premières conférences fin 2015, association officiellement créée en 2016 (toujours selon la page Meetup).

Objectif de ta visite: repartir avec des décisions, pas des opinions

Tu peux utiliser le forum comme un accélérateur de décisions sur quatre blocs:

• Priorisation des cas d’usage: qu’est-ce qui mérite une mise en prod maintenant.
• Data readiness: quelles données sont réellement fiables, accessibles, maintenables.
• MLOps/LLMOps: comment tu déploies, surveilles, corriges, et tu tiens les coûts.
• Sécurité et conformité: comment tu limites l’exposition, les fuites, les abus et les risques.

Le plan ci-dessous suit 3 étapes: préparer tes 3 sujets brûlants, identifier les bons interlocuteurs sur place, puis formaliser un plan 30-60-90 jours au retour.

1) Préparer tes 3 sujets brûlants (et les 8 questions qui déclenchent un vrai passage à l’échelle)

Avant de mettre un pied à Epitech Lyon, verrouille 3 sujets max. Pas 10. Trois. Pour chacun, tu viens chercher une décision.

Sujet brûlant A: prioriser un cas d’usage industrialisable

Un projet IA en prod a besoin d’un “job” stable: un problème récurrent, une valeur claire, un propriétaire métier, et des métriques. Sinon tu vas optimiser un truc que personne ne pilote.

• Question 1: Quelle décision métier ce modèle ou cet assistant va-t-il modifier, et qui en est responsable ?
  Attends une réponse avec un owner (pas “la data team”) et un process cible (ex: traitement des litiges, qualification de leads, détection d’anomalies, routage support).
• Question 2: Quelle métrique de succès tu suis en prod, et quel seuil déclenche l’arrêt ou la remise à plat ?
  Sans seuil, tu ne pilotes pas. Tu racontes une histoire. Cherche des métriques simples: taux d’automatisation, temps moyen de traitement, taux d’erreur, coût par dossier, satisfaction, et un seuil “stop” explicite.
• Question 3: Qu’est-ce qui rend ce cas d’usage non trivial en production (volumétrie, latence, multi-sources, risques, exigences légales) ?
  Si la réponse est “rien”, c’est souvent un mauvais signe. En prod, il y a toujours un piège: exceptions, données manquantes, saisonnalité, dérive, conformité, dépendances SI.

Besoin d’une méthode de cadrage avant de te lancer: tu peux t’appuyer sur ce guide Lyon IA sur le cadrage. https://lyon-ia.com/blog/cadrer-un-projet-ia-methode

Sujet brûlant B: data readiness (le vrai goulot d’étranglement)

Industrialiser un projet IA, c’est industrialiser l’alimentation en données, pas juste un notebook. Ce que tu veux clarifier sur place: quelles données, à quel rythme, avec quelle qualité, et avec quels droits d’accès.

• Question 4: Quelles sont les sources de vérité, et où sont les données “observables” en continu (pas en export manuel) ?
  Tu cherches des réponses du type: “CRM X, ERP Y, base incidents Z, alimentés en temps réel / quotidien via pipeline”. Si tu entends “on fait un export CSV quand on peut”, tu sais déjà ce qui va casser.
• Question 5: Quels sont les 5 contrôles qualité minimum avant d’entraîner ou de faire tourner en prod ?
  Exemples attendus: complétude, fraîcheur, unicité, cohérence, taux d’anomalies, gestion des valeurs nulles, traçabilité des transformations. Le forum est utile pour récupérer des checklists et des retours d’expérience data IA.

Sur les données et la conformité, garde en tête que les exigences ne s’arrêtent pas au RGPD. Si tu dois structurer la partie “preuves” et gouvernance, ce contenu Lyon IA peut aider: https://lyon-ia.com/blog/rgpd-et-ia-en-entreprise

Sujet brûlant C: MLOps et LLMOps (tenir la prod, tenir les coûts, tenir la sécurité)

Le forum “Lyon Data Science” est typiquement un bon endroit pour parler “plomberie” sans bullshit: déploiement, monitoring, drift, évaluation, rollback, et coûts.

• Question 6: Quel est ton “chemin vers prod” standard, et qui a le pager quand ça tombe ?
  Ce que tu veux entendre: environnements (dev/test/prod), CI/CD, validation, observabilité, procédure de rollback, astreinte. Si personne n’est responsable en run, ce n’est pas industrialisé.
• Question 7: Comment tu testes et tu surveilles la dérive, la qualité, et la sécurité des sorties (notamment en GenAI) ?
  Cherche des réponses concrètes: jeux de tests, évaluation automatique + revue humaine, monitoring en prod, alerting, analyse d’erreurs, filtrage, garde-fous contre l’injection de prompt, séparation des accès.
• Question 8: Quel est ton modèle de coûts en prod (inférence, stockage, réseau, observabilité, humains), et comment tu l’empêches de dériver ?
  En GenAI, la facture n’attend pas. Demande comment les équipes limitent les tokens, mettent du cache, routent vers des petits modèles, ou imposent des quotas.

Pour creuser côté sécurité applicative autour des LLM, tu peux relire ces bases: https://lyon-ia.com/blog/injection-de-prompt-securite et, si tu travailles avec des agents qui touchent des outils, https://lyon-ia.com/blog/securiser-un-agent-ia.

Ton kit “1 page” à emmener au forum

Tu veux réseauter vite et utile. Donc tu arrives avec une fiche ultra simple:

• Contexte: ton secteur, ton SI, ton niveau de maturité (PoC, pilote, prod).
• Cas d’usage: 1 phrase, 1 propriétaire, 1 métrique cible.
• Données: 3 sources, fréquence, problèmes connus.
• Risques: 3 peurs réelles (fuite, erreur, conformité, réputation, sécurité).
• Décision attendue: “je dois trancher X d’ici janvier”.

C’est ce qui transforme un échange de couloir en retour d’expérience data IA exploitable.

2) Identifier les bons interlocuteurs sur place (et poser les bonnes questions au bon profil)

Le format annoncé mélange talks, ateliers, stands associatifs, démos, et rencontres entre communautés. Parfait, si tu sais à qui parler.

Cartographie express: qui peut t’aider sur quoi

• Data engineer / platform: pipelines, qualité, lineage, SLA, accès, industrialisation des flux.
• ML engineer / MLOps: déploiement, feature store, monitoring, drift, CI/CD, rollback, gestion des modèles.
• LLM engineer / LLMOps: évaluation, guardrails, RAG, coûts tokens, caching, routing modèles, observabilité conversations.
• Product / métier: valeur, adoption, mesure, intégration dans les process, arbitrage “humain vs automatisé”.
• RSSI / sécurité / conformité: classification des données, contrôles d’accès, audit, journalisation, gestion des fournisseurs, risque de fuite.
• Recherche / étudiants: limites des approches, méthodos, pistes de simplification, benchmark, état de l’art sans effet d’annonce.

Règle de base sur place: posture “retour d’expérience”, pas “pitch”

L’organisateur annonce une politique anti-démarchage. Donc si tu viens au nom d’une entreprise: respecte le cadre. Tu peux parler de tes besoins, demander des retours, proposer un échange technique. Tu évites l’approche “je vends X”.

Comment “utiliser” les formats du forum

• Talks: tu viens chercher des patterns et des anti-patterns. Note 3 phrases max par talk: ce qui marche, ce qui casse, ce qui coûte.
• Ateliers: tu viens tester une méthode. Objectif: repartir avec un bout de check-list ou un squelette de pipeline, pas avec une opinion.
• Stands et démos: tu poses des questions de prod. “Comment tu monitories ?”, “quand ça a cassé ?”, “qui valide ?”, “quels logs ?”.
• Rencontres entre communautés: tu identifies les groupes à suivre après (pour continuer les REX). C’est là que tu solidifies ton réseau local IA à Lyon.

Mini-script pour démarrer une discussion (et gagner du temps)

• “On a un PoC qui marche, on vise la prod en 90 jours. Notre plus gros risque, c’est X.”
• “J’ai besoin d’un retour terrain: qu’est-ce qui a cassé chez vous quand vous avez mis en prod ?”
• “Si tu devais refaire, tu commencerais par quoi: données, sécurité, ou run ?”

Tu obtiens plus en 5 minutes comme ça qu’en 30 minutes de discussion vague.

3) Au retour: formaliser un plan 30-60-90 jours (sinon tu perds l’effet événement)

Le piège classique d’un événement IA Lyon: tu reviens motivé, puis le quotidien écrase tout. Ton antidote: un plan 30-60-90 jours écrit, partagé, daté.

Jour J+2: synthèse en 30 minutes, pas plus

• Top 5 décisions à prendre (même si ça fait mal).
• Top 5 risques (avec gravité et probabilité).
• Top 5 actions (owner, date, livrable).

30 jours: cadrer, sécuriser, rendre la data exploitable

• Priorisation: 1 cas d’usage, 1 owner, 1 métrique, 1 seuil stop.
• Data readiness: audit express des sources, définition des contrôles qualité minimum, plan d’accès et droits.
• Risque: classification des données, règles d’usage, journalisation, validation humaine là où nécessaire.

Si tu dois mettre de l’ordre dans la gouvernance interne, ce guide Lyon IA peut servir de base: https://lyon-ia.com/blog/gouvernance-ia-entreprise.

60 jours: mettre en place le chemin vers prod

• Pipeline: ingestion, transformations, tests data, orchestration, SLA.
• MLOps/LLMOps: CI/CD, environnements, versioning, observabilité, alerting.
• Évaluation: jeu de tests, critères d’acceptation, protocole de revue, scénarios d’échec.

Sur l’évaluation, tu peux repartir sur des bases simples: https://lyon-ia.com/blog/evaluer-reponses-ia-jeu-de-tests.

90 jours: déployer un MVP prod, puis itérer avec discipline

• Déploiement: un périmètre limité, mais réel, avec utilisateurs et logs.
• Run: qui opère, qui arbitre, comment tu fais rollback, comment tu traites les incidents.
• Coûts: suivi mensuel, quotas, optimisation (cache, routage modèles, petits modèles si possible).

Ton livrable à 90 jours doit être factuel: métriques avant/après, incidents rencontrés, coûts réels, et décisions prises. C’est ton retour d’expérience data IA interne.

Ce que tu peux faire maintenant (avant le 5 décembre)

• Choisis tes 3 sujets brûlants (priorisation, data readiness, ops/sécurité).
• Écris tes 8 questions dans une note, et laisse de la place pour les réponses.
• Prépare ta fiche 1 page pour démarrer les échanges vite.
• Fixe une date J+2 dans ton agenda pour rédiger ton plan 30-60-90 jours.

Si tu fais ça, tu n’iras pas “à un événement IA Lyon”. Tu iras chercher de quoi industrialiser un projet IA, avec des retours d’expérience data IA locaux, et tu reviendras avec des arbitrages concrets.

Infos officielles à date, programme en préparation: Meetup Lyon Data Science. https://www.meetup.com/fr-fr/lyondatascience/events/317058087/