Le Data Scientist est devenu incontournable, que ce soit pour sécuriser des données et les rendre exploitables, construire un projet data oriented performant ou par exemple lutter contre la fraude bancaire. Vous l’aurez compris : en véritable couteau suisse, cet expert se plaît à endosser plusieurs casquettes.  

Comment reconnaître un bon Data Scientist ?  

Outre son aisance avec les flux de données, le Data Scientist dispose souvent d’une forte capacité d’analyse, d’une expertise en manipulation et nettoyage des données, d’outils statistiques et de visualisation, de connaissance des modèles de Machine Learning… Si les qualités d’un Data Scientist sont multiples, le parcours de ces experts peut varier du tout au tout. Certains vont s’orienter métier, ce qui demande un excellent esprit d’analyse et une compréhension stratégique des besoins. D’autres, passionnés par la technologie, se concentrent dans la production de modèles de Machine Learning (AI) et la création de pipelines de données performantes. Ce sont les Data Engineers ou les Machine Learning Engineers.  

Chacun cherche Thomas

Chez ilem, Thomas est un jeune Data Scientist qui a déjà acquis une solide expérience. Diplômé en Génie mathématique et modélisation et en statistiques industrielles, il a d’abord travaillé auprès de start-ups : l’une spécialisée dans l’efficacité énergétique, l’autre dans la sécurité bancaire. Actuellement, Thomas est consultant AI-Engineer dans une grande organisation à but non lucratif.

Identity matching

En termes de stockage, de surveillance et de manipulation de données, Thomas parle le Big Data couramment. Chaque jour, il évolue entre langage SQL server, logiciel Elasticsearch et base de données PostgreSQL. Pour ce Data Scientist rompu à la programmation informatique, les données se révèlent un formidable terrain d’exploration qu’il s’agit d’analyser, de surveiller, de traiter, de stocker, de calculer et de croiser avec d’autres éléments et paramètres.

Proof-Of-Concept

Une fois ce travail accompli, l’objectif principal consiste à rendre ces données exploitables. Après les phases capitales de codage, versionnage, tests et déploiement, le Data Scientist peut alors passer à la conception des API et des interfaces.

Un process rigoureux

Quel que soit le projet (plus ou moins complexe), le Data Scientist commence par valider des hypothèses, puis vérifie les données et la faisabilité de la mission. Il s’appuie ensuite sur d’autres forces vives : Data Engineers, Software Developers, Database Administrators et autres magiciens de la data. Pluridisciplinaire et passionnée, cette équipe travaille en synergie afin de mener le projet ou le produit à sa phase d’industrialisation, jusqu’au logiciel finalisé et prêt à l’emploi.