Philippe Lerique, partner chez TalanConsulting
En 2012, un article de la Harvard Business Review présentait le métier de data scientist comme "le job le plus sexy du XXIème siècle". Alors sur le toit du monde, la super star de la data science s'arrachait à prix d'or. Dix ans plus tard, cet expert de la donnée reste toujours aussi courtisé mais a perdu son statut privilégié.
Les projets d'intelligence artificielle ont entretemps changé de dimension. Finie la phase d'évangélisation et des POC, les entreprises sont aujourd'hui convaincues que l'IA constitue un levier essentiel pour transformer leur organisation voire leur modèle économique et souhaitent passer au stade de l'industrialisation.
Les organisations arrivant à maturité sur le sujet, l'équipe de data science s'est étoffée. Pour que le data scientist puisse concevoir des modèles algorithmiques, il faut que la donnée soit préalablement extraite, qualifiée, préparée et transformée. Le data miner ou le data ingénieur assure cette collecte et ce raffinage.
Place à l'automatisation
L'ingénieur intégrateur d'IA occupe aussi un rôle clé dans la volonté de passer à l'échelle. Cette partie intégration est d'autant plus importante que les hyperscalers proposent un nombre croissant de services d'IA prêts à l'emploi. De même, des plateformes spécialisées comme Dataiku, Alteryx, Prevision.io, DataRobot ou Domino assistent la conception, le déploiement et la gestion de modèles algorithmiques.
L'IA devrait connaître un mouvement identique à celui qui s'est opéré dans le domaine de la création de sites Internet. A l'ère du web 1.0, des développeurs créaient un site "from scratch" en écrivant chaque ligne de code. Aujourd'hui, des solutions automatisent l'édition de sites en recourant à des composants préconfigurés.
Sur le même principe, il est d'ores et déjà possible de concevoir des chatbots simples de type FAQ par glisser-déposer depuis une interface entièrement visuelle. Avec l'avènement du low/no code, un certain nombre de projets d'IA vont être menés directement par les opérationnels. Des observateurs envisagent même la mort du data scientist.
De "couteau-suisse" à spécialiste
Sans aller jusque-là, le métier de data scientist est appelé à évoluer. Déchargé d'une partie du code, il peut se concentrer sur le choix de la famille d'algorithmes pour un cas d'usage donné puis de son optimisation. Les compétences recherchées seront donc moins dans la maîtrise du code pur et dur que dans la compréhension du métier.
Il s'agira, par exemple, de déterminer avec les équipes métier à quel moment pousser une nouvelle offre de location à un client qui a acheté une voiture en leasing. La maintenance prédictive permet, quant à elle, d'anticiper les pannes avant qu'elles ne se produisent. Un problème sur une porte de métro a, par exemple, 90 % de chances de se répercuter sur les autres portes de la rame après un nombre identique de fermetures.
Dans ce contexte, le data scientist qui était, à ses débuts, le "couteau suisse" de l'IA est appelé de plus en plus à se spécialiser. Il devient expert du traitement de l'image (statique ou vidéo), du traitement du langage naturel (NLP) pendant que d’autres se spécialiseront dans l'analyse des séries temporelles (time series) pour les prévisions de vente et de trafic ou la détection des signaux faibles dans le cadre de la maintenance prédictive.
L'IA quitte le giron des équipes de data science
Le data scientist doit aussi composer – on l'a vu – avec une autre tendance de fond qui est l'appropriation du sujet de l'IA par le reste de l'entreprise. Au sein des directions métiers, le data steward ou le product owner va évaluer les apports de l'IA et, en regard, les cas d'usage éligibles.
L'acculturation à la donnée concerne même l'ensemble d'une organisation. Des programmes d’IA et de « data literacy » permettent d'offrir un socle minimum de compétences à un grand nombre de collaborateurs afin de promouvoir une utilisation plus efficace des données. Ainsi, chez BNP Paribas plus de 6000 personnes ont été acculturées avec l’aide de Talan.
Enfin, le rôle du data scientist « expert métier » et chef de projet ne se limite pas à l'expression du besoin et validation des développements. Une fois le modèle en production, il sera chargé de l’enrichir, de le faire évoluer, de le déployer sur d’autres enjeux, mais surtout de le surveiller comme le lait sur le feu afin d'éviter toute dérive. A titre d'exemple, un moteur de recommandation d'un site de bricolage s'est mis, à l'époque des gilets jaunes, à suggérer l'achat de boules de pétanque lors de commandes de… masques à gaz ! A l’heure où le métier de datascientist vit une véritable révolution, il faut dès maintenant que celui-ci se spécialise…au risque de disparaître.
Les projets d'intelligence artificielle ont entretemps changé de dimension. Finie la phase d'évangélisation et des POC, les entreprises sont aujourd'hui convaincues que l'IA constitue un levier essentiel pour transformer leur organisation voire leur modèle économique et souhaitent passer au stade de l'industrialisation.
Les organisations arrivant à maturité sur le sujet, l'équipe de data science s'est étoffée. Pour que le data scientist puisse concevoir des modèles algorithmiques, il faut que la donnée soit préalablement extraite, qualifiée, préparée et transformée. Le data miner ou le data ingénieur assure cette collecte et ce raffinage.
Place à l'automatisation
L'ingénieur intégrateur d'IA occupe aussi un rôle clé dans la volonté de passer à l'échelle. Cette partie intégration est d'autant plus importante que les hyperscalers proposent un nombre croissant de services d'IA prêts à l'emploi. De même, des plateformes spécialisées comme Dataiku, Alteryx, Prevision.io, DataRobot ou Domino assistent la conception, le déploiement et la gestion de modèles algorithmiques.
L'IA devrait connaître un mouvement identique à celui qui s'est opéré dans le domaine de la création de sites Internet. A l'ère du web 1.0, des développeurs créaient un site "from scratch" en écrivant chaque ligne de code. Aujourd'hui, des solutions automatisent l'édition de sites en recourant à des composants préconfigurés.
Sur le même principe, il est d'ores et déjà possible de concevoir des chatbots simples de type FAQ par glisser-déposer depuis une interface entièrement visuelle. Avec l'avènement du low/no code, un certain nombre de projets d'IA vont être menés directement par les opérationnels. Des observateurs envisagent même la mort du data scientist.
De "couteau-suisse" à spécialiste
Sans aller jusque-là, le métier de data scientist est appelé à évoluer. Déchargé d'une partie du code, il peut se concentrer sur le choix de la famille d'algorithmes pour un cas d'usage donné puis de son optimisation. Les compétences recherchées seront donc moins dans la maîtrise du code pur et dur que dans la compréhension du métier.
Il s'agira, par exemple, de déterminer avec les équipes métier à quel moment pousser une nouvelle offre de location à un client qui a acheté une voiture en leasing. La maintenance prédictive permet, quant à elle, d'anticiper les pannes avant qu'elles ne se produisent. Un problème sur une porte de métro a, par exemple, 90 % de chances de se répercuter sur les autres portes de la rame après un nombre identique de fermetures.
Dans ce contexte, le data scientist qui était, à ses débuts, le "couteau suisse" de l'IA est appelé de plus en plus à se spécialiser. Il devient expert du traitement de l'image (statique ou vidéo), du traitement du langage naturel (NLP) pendant que d’autres se spécialiseront dans l'analyse des séries temporelles (time series) pour les prévisions de vente et de trafic ou la détection des signaux faibles dans le cadre de la maintenance prédictive.
L'IA quitte le giron des équipes de data science
Le data scientist doit aussi composer – on l'a vu – avec une autre tendance de fond qui est l'appropriation du sujet de l'IA par le reste de l'entreprise. Au sein des directions métiers, le data steward ou le product owner va évaluer les apports de l'IA et, en regard, les cas d'usage éligibles.
L'acculturation à la donnée concerne même l'ensemble d'une organisation. Des programmes d’IA et de « data literacy » permettent d'offrir un socle minimum de compétences à un grand nombre de collaborateurs afin de promouvoir une utilisation plus efficace des données. Ainsi, chez BNP Paribas plus de 6000 personnes ont été acculturées avec l’aide de Talan.
Enfin, le rôle du data scientist « expert métier » et chef de projet ne se limite pas à l'expression du besoin et validation des développements. Une fois le modèle en production, il sera chargé de l’enrichir, de le faire évoluer, de le déployer sur d’autres enjeux, mais surtout de le surveiller comme le lait sur le feu afin d'éviter toute dérive. A titre d'exemple, un moteur de recommandation d'un site de bricolage s'est mis, à l'époque des gilets jaunes, à suggérer l'achat de boules de pétanque lors de commandes de… masques à gaz ! A l’heure où le métier de datascientist vit une véritable révolution, il faut dès maintenant que celui-ci se spécialise…au risque de disparaître.