Formation ISO 42001

Leçon 1 • Qu'est-ce que l'ISO 42001

Présente l'origine, la structure et le public cible de la norme. Relie les besoins de gouvernance spécifiques à l'IA au cadre plus large du système de management.

Leçon 2 • Systèmes d'IA et leurs caractéristiques

Définit les systèmes d'IA tels que traités par la norme et les distingue des logiciels conventionnels. Ancre les discussions ultérieures sur les risques et les contrôles dans la réalité technique.

Leçon 3 • Structure de haut niveau de la norme

Cartographie la structure des articles de la norme en utilisant le cadre harmonisé de haut niveau. Prépare les apprenants à naviguer en toute confiance dans l'ensemble du document.

Leçon 1 • Élaboration de la politique d'IA

Enseigne comment rédiger, approuver et communiquer une politique d'IA alignée sur les objectifs organisationnels. Une politique solide ancre tous les contrôles en aval.

Leçon 2 • Compréhension du contexte organisationnel

Couvre les facteurs internes et externes qui façonnent la conception du système de management de l'IA. Les apprenants appliquent des outils d'analyse contextuelle à des scénarios organisationnels réels.

Leçon 3 • Engagement et communication avec les parties prenantes

Explique comment identifier, prioriser et engager les parties prenantes tout au long du cycle de vie du système de management de l'IA. Un engagement efficace réduit les résistances et renforce la confiance.

Leçon 4 • Définition du périmètre du SMI-A

Guide les apprenants à travers les décisions de périmétrage qui déterminent quelles activités d'IA relèvent du système de management. Un périmétrage précis évite les lacunes et la sur-ingénierie.

Leçon 1 • Options de traitement du risque

Explique les quatre stratégies de traitement et comment sélectionner les contrôles appropriés à partir de l'annexe de la norme. Les apprenants rédigent un plan de traitement du risque pour un scénario défini.

Leçon 2 • Concepts et taxonomie des risques de l'IA

Introduit la terminologie et les catégories de risques propres aux systèmes d'IA, y compris le biais, l'opacité et le comportement non intentionnel. Fournit un vocabulaire commun pour le processus d'évaluation.

Leçon 3 • Tenue du registre des risques

Établit des pratiques pour maintenir le registre des risques à jour à mesure que les systèmes d'IA et les environnements évoluent. Relie les mises à jour du registre des risques aux cycles de revue de direction et d'audit.

Leçon 4 • Processus d'évaluation des risques

Parcourt les étapes requises par la norme pour évaluer systématiquement les risques de l'IA. Les apprenants appliquent des critères de vraisemblance et de conséquence à des scénarios réalistes.

Leçon 1 • Exigences relatives aux informations documentées

Spécifie les documents et enregistrements que la norme exige et comment les gérer. Une documentation appropriée soutient à la fois le contrôle opérationnel et la préparation à l'audit.

Leçon 2 • Aperçu des contrôles de l'Annexe A

Passe en revue les catégories de contrôles dans l'annexe de la norme et leurs résultats attendus. Les apprenants associent les contrôles aux scénarios de risque pour développer une intuition de sélection.

Leçon 3 • Définition des objectifs de management de l'IA

Définit les critères pour des objectifs spécifiques, mesurables et alignés sur la politique d'IA. Des objectifs clairs favorisent la redevabilité et permettent le suivi des performances.

Leçon 4 • Déclaration d'applicabilité

Guide les apprenants dans la sélection, la justification et la documentation des contrôles applicables. La déclaration d'applicabilité est un artefact d'audit central.

Leçon 1 • Gestion du déploiement et des changements

Traite des contrôles pour la mise en production des systèmes d'IA et la gestion des changements ultérieurs. Une gestion structurée des changements empêche la dégradation non intentionnelle du comportement du système.

Leçon 2 • Développement et validation des modèles

Établit des contrôles pour la sélection, l'entraînement, les tests et la validation des modèles par rapport à des critères définis. Une validation rigoureuse réduit le risque de déployer des modèles sous-performants.

Leçon 3 • Contrôles tiers et de la chaîne d'approvisionnement

Gère les risques provenant de fournisseurs d'IA, d'ensembles de données et de composants externes intégrés au système. Les contrôles de la chaîne d'approvisionnement étendent la gouvernance au-delà des limites organisationnelles.

Leçon 4 • Gouvernance des données et contrôles de qualité

Couvre les contrôles pour l'approvisionnement, l'étiquetage, l'assurance qualité et le suivi de la lignée des données. La qualité des données détermine directement la fiabilité et l'équité des systèmes d'IA.

Leçon 5 • Principes de conception responsable de l'IA

Intègre l'équité, la transparence et la redevabilité dans la conception des systèmes d'IA dès le départ. Les contrôles de conception précoces réduisent les corrections coûteuses ultérieures dans le cycle de vie.

Leçon 1 • Processus de revue de direction

Structure la réunion de revue de direction pour évaluer la performance du système et orienter les décisions. Les revues transforment les données en ajustements stratégiques et en engagements de ressources.

Leçon 2 • Métriques de performance des systèmes d'IA

Couvre les métriques techniques et éthiques pour évaluer le comportement des modèles d'IA en production. Les métriques doivent refléter à la fois des critères de précision et d'IA responsable.

Leçon 3 • Surveillance continue des résultats de l'IA

Met en œuvre une surveillance continue des systèmes d'IA déployés pour détecter la dérive, la dégradation et les risques émergents. La surveillance continue boucle la boucle entre le déploiement et la gouvernance.

Leçon 4 • Cadre de surveillance et de mesure

Établit quoi mesurer, comment le mesurer et à quelle fréquence, à la fois pour le système et ses résultats d'IA. Un cadre structuré garantit des données cohérentes et comparables.

Leçon 1 • Identification des non-conformités

Définit ce qui constitue une non-conformité dans le contexte d'un système de management de l'IA et comment la documenter. Une identification précise est un prérequis pour une action corrective efficace.

Leçon 2 • Techniques d'analyse des causes profondes

Applique des méthodes structurées d'analyse des causes profondes aux défaillances du système de management de l'IA. L'identification des véritables causes empêche la récurrence plutôt que de traiter les symptômes.

Leçon 3 • Planification des actions correctives

Traduit les résultats de l'analyse des causes profondes en actions correctives ciblées avec des responsables et des échéances. Des plans bien structurés garantissent la redevabilité et une clôture mesurable.

Leçon 1 • Collecte de preuves et documentation

Identifie les preuves attendues par les auditeurs et comment les organiser pour une revue efficace. Des dossiers de preuves bien organisés réduisent la durée de l'audit et le risque de constats.

Leçon 2 • Maintien de la certification à long terme

Établit des pratiques qui maintiennent la conformité entre les visites de surveillance et à travers les cycles de recertification. Une conformité durable nécessite d'intégrer la gouvernance dans les opérations quotidiennes.

Leçon 3 • Gestion des constats d'audit

Prépare les apprenants à répondre professionnellement aux non-conformités majeures et mineures ainsi qu'aux observations. Des réponses efficaces démontrent la maturité organisationnelle à l'organisme de certification.

Leçon 4 • Analyse des écarts pré-audit

Guide les apprenants à travers une analyse structurée des écarts par rapport à toutes les exigences de la norme. Les résultats de l'analyse des écarts priorisent les actions correctives avant l'audit de certification.