Il s’agit d’apprendre à réaliser un diagnostic organisationnel et à dégager des freins et leviers pour accompagner une situation de changement, en utilisant les outils et notions de sociologie des organisations. -Connaitre les structures organisationnelles et les formes d’organisation du travail (types de division du travail, organisation hiérarchique, modalités de coordination/collaboration) -Comprendre les comportements individuels et collectifs (analyser l’écart prescrit/réel, repérer les jeux d’acteurs, les relations de pouvoir, les capacités de mobilisation collective, les régulations…) -Identifier les identités et « cultures » professionnelles et leur rôle -Déconstruire les mécanismes de « résistance au changement » -Mettre en œuvre les conditions de réussite des transformations

Acquisition et mise en œuvre de connaissances sur le fonctionnement humain au travail et sur les méthodes d’analyse des activités professionnelles pour concevoir des situations de travail cohérentes avec des objectifs de performance et de préservation de la santé des travailleurs/euses -assimiler les connaissances de base sur le fonctionnement de l’humain en situation d’activité finalisée -se familiariser avec les méthodes d’analyse ergonomique des situations de travail avec exemples de cas concrets -savoir présenter de manière synthétique les premiers éléments de résultats issus de la phase d’analyse menée en situation en pointant les problèmes rencontrés -se familiariser avec des modalités de mise en confrontation productive -savoir traduire des résultats d’analyse en recommandations pour la (re)conception des situations de travail -être capable de préparer une argumentation avec identification proactive des points forts et des limites des préconisations -produire des éléments d’explicitation d’une démarche de suivi responsable des recommandations

-organiser les réceptions de marchandises -identifier les différents types de configuration d'entrepôts et déterminer la plus adaptée aux besoins -proposer des types de moyens de manutention adaptés à la configuration retenue -dimensionner et mettre en place un mode de gestion opérationnelle des outils de manutention -mettre en ½uvre les techniques d'emballage et de conditionnement des marchandises : palettisation, problèmes de placement -piloter et optimiser la préparation des expéditions Savoirs et connaissances théoriques dans l'UE : -stratégies d'optimisation de l'espace d'entreposage et de la gestion des stocks. -théorie de flux -Bin packing -métrique de distance -techniques de manutention (levage, transport, etc.) -ordonnancement cyclique -conditionnement des produits (emballage, palettisation, etc.) Techniques, outils et méthodes utilisés dans l'UE : -programmation de nombre entier mixte (PLNE) -coloration de graph -programmation

La logistique inverse, dont fait partie le soutien logistique, concerne tous les flux entre les utilisateurs ou clients et les producteurs. Dans le cycle de vie de produit il s'agit des phases d'utilisation et post-utilisation. L'objectif est de permettre de rallonger la durée de vie des produits ou systèmes industriels et de garantir un traitement après l'utilisation minimisant les effets sur l'environnement. Les acquis d'apprentissage de l'UE sont les suivants : • Définir les enjeux de la logistique inverse et identifier les étapes de conception du soutien logistique et de la logistique inverse • Appliquer les méthodes d’analyse du soutien logistique et de logistique inverse • Déterminer les performances d’un système industriel • Développer des modèles pour évaluer les performances, optimiser un réseau logistique et dimensionner les flux de retours de produits (réparation, refabrication, recyclage) ; les mettre en œuvre avec Excel VBA • Concevoir un modèle de coût global de possession Savoirs et connaissances théoriques : • Systèmes complexes • Evaluation de performances • Modèles de stocks • Normes Soutien logistique, eco-conception • Coût global de possession Techniques, outils et méthodes : • Programmation Excel VBA des algorithmes d'évaluation de performance et d'optimisation • Exemple d'étude avec une norme SLI GMAO

• Replace the quality approach in the company's objectives in relation to all the company's systems • Understand the different basic principles of total quality and participatory management • Use statistical process control methods related to product quality assurance, • Design, use and interpret manufacturing process control charts (variables and attributes) • Perform process capability and measurement system capability analysis • Implement action plans to effectively organize the quality of products and services in companies. Knowledge and theoretical knowledge: • Statistics • Variability • Assignable causes • Non-assignable causes • Capability Techniques, tools and methods used: • Control charts for variables • Control charts for attributes • Sampling • Excel software

L’objectif est de sensibiliser les étudiants aux bases de la gestion financière des entreprises. La terminologie comptable ou encore les flux financiers sont des connaissances essentielles permettant aux étudiants de mieux comprendre leur environnement professionnel. Cette unité d’enseignement permettra à l’étudiant de comprendre les bases du financement de l’entreprise mais aussi les outils de base de l’analyse financière. -comprendre l’information financière et comptable de l’entreprise -comprendre le financement d’une entreprise ou d’une activité -initiation à la comptabilité analytique -connaissance des outils d’analyse financière (fond de roulement, trésorerie, seuil de rentabilité…) -mécanisme de financement de l’entreprise sur les marchés

L’objectif est de sensibiliser les étudiants aux bases du management et de la gestion des ressources humaines. Cette unité d’enseignement fera une place toute particulière à la R.S.E dans la gestion du personnel mais aussi dans les relations avec les partenaires de l’entreprise. Il y sera aussi abordé les outils du dialogue social collectif. Enfin l’étudiant sera sensibilisé aux techniques managériales et à leurs déclinaisons dans un rapport hiérarchique bienveillant. -GRH : techniques quantitatives et qualitatives (gestion des contrat, formation, recours à l’intérim) -dialogue social : la négociation collective, l’expression des salariés dans l’entreprise, les institutions représentatives du personnel -management individuel : Team-building, théories classiques du management, les nouveaux styles de management

Étudier les méthodes de prévision de la demande (à court et long terme) et les politiques de gestion de stocks dans différentes configurations (mono, multi-produit, mono, multi-site, déterministes ou aléatoires). • Exploiter des méthodes pour la classification et valorisation des stocks • Concevoir des modèles pour la prévision de la demande (à court et à long terme) • Mettre en oeuvre des politiques de réapprovisionnement pour la gestion des stocks • Maîtriser le modèle EOQ pour traiter la demande constante, aléatoire ou logistique inverse • Appliquer les notions de dimensionnement pour différencier les lots classiques et de désassemblage • Utiliser solveur sous Excel pour appliquer les différentes méthodes de gestion des stocks • Exploiter des données réelles pour une étude de cas concret • Étudier un article scientifique pour approfondir les connaissances dans le domaine de gestion des stocks Savoirs et connaissances théoriques : • Loi des probabilités • Mesures-statistiques (moyenne, écart types) • Demandes constantes aléatoires • Modèles de gestion des stocks et de prévision • Modèles EOQ Techniques, outils et méthodes : • Méthodes de classification et valorisation des stocks • Méthodes de gestion des stocks et de prévision • Chaine de Markov • Excel : équations, solveurs et vba

• Découvrir des exemples d’applications de l’IA pour les objets connectés, dans des domaines variés tels que la santé, l’industrie, la surveillance environnementale, la sécurité… • Comprendre l’IA concernée, ses avantages, l’intérêt de son utilisation et se sensibiliser à ses limites. • Comprendre les risques liés à l’IA, notamment au niveau de la sécurité des données et des systèmes • Comprendre les techniques d'apprentissage par renforcement avec un exemple en optimisation dynamique. • Étudier quelques techniques de compression de modèles de machine learning et leur intégration sur des cibles embarquées en vue de leur déploiement dans des systèmes IoT - Introduction d'une application de vision par ordinateur pour la surveillance et la reconnaissance d'objets (intervention d'un industriel) - Techniques de pruning pour la compression des modèles IA - Techniques de quantification pour la compression des modèles IA - Techniques Knowledge Distillation pour la compression des modèles IA - Déploiement des modèles d'IA dans des systèmes IoT (sous forme de TP) - Introduction au reinforcement learning

- Savoir identifier des sources textuelles adéquates - Appréhender les outils de NLP : les tester afin de mettre en avant leurs avantages et leurs limites - Savoir construire un graphe de connaissances et simuler un raisonnement - Comprendre l'approche de l'IA Hybride: intégration des graphes des connaissances (approche cognitive) dans les approches de l'IA Générative (approche connexioniste) - Comprendre et appliquer les techniques de traitement automatique du langage naturel, notamment la fouille de texte (Text Mining), l’analyse de sentiments (sentiments analysis), les tests et la comparaison des outils - Concevoir et implémenter des approches de représentation de connaissances : ontologie (construction et implémentation avec Protégé), raisonnement (SPARQL SWRL) - Approfondir les approches NLP: Hyperonymes, Meronymes (avec SPACY et Bert) - Analyser et interpréter les résultats de l'IA Générative - Concevoir et optimiser des prompts pour l’IA générative en intégrant des graphes de connaissances - Comprendre et mobiliser les principes de l’IA hybride pour améliorer les performances

La recherche scientifique constitue un levier essentiel pour le développement des entreprises, ainsi que pour répondre aux enjeux contemporains, notamment en matière de transition énergétique et climatique. Dans leur parcours professionnel, les ingénieurs sont fréquemment amenés à interagir avec des laboratoires de recherche ou à mobiliser des résultats issus d'études scientifiques. Il est donc essentiel qu'ils disposent de repères méthodologiques et conceptuels pour analyser et situer une démarche scientifique dans son contexte de production et d'usage. - Mettre en perspective la place de la science dans nos sociétés contemporaines, en appréhendant la science comme une institution collective, ses modes de production, le rôle de la recherche, son lien avec l'innovation, ses modalités de financement, les processus de publication et de validation, ainsi que les formes d'évaluation de la recherche. - Construire une problématique à partir d'une situation complexe, en articulant différents registres d'enjeux, et en explicitant les choix de cadrages opérés. - Développer un sens critique vis-à-vis des différents types de savoirs (notamment sciences et pseudo-sciences), ainsi que vis-à-vis de résultats scientifiques qui leur sont présentés. - Analyser des articles scientifiques de valeur inégale, en repérant les faiblesses ou les limites méthodologiques d'une argumentation (pseudo)scientifique, ou les extrapolations hâtives ou fallacieuses à partir de données ou de résultat d'étude. - Analyser des biais cognitifs intervenant dans la formulation des hypothèses, les choix méthodologiques, la conduite de l'étude et l'interprétation des résultats.

-écrire des algorithmes clairs et corrects -utiliser judicieusement les structures de données statiques -détecter le besoin de structures de données dynamiques -profiter de la récursivité -maîtriser les bases du langage C Savoirs et connaissances théoriques dans l'UE : -algorithmie -programmation Techniques, outils et méthodes utilisés dans l'UE : -Langage C -algorithme

Cette micro-certification vous fera découvrir la gestion de cycle de vie des produits et infrastructures. A partir d'activités vous permettant de comprendre et de partager les concepts, vous serez amené à manipuler le concept de PLM as a service et à mettre en ½uvre un projet portant sur sa définition. Cette micro-certification vous permettra de comprendre les implications de ce concept dans des domaines industriels variés. allant de la conception de produits manufacturés au développement et à la réalisation d'infrastructures plus complexes. Phase préparatoire : -auto-positionnement -aborder le PLM par un jeu collaboratif Formation présentielle : -comprendre les concepts du PLM, du besoin initial au socle fonctionnel -découvrir des plateformes (Windchill / 3DExperience / autre) -comprendre les évolutions des attentes et l'émergence des offres as a service dans un contexte d'Industrie 4.0 -illustrer ces concepts sur des projets de mise en ½uvre industrielle (industrie des produits et services, infrastructures) Phase de consolidation : -développer et mettre en ½uvre une offre de PaaSLM en lien avec un cas industriel

Cette micro-certification a pour objectif de sensibiliser le futur ingénieur à la prise en compte des facteurs organisationnels et humains dans tout projet de transformation numérique. Elle met l'accent également sur les méthodologies à mettre en ½uvre pour permettre le succès de tels projets. Enfin, elle propose une immersion dans le métier de consultant, acteur majeur de cette transformation. Phase préparatoire :introduction au métier de consultant, les bonnes pratiques pour un projet de transformation réussi,-présentation et mise en place du projet hors encadrement Formation présentielle : -état des lieux client -méthodologies générales de cadrage -savoir poser un diagnostic -évaluer un plan d'investissement -accompagner le changement Phase de consolidation :analyse et restitution d'un cas pratique

Cette micro-certification vous fera découvrir le BIM, pour Building Information Modeling. Le BIM est une approche globale visant à accélérer la collaboration tout au long des phases d'un projet de construction d'une infrastructure (transport, production d'énergie etc.). Sur la base d'exemples réels, vous appréhenderez la notion de continuité numérique d'un projet d'infrastructure et établirez les correspondances et différences notables avec les approches issues du domaine de l'industrie et des services besoin du marché. Phase préparatoire :auto-positionnement, aborder les fondamentaux du BIM, du vocabulaire aux contraintes métiers Formation présentielle : -comprendre lhistorique et la maturité du BIM -saisir les enjeux de la continuité numérique dans un projet d'infrastructure -comprendre les évolutions en cours (norme ISO 19650) -illustrer la démarche de continuité numérique à travers des projets de mise en ½uvre Phase de consolidation :développer et mettre en ½uvre un service de continuité numérique sur un projet d'infrastructure,compétences développées

Prendre en main les méthodes et outils dédiés à la modélisation pour les métiers du PLM. Apprendre à modéliser les données du produit, les processus industriels, les organisations et les systèmes d'information de l'entreprise au moyen de langages visuels tel que UML et BPMN Mettre en pratique ces approches dans le cadre d'un projet concret Utiliser efficacement les outils et les méthodes spécifiques dédiés à la modélisation dans le cadre du PLM (Product Lifecycle Management), en comprenant leur rôle dans la gestion des données et des processus industriels. Modéliser les données relatives aux produits, y compris les informations techniques, les spécifications et les configurations, en utilisant des outils adaptés à la gestion du cycle de vie du produit. Modéliser les processus industriels en appliquant des méthodologies visuelles pour représenter les flux de données. Utiliser les langages visuels standards, tels qu'UML (Unified Modeling Language) pour la modélisation des systèmes et des données, et BPMN (Business Process Model and Notation) pour la modélisation des processus métier, afin de créer des représentations claires et compréhensibles. Appliquer les techniques de modélisation apprises dans un cadre pratique, en travaillant sur un projet concret qui intègre la modélisation des produits, des processus, des organisations et des systèmes d'information. Analyser les processus industriels modélisés et proposer des améliorations en fonction des résultats obtenus, optimisant ainsi les flux de travail et la gestion des ressources.

-démontrer les propriétés élémentaires de régularité d¿une fonction à une ou plusieurs variables et maîtriser le calcul de primitive -appliquer les méthodes d¿intégration, reconnaître des équations différentielles et appliquer la méthode de résolution adaptée (approfondissement) -utiliser les matrices pour la résolution de systèmes d¿équations linéaires : maîtriser le calcul matriciel et de déterminant, exploiter ces résultats pour démontrer des propriétés matricielles et caractériser l¿espace des solutions -mettre en ½uvre la diagonalisation de matrices, démontrer les propriétés caractéristiques d¿un sous-espace vectoriel et caractériser une application linéaire (Approfondissement) Savoirs et connaissances théoriques dans l¿UE : -limite, continuité -dérivées partielles, différentiabilité -développements limités -primitive -équations différentielles homogènes, à variables séparables, linéaires (1er et 2nd ordre) -mineurs, cofacteurs -rang, matrice inverse -famille libres, familles génératrices, bases -image, noyau Techniques, outils et méthodes utilisés dans l¿UE : -IPP, changement de variables -développement par récurrence, méthode de Gauss -méthode de Gauss-Jordan -méthodes du pivot de Gauss -méthode de Cramer

La recherche opérationnelle est une discipline à l'intersection des mathématiques appliquées et de l'informatique, pour résoudre des problèmes d'optimisation et d'aide à la décision dans les activités économiques et industrielles. • Comprendre l'intérêt de la modélisation et de l'optimisation pour résoudre des problèmes complexes • Analyser un problème complexe en vue de le modéliser • Faire un modèle mathématique pour formaliser le problème • Implanter le modèle dans un logiciel pour le résoudre • Discuter les résultats pour les confronter à la réalité • Appliquer la démarche pour modéliser des problèmes divers en génie industriel (production, logistique, transport) La recherche opérationnelle est une discipline à l'intersection des mathématiques appliquées et de l'informatique, pour résoudre des problèmes d'optimisation et d'aide à la décision dans les activités économiques et industrielles. • Comprendre l'intérêt de la modélisation et de l'optimisation pour résoudre des problèmes complexes • Analyser un problème complexe en vue de le modéliser • Faire un modèle mathématique pour formaliser le problème • Implanter le modèle dans un logiciel pour le résoudre • Discuter les résultats pour les confronter à la réalité • Appliquer la démarche pour modéliser des problèmes divers en génie industriel (production, logistique, transport) Savoirs et connaissances théoriques : • Programmation linéaire • Optimisation de fonctions • Programmation non linéaire • Programmation dynamique Techniques, outils et méthodes utilisés : • Analyse de systèmes complexes • Processus de modélisation Algorithmie • Solveur d’optimisation d’Excel

-comprendre les méthodes fondamentales d'analyse de données multidimensionnelles pour les mettre en ½uvre dans la résolution de problèmes industriels -structurer l'information contenue dans des données multidimensionnelles afin de les analyser -identifier et comprendre les méthodes standards d'analyse multidimensionnelle pour résoudre des problèmes complexes d'analyse des données -identifier les données manquantes ou aberrantes et les traiter -conduire l'analyse et l'interprétation des données en employant les outils informatiques adaptés Savoirs et connaissances théoriques dans l'UE : -analyse factorielle (ACP, ACM, AFC) -données manquantes ou aberrantes -classification non supervisée (CAH, KNN) Techniques, outils et méthodes utilisés dans l'UE : -méthodes d'algèbre linéaire et de statistique descriptive -logiciel R (R Studio) et production de rapports avec R Markdown -langage python et production de rapports avec Jupyter notebook

- Identifier les données nécessaires à une analyse de durée de vie - Formaliser le processus de modélisation de durée de vie (choix du modèle) - Estimer les paramètres des modèles en fonction de la typologie des données disponibles - Évaluer la pertinence du modèle de défaillance en fonction du nombre et des caractéristiques des données - Mettre en œuvre les méthodes d’analyse dans différents domaines Savoirs et connaissances théoriques dans l’UE : - Lois probabilistes de durée de vie - Approches fréquentistes - Approches bayésiennes - Approches non paramétriques Techniques, outils et méthodes utilisés dans l’UE : - Vraisemblance - Études probabilistes de sûreté - Fiabilité des structures - Simulation stochastique (Monte Carlo) - R, Matlab