Diagnostic et fondations
On évalue votre niveau actuel en statistiques et programmation. Puis on comble les lacunes avec des modules de mise à niveau personnalisés. Ça peut prendre deux semaines comme six, selon votre profil.
Apprentissage par projet immersif
On commence toujours par un problème réel. Disons, réduire le délai de traitement des sinistres ou affiner la tarification d'un produit auto. Vous recevez un dataset, un contexte métier précis, et vous devez proposer une solution.
Cette méthode fonctionne parce qu'elle vous force à poser les bonnes questions avant de coder. Quelle variable est vraiment prédictive ? Comment gérer les données manquantes sans biaiser le modèle ? Est-ce que la réglementation permet ce type de traitement ?
- Chaque projet dure entre deux et quatre semaines selon la complexité
- Vous travaillez en équipe de trois à cinq personnes avec un mentor technique
- Les présentations finales se font devant des professionnels du secteur
- Les meilleurs projets sont parfois repris par nos partenaires assureurs
On ne vous demande pas de créer un système parfait — juste de montrer que vous comprenez la logique derrière. Et surtout, que vous savez expliquer vos choix techniques à quelqu'un qui n'a jamais codé de sa vie.
Équilibre théorie et terrain
Impossible de devenir autonome sur l'IA assurantielle sans comprendre les fondamentaux. On passe du temps sur les statistiques bayésiennes, les réseaux de neurones, les arbres de décision. Mais toujours avec un angle métier.
Modules théoriques adaptés
Les cours magistraux durent rarement plus de quarante minutes. Après, on enchaîne directement sur des exercices appliqués. Par exemple, après avoir vu les principes de classification supervisée, vous allez segmenter un portefeuille client réel.
Séances de revue technique
Chaque semaine, on organise une session où chacun présente un article de recherche ou une étude de cas. Ça permet de rester à jour sur les dernières avancées et de comprendre ce qui se fait ailleurs dans le secteur.
On invite régulièrement des actuaires, des data scientists en poste, des responsables conformité. Leur rôle n'est pas de faire cours — juste de partager leur quotidien et répondre à vos questions sans filtre.
Documentation et ressources
Vous avez accès à une bibliothèque de ressources maintenue à jour : datasets publics annotés, notebooks Jupyter commentés, liens vers des publications académiques, exemples de code testé en production.
Progression pédagogique structurée
Immersion métier
Vous passez du temps avec des souscripteurs, des gestionnaires de sinistres, des actuaires. L'idée est de comprendre leurs problématiques quotidiennes avant de proposer des solutions techniques.
Développement technique
C'est la phase la plus longue. Vous développez vos projets, vous testez différents algorithmes, vous affinez vos modèles. On vous pousse à itérer rapidement et à documenter vos choix.
Accompagnement personnalisé tout au long
On ne vous lâche pas dans la nature avec un syllabus de deux cents pages. Chaque apprenant a un référent pédagogique qu'il peut contacter par email, visio ou lors des permanences hebdomadaires.
Suivi individuel et feedback continu
Toutes les deux semaines, vous avez un point d'une heure avec votre référent. On regarde où vous en êtes, ce qui bloque, ce qu'on peut améliorer. C'est aussi l'occasion de réajuster le rythme si nécessaire.
Sessions de debugging collectif
Quand vous êtes coincé sur un problème technique, vous pouvez rejoindre une salle dédiée où un formateur aide plusieurs personnes en même temps. Souvent, voir comment les autres galèrent aussi rassure pas mal.
On organise des sessions de code review où vous présentez votre travail et recevez des suggestions concrètes. Ça apprend à défendre ses choix techniques et à accepter la critique constructive.
Préparation à la réalité professionnelle
Vers la fin du parcours, on simule des situations réelles : présentation devant un comité de direction fictif, négociation de budget pour un projet IA, gestion d'une crise liée à un bug en production.
Découvrir le programme détaillé