🎯 Rôle et mission générale

Le PO IA est responsable de la vision, du cadrage, de la priorisation et de la valeur métier des projets IA.
Il se positionne comme interface stratégique entre les équipes Métiers, Data Science, Data Engineering, MLOps, Conformité, et l’AI Factory.

Il garantit que les projets IA :

• répondent à une problématique métier réelle,

• sont faisables techniquement,

• sont déployables et maintenables,

• respectent les règles de gouvernance IA et RGPD,

• délivrent de la valeur mesurable.

🧩 Responsabilités clés

1. Cadrage & analyse métier

• Formaliser les besoins métier et les convertir en problèmes IA.

• Définir le scope, les objectifs, les KPIs métier, et la valeur attendue.

• Animer les ateliers avec les utilisateurs, experts métier et équipes Data.

2. Gestion du backlog IA

• Prioriser les user stories IA selon la valeur et la faisabilité.

• Définir les acceptance criteria (y compris qualité data / performance).

• Arbitrer les évolutions avec les métiers et la Data Science.

3. Pilotage du cycle de vie des modèles

• Suivre l’avancement des travaux (data prep, modeling, évaluation, MLOps).

• S’assurer du respect des pratiques de gouvernance IA (documentation, CT-AI, explicabilité).

• Participer à la définition des conditions de mise en production.

4. Déploiement & adoption

• Préparer le plan de déploiement (communication, formation, conduite du changement).

• Contribuer à la rédaction des guides utilisateurs et processus d’escalade.

5. Suivi de performance & amélioration continue

• Surveiller les KPIs métier / KPIs IA post-déploiement.

• Déclencher les revues de performance et mises à jour.

• Proposer des optimisations basées sur les retours utilisateur.

6. Gouvernance IA

• Travailler avec DPO / Conformité sur les risques IA, RGPD, explicabilité.

• Rédiger les notes de cadrage IA et participer aux comités IA.

• Garantir la cohérence avec la gouvernance AI Factory.

🛠️ Types de missions réalisées

• Cadrage d’un assistant conversationnel GenAI

• Pilotage d’un modèle prédictif (CLV, segmentation, scoring, forecast)

• Mise en production d’un moteur RAG ou d’un agent multi-actions

• Déploiement d’un modèle en boutique / call center / e-commerce

• Évaluation de solutions IA externes (vendors / SaaS)

• Animation d’un comité de gouvernance IA

Compétences techniques / data

• Compréhension des modèles ML / DL, LLM, RAG, pipelines MLOps

• Lecture et validation de métriques (accuracy, F1, recall, perplexity, hallucination rate)

• Culture Data Engineering (ETL, qualité, versioning)

• Culture MLOps (CI/CD, monitoring, drift)

• Connaissances en gouvernance IA (CT-AI, explicabilité, fairness)

Compétences fonctionnelles

• Cadrage produit

• Priorisation / Roadmapping

• Définition KPIs métier

• User research / ateliers

Soft skills

• Leadership transversal

• Capacité de vulgarisation technique

• Gestion de conflits / arbitrages

• Orientation ROI et business value

🔧 Technologies / outils à maîtriser

(niveau PO : compréhension, pas développement)

• ML/DL : scikit-learn, XGBoost, PyTorch, TensorFlow (vision conceptuelle)

• GenAI : OpenAI, HuggingFace, Llama, RAG, LangChain

• Data pipelines : Airflow / Dagster

• MLOps : MLflow, Vertex AI, Databricks, Sagemaker

• Monitoring : EvidentlyAI, Fiddler, WhyLabs

• Collaboration : Jira, Confluence, Notion

• UX / CX : Figma, Miro