docs: README bilingue FR/EN

Co-authored-by: Cursor <cursoragent@cursor.com>
This commit is contained in:
Grégoire Mureau 2026-09-10 01:50:15 +02:00
parent 6f3d3cbd24
commit 4f4f054b14
2 changed files with 671 additions and 273 deletions

396
README.fr.md Normal file
View file

@ -0,0 +1,396 @@
**Source de vérité** : https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta
```bash
git clone https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta.git
git clone https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta.git
```
Dataset : voir `fetch-data.sh` (hors git si volumineux).
# Projet de Cadrage d'un Projet IA - Fashion-Insta
📘 Ce projet est également disponible en [anglais 🇬🇧](./README.md)
## 📋 Contexte du projet
Ce projet a été réalisé dans le cadre d'une mission d'**AI Product Manager** chez **Fashion-Insta**, une entreprise du monde de la mode qui commercialise des articles vestimentaires via un réseau de magasins physiques et un site e-commerce.
L'objectif était de réaliser le cadrage complet d'un projet IA stratégique : le développement d'une application mobile de recommandation d'articles vestimentaires basée sur des photos, en vue de présenter le projet au comité exécutif (COMEX) pour validation.
## 🎯 Objectifs
Le projet vise à développer une **application mobile de recommandation** permettant aux utilisateurs de :
1. Se prendre en photo avec leurs habits favoris
2. Obtenir des recommandations d'articles du même style vestimentaire
3. Booster les ventes en ligne et en magasin
**Mission confiée** : Réaliser l'intégralité du cadrage du projet selon une méthodologie agile SCRUM et convaincre le COMEX de lancer le projet.
## 📊 Démarche de cadrage
Le cadrage du projet s'est déroulé en plusieurs phases sur 3 semaines :
### Phase 1 : Expression des besoins et backlog
- Formalisation des user stories à partir des besoins métier
- Priorisation avec la méthode MoSCoW (Must have, Should have, Could have, Won't have)
- Identification du MVP (Minimum Viable Product)
- Revue avec le Product Owner
### Phase 2 : Estimation et rentabilité
- Estimation des charges par user story (en jours/homme)
- Répartition par profil (Data Scientist, Développeur, DevOps, etc.)
- Calcul des coûts de développement
- Estimation des coûts Azure (infrastructure initiale et production)
- Analyse de rentabilité (ROI, break-even point)
- Planification des sprints
### Phase 3 : Conformité RGPD et risques
- Analyse des données personnelles (registre de traitements CNIL)
- Identification des enjeux légaux et éthiques
- Analyse des biais potentiels du modèle
- Analyse complète des risques projet
- Plan d'action de mitigation
### Phase 4 : Présentation au COMEX
- Synthèse des objectifs et gains attendus
- Présentation de la méthodologie agile SCRUM
- Planning des sprints et organisation
- Enjeux RGPD et éthiques
- Mitigation des risques
## 📁 Structure du projet
```
├── P12_01_backlog.xlsx
├── P12_02_tableur.xlsx
├── P12_03_présentation.pdf (ou .pptx)
├── P12_04_ExportedEstimate_initial.xlsx
└── P12_05_ExportedEstimate_production.xlsx
```
### 1. `P12_01_backlog.xlsx`
**Backlog du projet avec user stories priorisées**
Ce fichier contient :
- **User stories** : Expression des besoins fonctionnels et techniques du point de vue utilisateur
- **Priorisation MoSCoW** :
- **Must have** : Fonctionnalités indispensables au MVP
- **Should have** : Fonctionnalités importantes mais non bloquantes
- **Could have** : Fonctionnalités souhaitables
- **Won't have** : Fonctionnalités exclues du périmètre actuel
- **Estimation des charges** : Temps de développement par user story
- **Critères d'acceptation** : Conditions de validation de chaque story
- **Dépendances** : Relations entre les user stories
**Focus** : User stories IA (recommandation, traitement d'images, modèles ML)
### 2. `P12_02_tableur.xlsx`
**Tableur d'estimation des charges et coûts**
Ce fichier comprend plusieurs onglets :
**Onglet "Charges par profil"** :
- Répartition des charges par user story
- Profils : Data Scientist, ML Engineer, Développeur Full-Stack, DevOps, Product Owner, Scrum Master
- Calcul des jours/homme par profil
- Application des coûts journaliers (TJM)
**Onglet "Coûts de développement"** :
- Coût total de développement initial
- Répartition par profil et par sprint
- Coûts fixes vs variables
**Onglet "Coûts récurrents"** :
- Maintenance annuelle : 15% du coût de développement
- Coûts d'infrastructure Azure de production (annuels)
- Évolution des coûts sur 3-5 ans
**Onglet "Analyse de rentabilité"** :
- Gains annuels estimés (augmentation des ventes)
- Coûts cumulés année après année
- Calcul du ROI et du break-even point
- Graphique de rentabilité
**Onglet "Planning des sprints"** :
- Découpage en sprints (durée, contenu)
- Affectation des user stories par sprint
- Jalons et livrables
### 3. `P12_03_présentation.pdf` (ou .pptx)
**Présentation pour le COMEX**
Cette présentation comprend :
**Slide 1 : Résumé exécutif**
- Synthèse des points clés (non présentée oralement)
- Vision du projet en une slide
**Slides 2-3 : Objectifs et gains attendus**
- Augmentation des ventes (quantifiée)
- Amélioration de l'expérience client
- KPIs de succès (taux d'adoption, taux de conversion, satisfaction)
**Slides 4-5 : Ressources requises**
- Humaines : Équipe et profils nécessaires
- Techniques : Infrastructure Azure
- Financières : Investissement initial et coûts récurrents
**Slides 6-8 : Méthodologie agile SCRUM**
- Principes de l'agilité
- Rôles (Product Owner, Scrum Master, Development Team)
- Avantages pour le projet
**Slides 9-11 : Organisation et suivi**
- Daily Scrum (point quotidien)
- Sprint Review (démo en fin de sprint)
- Rétrospective (amélioration continue)
- Burndown chart (suivi de l'avancement)
**Slides 12-13 : Planning des sprints**
- Découpage temporel
- Contenu de chaque sprint
- Jalons et livrables clés
**Slides 14-16 : Enjeux légaux et éthiques**
- Principes du RGPD
- Gestion des données personnelles (photos, préférences)
- Biais potentiels du modèle (diversité, représentativité)
- Transparence et consentement
**Slides 17-19 : Risques et mitigation**
- Risques techniques (performance du modèle, scalabilité)
- Risques organisationnels (disponibilité des équipes)
- Risques financiers (dépassement de budget)
- Risques légaux (non-conformité RGPD)
- Plan d'action pour chaque risque critique
**Annexe : Backlog complet**
- Liste des user stories avec priorisation
- User stories du MVP clairement identifiées
### 4. `P12_04_ExportedEstimate_initial.xlsx`
**Estimation des coûts Azure pour la phase initiale**
Ce fichier contient l'estimation des coûts d'infrastructure cloud Azure pour :
- **Phase de conception** : Environnement de développement
- **Phase d'entraînement des modèles** :
- Instances de calcul (GPU pour deep learning)
- Stockage des données d'entraînement
- Services de ML (Azure Machine Learning)
- Services de vision par ordinateur (Computer Vision API)
**Export** : Calculateur de prix Azure (Azure Pricing Calculator)
### 5. `P12_05_ExportedEstimate_production.xlsx`
**Estimation des coûts Azure pour la production**
Ce fichier contient l'estimation des coûts d'infrastructure cloud Azure pour :
- **Production de l'application** :
- Instances de calcul pour l'API de recommandation
- Base de données (catalogue produits, historique utilisateurs)
- Stockage blob (images utilisateurs)
- CDN (Content Delivery Network)
- Services d'inférence ML
- Services de monitoring et logs
- Bande passante
**Calcul** : Coûts mensuels et annuels basés sur une estimation du trafic
## 🛠️ Méthodologie
### Méthode Agile SCRUM
**Rôles** :
- **Product Owner** : Alicia (VP Product)
- **Scrum Master** : À définir
- **Development Team** : Data Scientists, ML Engineers, Développeurs, DevOps
**Cérémonies** :
- **Sprint Planning** : Planification du sprint (1-2 semaines)
- **Daily Scrum** : Point quotidien de 15 minutes
- **Sprint Review** : Démonstration en fin de sprint
- **Sprint Retrospective** : Amélioration continue
**Artefacts** :
- **Product Backlog** : Liste priorisée des user stories
- **Sprint Backlog** : User stories sélectionnées pour le sprint
- **Increment** : Produit potentiellement livrable à la fin du sprint
### Priorisation MoSCoW
- **Must have (M)** : Essentiel au MVP, non négociable
- **Should have (S)** : Important mais peut être reporté
- **Could have (C)** : Souhaitable si budget/temps disponible
- **Won't have (W)** : Exclu du périmètre actuel
### Estimation des charges
**Techniques utilisées** :
- Planning Poker pour l'estimation collaborative
- Story Points ou Jours/Homme selon les user stories
- Vélocité de l'équipe pour ajuster les prévisions
## 📈 Analyse de rentabilité
### Coûts
**Investissement initial** :
- Développement : Coût total des sprints
- Infrastructure Azure (phase initiale)
- Formation des équipes
**Coûts récurrents (annuels)** :
- Maintenance : 15% du coût de développement
- Infrastructure Azure (production)
- Support et évolutions
### Gains
**Gains estimés** :
- Augmentation du taux de conversion en ligne
- Augmentation du panier moyen
- Fidélisation client (réduction du churn)
- Cross-selling et up-selling
**Calcul du ROI** :
```
ROI = (Gains cumulés - Coûts cumulés) / Coûts cumulés × 100
```
**Break-even point** : Date à laquelle les gains cumulés égalent les coûts cumulés
### Visualisation
Graphique montrant :
- Courbe des coûts cumulés
- Courbe des gains cumulés
- Point de rentabilité (intersection des courbes)
## 🔒 Conformité RGPD
### Données personnelles traitées
- **Photos des utilisateurs** : Données sensibles (images de personnes)
- **Préférences vestimentaires** : Profilage comportemental
- **Historique de navigation** : Suivi des interactions
- **Données de compte** : Email, nom, coordonnées
### Registre de traitements (CNIL)
Pour chaque traitement IA :
- **Finalité** : Recommandation d'articles personnalisée
- **Catégories de données** : Images, préférences, comportement
- **Durée de conservation** : Définie et justifiée
- **Mesures de sécurité** : Chiffrement, pseudonymisation
- **Destinataires** : Équipe data, partenaires (si applicable)
- **Transferts hors UE** : Azure région Europe (conformité)
### Principes RGPD appliqués
- **Consentement explicite** : Opt-in pour l'utilisation des photos
- **Droit d'accès** : L'utilisateur peut consulter ses données
- **Droit à l'effacement** : Suppression des données sur demande
- **Portabilité** : Export des données personnelles
- **Minimisation** : Collecte uniquement des données nécessaires
- **Transparence** : Information claire sur l'utilisation des données
## ⚖️ Enjeux éthiques
### Biais du modèle
**Risques identifiés** :
- **Biais de représentation** : Sous-représentation de certaines morphologies, couleurs de peau, styles vestimentaires
- **Biais culturel** : Recommandations orientées vers des standards occidentaux
- **Biais de genre** : Stéréotypes vestimentaires genrés
**Plan d'action** :
- Diversification du jeu de données d'entraînement
- Audit régulier des recommandations
- Tests utilisateurs sur des populations variées
- Possibilité de feedback utilisateur pour améliorer le modèle
### Transparence et explicabilité
- Informer l'utilisateur sur le fonctionnement du système de recommandation
- Possibilité de comprendre pourquoi un article est recommandé
- Option de désactivation des recommandations personnalisées
## ⚠️ Analyse des risques
### Méthodologie
**Grille d'évaluation** :
- **Probabilité** : Faible / Moyenne / Élevée
- **Impact** : Faible / Moyen / Critique
- **Criticité** : Probabilité × Impact
**Checklist Spectre 7D** :
1. **Data** : Qualité, disponibilité, biais
2. **Development** : Compétences, technologies
3. **Deployment** : Infrastructure, scalabilité
4. **Dependability** : Fiabilité, performance
5. **Detectability** : Monitoring, alertes
6. **Diversity** : Inclusion, équité
7. **Documentation** : Traçabilité, conformité
### Principaux risques identifiés
**Risques techniques** :
- Performance insuffisante du modèle de recommandation
- Temps de latence trop élevé en production
- Difficultés de scalabilité avec la montée en charge
**Risques organisationnels** :
- Indisponibilité des ressources (Data Scientists)
- Turnover dans l'équipe projet
- Retards dans les livrables
**Risques financiers** :
- Dépassement du budget Azure
- Coûts de développement sous-estimés
- ROI plus long que prévu
**Risques légaux** :
- Non-conformité RGPD (sanctions financières)
- Plaintes d'utilisateurs sur la gestion des données
- Litiges liés aux biais du modèle
### Plan de mitigation
Pour chaque risque critique :
- **Action préventive** : Mesure pour réduire la probabilité
- **Action corrective** : Mesure si le risque se matérialise
- **Responsable** : Personne en charge du suivi
- **Échéance** : Date de mise en œuvre
**Exemples** :
- **Risque RGPD** → Audit de conformité avec le DPO avant chaque sprint
- **Risque de biais** → Diversification du dataset et tests réguliers
- **Risque de scalabilité** → Load testing et architecture cloud élastique
## 🎓 Compétences développées
- Cadrage de projet IA end-to-end
- Méthodologie agile SCRUM
- Estimation et chiffrage de projets techniques
- Analyse de rentabilité (ROI, break-even)
- Conformité RGPD et gestion des données personnelles
- Identification et mitigation des risques
- Enjeux éthiques de l'IA (biais, transparence)
- Gestion des parties prenantes (COMEX)
- Communication et présentation de projet
## 👤 Auteur
**Grégoire Mureau**
Date de réalisation : 2025
---
*Ce projet a été réalisé dans le cadre du parcours AI Engineer*

548
README.md
View file

@ -1,62 +1,64 @@
**Source de vérité** : https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta **Source of truth** : https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta
```bash ```bash
git clone https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta.git git clone https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta.git
git clone https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta.git git clone https://git.gregoiremureau.com/openclassroom-ai/oc-p12-fashion-insta.git
``` ```
Dataset : voir `fetch-data.sh` (hors git si volumineux). Dataset: see `fetch-data.sh` (outside git if large).
# Projet de Cadrage d'un Projet IA - Fashion-Insta # AI Project Scoping - Fashion-Insta
## 📋 Contexte du projet 📘 This project is also available in [French 🇫🇷](./README.fr.md)
Ce projet a été réalisé dans le cadre d'une mission d'**AI Product Manager** chez **Fashion-Insta**, une entreprise du monde de la mode qui commercialise des articles vestimentaires via un réseau de magasins physiques et un site e-commerce. ## 📋 Project Context
L'objectif était de réaliser le cadrage complet d'un projet IA stratégique : le développement d'une application mobile de recommandation d'articles vestimentaires basée sur des photos, en vue de présenter le projet au comité exécutif (COMEX) pour validation. This project was carried out as part of an **AI Product Manager** assignment at **Fashion-Insta**, a fashion company that sells clothing items through a network of physical stores and an e-commerce website.
## 🎯 Objectifs The objective was to carry out the complete scoping of a strategic AI project: the development of a mobile application for recommending clothing items based on photos, in order to present the project to the executive committee (COMEX) for approval.
Le projet vise à développer une **application mobile de recommandation** permettant aux utilisateurs de : ## 🎯 Objectives
1. Se prendre en photo avec leurs habits favoris
2. Obtenir des recommandations d'articles du même style vestimentaire
3. Booster les ventes en ligne et en magasin
**Mission confiée** : Réaliser l'intégralité du cadrage du projet selon une méthodologie agile SCRUM et convaincre le COMEX de lancer le projet. The project aims to develop a **mobile recommendation application** allowing users to:
1. Take a photo of themselves wearing their favorite clothes
2. Get recommendations for items in the same clothing style
3. Boost online and in-store sales
## 📊 Démarche de cadrage **Mission assigned**: Carry out the entire scoping of the project following an agile SCRUM methodology and convince the COMEX to launch the project.
Le cadrage du projet s'est déroulé en plusieurs phases sur 3 semaines : ## 📊 Scoping Approach
### Phase 1 : Expression des besoins et backlog The project scoping took place over several phases across 3 weeks:
- Formalisation des user stories à partir des besoins métier
- Priorisation avec la méthode MoSCoW (Must have, Should have, Could have, Won't have)
- Identification du MVP (Minimum Viable Product)
- Revue avec le Product Owner
### Phase 2 : Estimation et rentabilité ### Phase 1: Requirements gathering and backlog
- Estimation des charges par user story (en jours/homme) - Formalization of user stories based on business needs
- Répartition par profil (Data Scientist, Développeur, DevOps, etc.) - Prioritization using the MoSCoW method (Must have, Should have, Could have, Won't have)
- Calcul des coûts de développement - Identification of the MVP (Minimum Viable Product)
- Estimation des coûts Azure (infrastructure initiale et production) - Review with the Product Owner
- Analyse de rentabilité (ROI, break-even point)
- Planification des sprints
### Phase 3 : Conformité RGPD et risques ### Phase 2: Estimation and profitability
- Analyse des données personnelles (registre de traitements CNIL) - Estimation of effort per user story (in person/days)
- Identification des enjeux légaux et éthiques - Breakdown by profile (Data Scientist, Developer, DevOps, etc.)
- Analyse des biais potentiels du modèle - Calculation of development costs
- Analyse complète des risques projet - Estimation of Azure costs (initial infrastructure and production)
- Plan d'action de mitigation - Profitability analysis (ROI, break-even point)
- Sprint planning
### Phase 4 : Présentation au COMEX ### Phase 3: GDPR compliance and risks
- Synthèse des objectifs et gains attendus - Analysis of personal data (CNIL data processing register)
- Présentation de la méthodologie agile SCRUM - Identification of legal and ethical issues
- Planning des sprints et organisation - Analysis of potential model biases
- Enjeux RGPD et éthiques - Complete project risk analysis
- Mitigation des risques - Mitigation action plan
## 📁 Structure du projet ### Phase 4: COMEX presentation
- Summary of objectives and expected gains
- Presentation of the agile SCRUM methodology
- Sprint planning and organization
- GDPR and ethical issues
- Risk mitigation
## 📁 Project Structure
``` ```
├── P12_01_backlog.xlsx ├── P12_01_backlog.xlsx
@ -66,329 +68,329 @@ Le cadrage du projet s'est déroulé en plusieurs phases sur 3 semaines :
└── P12_05_ExportedEstimate_production.xlsx └── P12_05_ExportedEstimate_production.xlsx
``` ```
### 1. `P12_01_backlog.xlsx` ### 1. `P12_01_backlog.xlsx`
**Backlog du projet avec user stories priorisées** **Project backlog with prioritized user stories**
Ce fichier contient : This file contains:
- **User stories** : Expression des besoins fonctionnels et techniques du point de vue utilisateur - **User stories**: Formalization of functional and technical needs from the user's point of view
- **Priorisation MoSCoW** : - **MoSCoW prioritization**:
- **Must have** : Fonctionnalités indispensables au MVP - **Must have**: Features essential to the MVP
- **Should have** : Fonctionnalités importantes mais non bloquantes - **Should have**: Important but non-blocking features
- **Could have** : Fonctionnalités souhaitables - **Could have**: Desirable features
- **Won't have** : Fonctionnalités exclues du périmètre actuel - **Won't have**: Features excluded from the current scope
- **Estimation des charges** : Temps de développement par user story - **Effort estimation**: Development time per user story
- **Critères d'acceptation** : Conditions de validation de chaque story - **Acceptance criteria**: Validation conditions for each story
- **Dépendances** : Relations entre les user stories - **Dependencies**: Relationships between user stories
**Focus** : User stories IA (recommandation, traitement d'images, modèles ML) **Focus**: AI user stories (recommendation, image processing, ML models)
### 2. `P12_02_tableur.xlsx` ### 2. `P12_02_tableur.xlsx`
**Tableur d'estimation des charges et coûts** **Spreadsheet for effort and cost estimation**
Ce fichier comprend plusieurs onglets : This file includes several tabs:
**Onglet "Charges par profil"** : **"Effort by profile" tab**:
- Répartition des charges par user story - Breakdown of effort by user story
- Profils : Data Scientist, ML Engineer, Développeur Full-Stack, DevOps, Product Owner, Scrum Master - Profiles: Data Scientist, ML Engineer, Full-Stack Developer, DevOps, Product Owner, Scrum Master
- Calcul des jours/homme par profil - Calculation of person/days per profile
- Application des coûts journaliers (TJM) - Application of daily rates (TJM)
**Onglet "Coûts de développement"** : **"Development costs" tab**:
- Coût total de développement initial - Total initial development cost
- Répartition par profil et par sprint - Breakdown by profile and by sprint
- Coûts fixes vs variables - Fixed vs variable costs
**Onglet "Coûts récurrents"** : **"Recurring costs" tab**:
- Maintenance annuelle : 15% du coût de développement - Annual maintenance: 15% of development cost
- Coûts d'infrastructure Azure de production (annuels) - Production Azure infrastructure costs (annual)
- Évolution des coûts sur 3-5 ans - Cost trends over 3-5 years
**Onglet "Analyse de rentabilité"** : **"Profitability analysis" tab**:
- Gains annuels estimés (augmentation des ventes) - Estimated annual gains (increase in sales)
- Coûts cumulés année après année - Cumulative costs year after year
- Calcul du ROI et du break-even point - ROI and break-even point calculation
- Graphique de rentabilité - Profitability chart
**Onglet "Planning des sprints"** : **"Sprint planning" tab**:
- Découpage en sprints (durée, contenu) - Breakdown into sprints (duration, content)
- Affectation des user stories par sprint - Assignment of user stories per sprint
- Jalons et livrables - Milestones and deliverables
### 3. `P12_03_présentation.pdf` (ou .pptx) ### 3. `P12_03_présentation.pdf` (or .pptx)
**Présentation pour le COMEX** **Presentation for the COMEX**
Cette présentation comprend : This presentation includes:
**Slide 1 : Résumé exécutif** **Slide 1: Executive summary**
- Synthèse des points clés (non présentée oralement) - Summary of key points (not presented orally)
- Vision du projet en une slide - Project vision in one slide
**Slides 2-3 : Objectifs et gains attendus** **Slides 2-3: Objectives and expected gains**
- Augmentation des ventes (quantifiée) - Increase in sales (quantified)
- Amélioration de l'expérience client - Improved customer experience
- KPIs de succès (taux d'adoption, taux de conversion, satisfaction) - Success KPIs (adoption rate, conversion rate, satisfaction)
**Slides 4-5 : Ressources requises** **Slides 4-5: Required resources**
- Humaines : Équipe et profils nécessaires - Human: Team and profiles needed
- Techniques : Infrastructure Azure - Technical: Azure infrastructure
- Financières : Investissement initial et coûts récurrents - Financial: Initial investment and recurring costs
**Slides 6-8 : Méthodologie agile SCRUM** **Slides 6-8: Agile SCRUM methodology**
- Principes de l'agilité - Principles of agility
- Rôles (Product Owner, Scrum Master, Development Team) - Roles (Product Owner, Scrum Master, Development Team)
- Avantages pour le projet - Benefits for the project
**Slides 9-11 : Organisation et suivi** **Slides 9-11: Organization and tracking**
- Daily Scrum (point quotidien) - Daily Scrum (daily standup)
- Sprint Review (démo en fin de sprint) - Sprint Review (end-of-sprint demo)
- Rétrospective (amélioration continue) - Retrospective (continuous improvement)
- Burndown chart (suivi de l'avancement) - Burndown chart (progress tracking)
**Slides 12-13 : Planning des sprints** **Slides 12-13: Sprint planning**
- Découpage temporel - Time breakdown
- Contenu de chaque sprint - Content of each sprint
- Jalons et livrables clés - Key milestones and deliverables
**Slides 14-16 : Enjeux légaux et éthiques** **Slides 14-16: Legal and ethical issues**
- Principes du RGPD - GDPR principles
- Gestion des données personnelles (photos, préférences) - Personal data management (photos, preferences)
- Biais potentiels du modèle (diversité, représentativité) - Potential model biases (diversity, representativeness)
- Transparence et consentement - Transparency and consent
**Slides 17-19 : Risques et mitigation** **Slides 17-19: Risks and mitigation**
- Risques techniques (performance du modèle, scalabilité) - Technical risks (model performance, scalability)
- Risques organisationnels (disponibilité des équipes) - Organizational risks (team availability)
- Risques financiers (dépassement de budget) - Financial risks (budget overrun)
- Risques légaux (non-conformité RGPD) - Legal risks (GDPR non-compliance)
- Plan d'action pour chaque risque critique - Action plan for each critical risk
**Annexe : Backlog complet** **Appendix: Full backlog**
- Liste des user stories avec priorisation - List of user stories with prioritization
- User stories du MVP clairement identifiées - MVP user stories clearly identified
### 4. `P12_04_ExportedEstimate_initial.xlsx` ### 4. `P12_04_ExportedEstimate_initial.xlsx`
**Estimation des coûts Azure pour la phase initiale** **Azure cost estimation for the initial phase**
Ce fichier contient l'estimation des coûts d'infrastructure cloud Azure pour : This file contains the estimation of Azure cloud infrastructure costs for:
- **Phase de conception** : Environnement de développement - **Design phase**: Development environment
- **Phase d'entraînement des modèles** : - **Model training phase**:
- Instances de calcul (GPU pour deep learning) - Compute instances (GPU for deep learning)
- Stockage des données d'entraînement - Training data storage
- Services de ML (Azure Machine Learning) - ML services (Azure Machine Learning)
- Services de vision par ordinateur (Computer Vision API) - Computer vision services (Computer Vision API)
**Export** : Calculateur de prix Azure (Azure Pricing Calculator) **Export**: Azure Pricing Calculator
### 5. `P12_05_ExportedEstimate_production.xlsx` ### 5. `P12_05_ExportedEstimate_production.xlsx`
**Estimation des coûts Azure pour la production** **Azure cost estimation for production**
Ce fichier contient l'estimation des coûts d'infrastructure cloud Azure pour : This file contains the estimation of Azure cloud infrastructure costs for:
- **Production de l'application** : - **Application production**:
- Instances de calcul pour l'API de recommandation - Compute instances for the recommendation API
- Base de données (catalogue produits, historique utilisateurs) - Database (product catalog, user history)
- Stockage blob (images utilisateurs) - Blob storage (user images)
- CDN (Content Delivery Network) - CDN (Content Delivery Network)
- Services d'inférence ML - ML inference services
- Services de monitoring et logs - Monitoring and logging services
- Bande passante - Bandwidth
**Calcul** : Coûts mensuels et annuels basés sur une estimation du trafic **Calculation**: Monthly and annual costs based on a traffic estimate
## 🛠️ Méthodologie ## 🛠️ Methodology
### Méthode Agile SCRUM ### Agile SCRUM Method
**Rôles** : **Roles**:
- **Product Owner** : Alicia (VP Product) - **Product Owner**: Alicia (VP Product)
- **Scrum Master** : À définir - **Scrum Master**: To be defined
- **Development Team** : Data Scientists, ML Engineers, Développeurs, DevOps - **Development Team**: Data Scientists, ML Engineers, Developers, DevOps
**Cérémonies** : **Ceremonies**:
- **Sprint Planning** : Planification du sprint (1-2 semaines) - **Sprint Planning**: Sprint planning (1-2 weeks)
- **Daily Scrum** : Point quotidien de 15 minutes - **Daily Scrum**: 15-minute daily standup
- **Sprint Review** : Démonstration en fin de sprint - **Sprint Review**: End-of-sprint demonstration
- **Sprint Retrospective** : Amélioration continue - **Sprint Retrospective**: Continuous improvement
**Artefacts** : **Artifacts**:
- **Product Backlog** : Liste priorisée des user stories - **Product Backlog**: Prioritized list of user stories
- **Sprint Backlog** : User stories sélectionnées pour le sprint - **Sprint Backlog**: User stories selected for the sprint
- **Increment** : Produit potentiellement livrable à la fin du sprint - **Increment**: Potentially shippable product at the end of the sprint
### Priorisation MoSCoW ### MoSCoW Prioritization
- **Must have (M)** : Essentiel au MVP, non négociable - **Must have (M)**: Essential to the MVP, non-negotiable
- **Should have (S)** : Important mais peut être reporté - **Should have (S)**: Important but can be postponed
- **Could have (C)** : Souhaitable si budget/temps disponible - **Could have (C)**: Desirable if budget/time available
- **Won't have (W)** : Exclu du périmètre actuel - **Won't have (W)**: Excluded from the current scope
### Estimation des charges ### Effort Estimation
**Techniques utilisées** : **Techniques used**:
- Planning Poker pour l'estimation collaborative - Planning Poker for collaborative estimation
- Story Points ou Jours/Homme selon les user stories - Story Points or Person/Days depending on the user stories
- Vélocité de l'équipe pour ajuster les prévisions - Team velocity to adjust forecasts
## 📈 Analyse de rentabilité ## 📈 Profitability Analysis
### Coûts ### Costs
**Investissement initial** : **Initial investment**:
- Développement : Coût total des sprints - Development: Total cost of sprints
- Infrastructure Azure (phase initiale) - Azure infrastructure (initial phase)
- Formation des équipes - Team training
**Coûts récurrents (annuels)** : **Recurring costs (annual)**:
- Maintenance : 15% du coût de développement - Maintenance: 15% of development cost
- Infrastructure Azure (production) - Azure infrastructure (production)
- Support et évolutions - Support and enhancements
### Gains ### Gains
**Gains estimés** : **Estimated gains**:
- Augmentation du taux de conversion en ligne - Increase in online conversion rate
- Augmentation du panier moyen - Increase in average basket size
- Fidélisation client (réduction du churn) - Customer retention (churn reduction)
- Cross-selling et up-selling - Cross-selling and up-selling
**ROI calculation**:
**Calcul du ROI** :
``` ```
ROI = (Gains cumulés - Coûts cumulés) / Coûts cumulés × 100 ROI = (Gains cumulés - Coûts cumulés) / Coûts cumulés × 100
``` ```
**Break-even point** : Date à laquelle les gains cumulés égalent les coûts cumulés **Break-even point**: Date at which cumulative gains equal cumulative costs
### Visualisation ### Visualization
Graphique montrant : Chart showing:
- Courbe des coûts cumulés - Cumulative costs curve
- Courbe des gains cumulés - Cumulative gains curve
- Point de rentabilité (intersection des courbes) - Break-even point (intersection of the curves)
## 🔒 Conformité RGPD ## 🔒 GDPR Compliance
### Données personnelles traitées ### Personal data processed
- **Photos des utilisateurs** : Données sensibles (images de personnes) - **User photos**: Sensitive data (images of people)
- **Préférences vestimentaires** : Profilage comportemental - **Clothing preferences**: Behavioral profiling
- **Historique de navigation** : Suivi des interactions - **Browsing history**: Tracking of interactions
- **Données de compte** : Email, nom, coordonnées - **Account data**: Email, name, contact details
### Registre de traitements (CNIL) ### Data processing register (CNIL)
Pour chaque traitement IA : For each AI processing activity:
- **Finalité** : Recommandation d'articles personnalisée - **Purpose**: Personalized item recommendation
- **Catégories de données** : Images, préférences, comportement - **Data categories**: Images, preferences, behavior
- **Durée de conservation** : Définie et justifiée - **Retention period**: Defined and justified
- **Mesures de sécurité** : Chiffrement, pseudonymisation - **Security measures**: Encryption, pseudonymization
- **Destinataires** : Équipe data, partenaires (si applicable) - **Recipients**: Data team, partners (if applicable)
- **Transferts hors UE** : Azure région Europe (conformité) - **Transfers outside the EU**: Azure Europe region (compliance)
### Principes RGPD appliqués ### GDPR Principles Applied
- **Consentement explicite** : Opt-in pour l'utilisation des photos - **Explicit consent**: Opt-in for the use of photos
- **Droit d'accès** : L'utilisateur peut consulter ses données - **Right of access**: Users can view their data
- **Droit à l'effacement** : Suppression des données sur demande - **Right to erasure**: Deletion of data upon request
- **Portabilité** : Export des données personnelles - **Portability**: Export of personal data
- **Minimisation** : Collecte uniquement des données nécessaires - **Minimization**: Collection of only necessary data
- **Transparence** : Information claire sur l'utilisation des données - **Transparency**: Clear information about data use
## ⚖️ Enjeux éthiques ## ⚖️ Ethical Issues
### Biais du modèle ### Model bias
**Risques identifiés** : **Identified risks**:
- **Biais de représentation** : Sous-représentation de certaines morphologies, couleurs de peau, styles vestimentaires - **Representation bias**: Under-representation of certain body shapes, skin colors, clothing styles
- **Biais culturel** : Recommandations orientées vers des standards occidentaux - **Cultural bias**: Recommendations skewed toward Western standards
- **Biais de genre** : Stéréotypes vestimentaires genrés - **Gender bias**: Gendered clothing stereotypes
**Plan d'action** : **Action plan**:
- Diversification du jeu de données d'entraînement - Diversification of the training dataset
- Audit régulier des recommandations - Regular audit of recommendations
- Tests utilisateurs sur des populations variées - User testing on varied populations
- Possibilité de feedback utilisateur pour améliorer le modèle - User feedback capability to improve the model
### Transparence et explicabilité ### Transparency and explainability
- Informer l'utilisateur sur le fonctionnement du système de recommandation - Inform the user about how the recommendation system works
- Possibilité de comprendre pourquoi un article est recommandé - Ability to understand why an item is recommended
- Option de désactivation des recommandations personnalisées - Option to disable personalized recommendations
## ⚠️ Analyse des risques ## ⚠️ Risk Analysis
### Méthodologie ### Methodology
**Grille d'évaluation** : **Assessment grid**:
- **Probabilité** : Faible / Moyenne / Élevée - **Probability**: Low / Medium / High
- **Impact** : Faible / Moyen / Critique - **Impact**: Low / Medium / Critical
- **Criticité** : Probabilité × Impact - **Criticality**: Probability × Impact
**Checklist Spectre 7D** : **Spectre 7D Checklist**:
1. **Data** : Qualité, disponibilité, biais 1. **Data**: Quality, availability, bias
2. **Development** : Compétences, technologies 2. **Development**: Skills, technologies
3. **Deployment** : Infrastructure, scalabilité 3. **Deployment**: Infrastructure, scalability
4. **Dependability** : Fiabilité, performance 4. **Dependability**: Reliability, performance
5. **Detectability** : Monitoring, alertes 5. **Detectability**: Monitoring, alerts
6. **Diversity** : Inclusion, équité 6. **Diversity**: Inclusion, fairness
7. **Documentation** : Traçabilité, conformité 7. **Documentation**: Traceability, compliance
### Principaux risques identifiés ### Main Identified Risks
**Risques techniques** : **Technical risks**:
- Performance insuffisante du modèle de recommandation - Insufficient performance of the recommendation model
- Temps de latence trop élevé en production - Latency too high in production
- Difficultés de scalabilité avec la montée en charge - Scalability difficulties under increased load
**Risques organisationnels** : **Organizational risks**:
- Indisponibilité des ressources (Data Scientists) - Unavailability of resources (Data Scientists)
- Turnover dans l'équipe projet - Turnover in the project team
- Retards dans les livrables - Delays in deliverables
**Risques financiers** : **Financial risks**:
- Dépassement du budget Azure - Azure budget overrun
- Coûts de développement sous-estimés - Underestimated development costs
- ROI plus long que prévu - ROI taking longer than expected
**Risques légaux** : **Legal risks**:
- Non-conformité RGPD (sanctions financières) - GDPR non-compliance (financial penalties)
- Plaintes d'utilisateurs sur la gestion des données - User complaints about data management
- Litiges liés aux biais du modèle - Disputes related to model bias
### Plan de mitigation ### Mitigation Plan
Pour chaque risque critique : For each critical risk:
- **Action préventive** : Mesure pour réduire la probabilité - **Preventive action**: Measure to reduce probability
- **Action corrective** : Mesure si le risque se matérialise - **Corrective action**: Measure if the risk materializes
- **Responsable** : Personne en charge du suivi - **Owner**: Person in charge of follow-up
- **Échéance** : Date de mise en œuvre - **Deadline**: Implementation date
**Exemples** : **Examples**:
- **Risque RGPD** → Audit de conformité avec le DPO avant chaque sprint - **GDPR risk** → Compliance audit with the DPO before each sprint
- **Risque de biais** → Diversification du dataset et tests réguliers - **Bias risk** → Dataset diversification and regular testing
- **Risque de scalabilité** → Load testing et architecture cloud élastique - **Scalability risk** → Load testing and elastic cloud architecture
## 🎓 Compétences développées ## 🎓 Skills Developed
- Cadrage de projet IA end-to-end - End-to-end AI project scoping
- Méthodologie agile SCRUM - Agile SCRUM methodology
- Estimation et chiffrage de projets techniques - Estimation and costing of technical projects
- Analyse de rentabilité (ROI, break-even) - Profitability analysis (ROI, break-even)
- Conformité RGPD et gestion des données personnelles - GDPR compliance and personal data management
- Identification et mitigation des risques - Risk identification and mitigation
- Enjeux éthiques de l'IA (biais, transparence) - Ethical issues in AI (bias, transparency)
- Gestion des parties prenantes (COMEX) - Stakeholder management (COMEX)
- Communication et présentation de projet - Project communication and presentation
## 👤 Auteur ## 👤 Author
**Grégoire Mureau** **Grégoire Mureau**
Date de réalisation : 2025 Completion date: 2025
--- ---
*Ce projet a été réalisé dans le cadre du parcours AI Engineer* *This project was carried out as part of the AI Engineer program*