Project 12 updates

README.md

@@ -0,0 +1,385 @@
+# Projet de Cadrage d'un Projet IA - Fashion-Insta
+
+## 📋 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*