Table ronde Lyon Data Science x TUBÀ (06/10) : viens avec un blocage, repars avec un plan

Tu as un projet data/IA coincé ? Cette table ronde est faite pour ça

Le plus frustrant, ce n’est pas de ne pas savoir faire de l’IA. C’est d’avoir un cas d’usage clair… et de rester bloqué sur des trucs très terre à terre : données inexploitables, accès impossible, coûts qui partent en vrille, mise en prod qui n’arrive jamais, sécurité qui stoppe tout, sponsor métier aux abonnés absents.

Le mardi 6 octobre 2026, la communauté Lyon Data Science organise avec TUBÀ Lyon une table ronde participative intitulée “Data & IA : projets, blocages et retours terrain”. Format annoncé : 25 personnes max, 18h30 à 20h00, sans slides, sujets proposés par les participant(e)s, discussion puis synthèse. Lieu : TUBÀ, Place Charles Béraudier, 69003 Lyon (Part-Dieu). Source : la page Meetup de l’événement.

Ce papier te dit comment venir avec un projet data IA blocages bien cadré, et comment repartir avec un plan d’actions crédible en 60 minutes de discussion utile (sur les 90 minutes de session). Objectif : maximiser le “retour d’expérience IA Lyon” que tu vas obtenir.

Rappel factuel : ce que tu peux attendre du format (et ce que tu ne dois pas attendre)

Ce n’est pas une conférence. C’est une session participative. Donc :

• Tu ne viens pas pour “écouter un expert” dérouler une méthode générique.
• Tu viens pour exposer un blocage réel en 2 minutes, et prendre des retours terrain.
• Tu n’as rien à préparer en slides, mais si tu viens sans contexte, tu vas perdre ton temps.

La promesse implicite du format, c’est simple : tu mets un problème sur la table, le groupe te challenge, te propose des options, et tu repars avec des next steps. Pour que ça marche, tu dois arriver avec un sujet “discutable”, pas un sujet trop vague, ni un sujet déjà verrouillé politiquement en interne.

Les blocages à amener (ceux qui se débloquent bien en table ronde)

1) Qualité des données : le classique qui tue tout

Symptômes typiques :

• données incohérentes (mêmes champs, définitions différentes selon les équipes),
• doublons, identifiants instables, pas de “golden record”,
• données trop vieilles ou pas assez fraîches,
• étiquetage imprécis ou inexistant (notamment pour le supervised),
• données “à trous” (valeurs manquantes, champs jamais remplis).

Pourquoi c’est un bon sujet pour 60 minutes : tout le monde a vécu ça. Tu auras des retours pratiques, pas juste des principes. Et tu peux chiffrer l’enjeu pour éviter que ça parte en débat d’opinion : Gartner estime que la mauvaise qualité des données coûte au moins 12,9 M$ par an en moyenne par organisation (recherche 2020, source Gartner).

Ce que tu dois apporter : 2 ou 3 exemples concrets de défauts (pas un roman), et l’impact business associé (retards, erreurs, coûts, risques).

2) Accès aux données et gouvernance : “je sais que ça existe, mais je ne l’ai pas”

Symptômes typiques :

• données en silos (métier, DSI, filiales),
• droits d’accès qui prennent des semaines,
• pas d’owner clair, pas de documentation, pas de dictionnaire,
• flou sur ce qui est “source de vérité”.

Bon sujet de table ronde, parce que tu peux sortir du blocage en changeant le “jeu” : data contracts, catalogage minimal, clarification de l’ownership, processus d’accès, ou contournement temporaire via un dataset de travail.

Viens avec : qui possède quoi, où ça coince (process, outil, sécurité), et quel niveau d’accès tu demandes (lecture seule, extraction anonymisée, agrégats).

3) Coûts et passage à l’échelle : GPU, stockage, LLM, observabilité

Symptômes typiques :

• POC OK, mais impossible de payer la facture en run,
• coût LLM qui explose dès que tu branches des volumes,
• infrastructure “pas prévue” (GPU rares, quotas cloud, stockage),
• coût d’annotation sous-estimé,
• observabilité trop chère ou trop lourde à mettre en place.

Ce sujet marche bien en table ronde si tu arrives avec un ordre de grandeur (même grossier) et une contrainte claire (budget max mensuel, latence max, volumétrie, SLA).

4) MLOps et mise en production : “ça marche en notebook, pas en vrai”

Symptômes typiques :

• pas de pipeline reproductible,
• pas de CI/CD ML,
• pas de monitoring, pas de gestion du drift,
• problèmes de traçabilité et d’audit (données, features, versions de modèles),
• frictions dev versus data (qui fait quoi, quand, comment).

Point utile pour cadrer : dans l’enquête State of Production ML 2024, 45% des répondants citent monitoring et observabilité comme défi de production (échantillon 177 réponses, source Ethical Institute). Ça te permet de dire : “je ne suis pas seul, maintenant on priorise”.

Si ton blocage ressemble à ça, tu peux aussi lire ce papier Lyon IA pour te mettre en jambes : Industrialiser l’IA en DSI à Lyon (13/10) : la checklist POC vers run (MLOps, coûts, risques).

5) Sécurité, conformité, données sensibles : “la DPO dit non”

Symptômes typiques :

• données personnelles ou sensibles (client, santé, RH) et peur de fuite,
• impossibilité d’envoyer des données à un fournisseur,
• logs et prompts qui contiennent des infos confidentielles,
• flou sur ce qui est autorisé, sur quel périmètre, et avec quelles mesures.

Ça se discute bien en table ronde si tu arrives avec une contrainte nette : “pas de données perso”, “pas de cloud public”, “données en France”, “audit obligatoire”, etc. Pour préparer tes questions, tu peux t’appuyer sur : Souveraineté des données à Lyon (28/09) : 12 questions avant de lancer une GenAI.

6) Sponsoring métier et décision attendue : le blocage le plus sous-estimé

Symptômes typiques :

• pas d’owner côté métier,
• succès mal défini, KPI absents,
• experts métier indisponibles pour qualifier, labelliser, valider,
• arbitrages jamais tranchés (qualité versus délai, précision versus coût, risque versus valeur).

Ce sujet est parfait si tu veux repartir avec un plan d’actions “politique interne” mais concret : qui tu dois embarquer, quelle décision demander, quel KPI poser, quel rituel instaurer.

Le truc qui change tout : prépare une page de contexte (pas un slide deck)

Le format annonce “aucun slide à préparer”. OK. Mais si tu arrives à vide, la discussion part en diagnostic flou. Ton arme : une page que tu peux lire en 90 secondes, puis laisser sur ton téléphone ou imprimée.

Mini-canevas à copier : problème, contexte, contraintes, décision attendue

Copie-colle ça, et remplis sans littérature :

• Problème (1 phrase) : ce qui bloque exactement aujourd’hui.
• Contexte (5 à 8 lignes) : cas d’usage, utilisateurs, valeur attendue, état (idée, POC, pilote, prod).
• Données (3 à 6 puces) : sources, volumétrie approximative, fréquence, qualité perçue, accès, sensible ou non.
• Stack actuelle (3 à 6 puces) : ingestion, stockage, traitement, entraînement/inférence, déploiement, monitoring.
• Contraintes (liste courte) : délai, budget, sécurité, conformité, “no cloud”, “on-prem only”, latence, etc.
• Décision attendue : ce que tu veux trancher grâce au groupe.

Ce que tu dois éviter sur ta page

• Le bla-bla “stratégie IA” sans situation concrète.
• Les acronymes internes incompréhensibles hors de ta boîte.
• Le détail technique inutile (tu n’es pas en soutenance).
• Le “on veut faire de l’IA” sans décision à prendre.

Comment obtenir des retours utiles : les questions à poser (et celles à bannir)

Les 10 questions qui te donnent un vrai plan d’actions

• “Si tu étais à ma place, c’est quoi la première action cette semaine ?” Tu forces le concret.
• “Qu’est-ce que je dois mesurer pour savoir si ça avance ?” KPI, métriques, jalons.
• “Quel compromis je dois accepter : qualité, coût, délai, risque ?” Tu fais sortir l’arbitrage.
• “Quelle est l’hypothèse la plus risquée dans mon setup ?” Tu identifies le point qui casse.
• “Qu’est-ce que tu supprimerais pour simplifier ?” Très efficace sur MLOps et architecture.
• “Quel niveau de données minimum suffit pour tester ?” Tu réduis le scope.
• “Si je ne peux pas avoir plus de données, je fais quoi ?” Contournements, proxy, données synthétiques (selon contexte).
• “Quelle est la version ‘cheap’ qui prouve la valeur ?” Pour éviter le projet qui part à 200k sans preuve.
• “Qui doit sponsoriser et pourquoi lui/elle ?” Tu reviens au pouvoir de décision.
• “Quels pièges tu as vécus sur un cas similaire ?” Tu récupères du vrai retour terrain.

Les questions qui flinguent la discussion

• “Quel outil tu me conseilles ?” Trop tôt. Tu vas avoir une liste de marques.
• “C’est quoi la meilleure stack MLOps ?” Même problème. La meilleure pour qui, avec quelles contraintes ?
• “Tu peux valider mon architecture ?” Sans contexte, personne ne peut valider sérieusement.

La méthode “2 minutes, puis échange” : ton pitch sur place

Si tu veux des retours, tu dois pouvoir dire :

• ce que tu fais,
• ce qui bloque,
• ce que tu veux décider,
• ce que tu acceptes comme contraintes.

Structure simple :

• 20 secondes : “On veut automatiser/améliorer X pour Y utilisateurs.”
• 40 secondes : “On est bloqué par Z (qualité, accès, coût, prod, sécurité, sponsor).”
• 30 secondes : “On a tenté A et B, voilà ce que ça donne.”
• 30 secondes : “Je veux repartir avec une décision : option 1, 2 ou 3, et les 3 prochaines actions.”

Exemples de blocages “bien formulés” (à adapter à ton cas)

Exemple A : qualité et ownership

Problème : “Nos données clients ne sont pas fiables, impossible d’entraîner un modèle de churn.”

Contexte : “Deux CRM, une base e-commerce, des définitions différentes du ‘client actif’. POC démarré, résultats instables.”

Contraintes : “3 mois max, pas de refonte SI, équipe data petite.”

Décision attendue : “On met l’énergie sur un golden record minimal ou sur une approche par segment/sous-population ?”

Exemple B : coûts LLM et passage à l’échelle

Problème : “Le bot interne marche, mais le coût mensuel double dès qu’on ouvre à toute l’entreprise.”

Contexte : “RAG sur docs internes, usage support + commerce. Pilote sur 20 personnes.”

Contraintes : “Budget plafond, exigences sécurité, logs à maîtriser.”

Décision attendue : “On baisse le coût via réduction contexte, caching, petits modèles, ou on limite les usages ?”

Exemple C : MLOps et monitoring

Problème : “Modèle de prédiction OK en test, mais pas de monitoring, donc impossible de le mettre en run.”

Contexte : “Cas industriel/logistique, données qui changent selon saisons.”

Contraintes : “SLA, traçabilité, équipe ops déjà chargée.”

Décision attendue : “Qu’est-ce qu’on monitor en premier pour éviter l’usine à gaz ?”

Checklist rapide : ce que tu fais la veille

• Tu choisis 1 blocage, pas 4. Un sujet, une décision.
• Tu écris ta page de contexte. Et tu coupes 30% du texte.
• Tu prépares 3 chiffres. Ordres de grandeur : volumétrie, coût, délai, impact.
• Tu prépares 1 contrainte non négociable. Exemple : pas de données perso hors SI, budget max, délai max.
• Tu prépares 2 options déjà envisagées. Même si elles sont mauvaises. Ça aide le groupe à trancher.

Pourquoi c’est particulièrement pertinent à Lyon (et pas juste “un meetup de plus”)

Le gros avantage, c’est la densité locale. Lyon a une communauté data active, et cette table ronde se fait à TUBÀ, à Part-Dieu, facile d’accès pour les équipes de la métropole. Et le groupe Meetup Lyon Data Science affiche autour de 4 600 membres (source Meetup), ce qui augmente les chances de tomber sur quelqu’un qui a déjà vu ton problème.

Si ton blocage est surtout sécurité et conformité, tu peux aussi compléter ta préparation avec : Souveraineté des données à Lyon (28/09) : ton check-up cloud, IA et conformité en 45 min. Même logique : venir avec un cas concret, repartir avec des décisions.

Plan d’actions de sortie : ce que tu dois obtenir à la fin

À la fin de la discussion, ton objectif n’est pas “d’avoir des idées”. Ton objectif, c’est de repartir avec :

• 1 décision : ce que tu fais et ce que tu ne fais pas.
• 3 actions : une cette semaine, une ce mois-ci, une ce trimestre.
• 1 métrique : comment tu prouves que ça avance.
• 1 risque majeur identifié : celui que tu vas traiter en premier.

Si tu veux pousser l’approche “cadrage” au-delà de la table ronde, ce guide Lyon IA peut t’aider à formaliser : Cadrer un projet IA : la méthode en quatre étapes avant d’écrire du code.

Ce que tu peux faire maintenant (en 15 minutes)

Tu veux arriver prêt, sans te prendre la tête ? Fais ça :

• ouvre un doc,
• copie le canevas “problème, contexte, contraintes, décision attendue”,
• remplis-le,
• supprime tout ce qui n’aide pas à trancher une décision.

Le jour J, tu viens, tu poses ton blocage, tu écoutes les retours, et tu ressors avec un plan. C’est exactement le bon usage d’une table ronde Lyon Data Science TUBA : pas du spectacle, du terrain.

Source principale (infos événement) : page Meetup “Data & IA : projets, blocages et retours terrain” (Lyon Data Science x TUBÀ), 06/10/2026, 18h30-20h00, TUBÀ Lyon, 25 personnes max, aucun slide à préparer.

Sources chiffres : Gartner (coût moyen de la mauvaise qualité des données, 2020) ; Ethical Institute, “State of Production ML 2024” (monitoring/observabilité cités comme défi, 45%, n=177).