13 KiB
Source de vérité : https://git.gregoiremureau.com/grgmro/oc-p12-fashion-insta
git clone https://git.gregoiremureau.com/grgmro/oc-p12-fashion-insta.git
git clone https://git.gregoiremureau.com/grgmro/oc-p12-fashion-insta.git
Dataset : voir fetch-data.sh (hors git si volumineux).
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 :
- Se prendre en photo avec leurs habits favoris
- Obtenir des recommandations d'articles du même style vestimentaire
- 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 :
- Data : Qualité, disponibilité, biais
- Development : Compétences, technologies
- Deployment : Infrastructure, scalabilité
- Dependability : Fiabilité, performance
- Detectability : Monitoring, alertes
- Diversity : Inclusion, équité
- 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