B1 · Episode 33 · 4:51
Julien, data scientist (2): Roles in the data field
Explains the distinct responsibilities of data engineers, machine learning specialists, and data analysts, and notes that these emerging roles are still evolving and clarifying their boundaries.
Source：Qu'est-ce que Tu GEEKes ? · License：CC BY-SA 4.0
Transcript
le data scientist qui est quelque part en train de faire spécialement du machine
the data scientist who is somewhere specifically doing machine
learning, c'est vraiment sa spé maintenant, création de modèles et utilisation des
learning, that's truly his specialty now, creation of models and use of
modèles pour faire toutes ces choses- là.
models to do all these things.
Et c'est pas fou que ce soit un métier à part parce que c'est vraiment assez
And it's not surprising that this is a distinct profession because it's truly quite
complexe. Et tout en bout de ligne, on a le data analyst.
complex. And at the very end, we have the data analyst.
qui va s'occuper d'aller capter la donnée qui a été organisée par les autres avant
who handles capturing the data previously organized by others,
pour ensuite la mettre en forme, l'analyser, l'expliquer et la rendre compréhensible
then formatting, analyzing, explaining, and making it understandable
à des gens dont c'est pas le métier, donc typiquement les gens du business et tout
for people whose job it isn't, so typically business people and all that.
ça. Alors après il y a plein de diversité, maintenant il y a un terme qui commence à
Then there's a lot of diversity; now a term is starting to emerge: machine learning specialist or machine learning engineer,
arriver, c'est machine learning specialist ou machine learning engineer,
who is the person doing machine learning and deep learning,
qui est le mec qui fait le machine learning et le deep learning,
but who specializes in industrializing the thing.
mais qui se spécialise dans l'industrialisation du truc.
but specializes in industrializing it.
Est- ce que tu peux expliquer rapidement ce concept- là pour les gens qui n'auraient
Can you quickly explain this concept for people who have no idea what we're talking about?
aucune idée de ce dont on est en train de parler?
have no idea what we're talking about?
Qu'est- ce que c'est cette histoire de modèle?
What exactly is this 'model' thing?
Qu'est- ce que c'est le machine learning?
What is machine learning?
Qu'est- ce que ça vient faire dans la data science, en gros?
What does it have to do with data science, roughly?
Pourquoi tu t'es mis à parler de ça d'un seul coup?
Why did you suddenly start talking about this?
Pour les gens qui ne connaissent pas du tout ça.
For people who know absolutely nothing about this.
C'est la base même du data scientist.
It's the very foundation of the data scientist.
Le modèle, c'est la manière dont on va être capable de
The model is the way we will be able to
retrouver le pattern, en fait.
actually retrieve the pattern.
Imaginons, au hasard, peut- être que j'ai fait ça un jour dans ma vie,
Imagine, at random, maybe I did this once in my life,
vous voulez prédire la
you want to predict the
production de déchets dans une commune d'une
waste production in a commune,
semaine sur l'autre.
from one week to the next.
Eh bien, le modèle, ça va être l'ensemble des équations d'algo que vous allez mettre
Well, the model will be the entire set of algorithmic equations you'll put
en place pour être capable de le prédire, et votre modèle en gros ça va être celui
in place to be able to predict it, and your model, roughly speaking, will be the one
qui va vous donner la prédiction que vous obtenez.
that gives you the prediction you obtain.
Ce modèle, du coup, peut être unique, il peut être multiple.
This model, therefore, can be unique or multiple.
On peut créer plein de modèles avec plein d'algo différents et garder le meilleur,
We can create many models with various different algorithms and keep the best one,
par exemple. C'est quelque chose qu'on va faire régulièrement.
for example. This is something we’ll do regularly.
Et il peut aussi être remis en cause régulièrement.
And it can also be challenged regularly.
C'est- à- dire qu'un modèle, on le fait, il met très longtemps,
That is, once you build a model, it takes a very long time,
enfin, il peut mettre un peu longtemps à être créé et être mis en place.
well, it may take some time to be created and deployed.
Et ensuite, ton modèle, il est fait, t'as plus qu'à l'appliquer à tes données et tu
And then, your model is done—you just need to apply it to your data, and you
vas obtenir ton résultat.
will get your result.
Donc en effet, sur le plan le plus basique, ça peut être une équation.
So indeed, at the most basic level, it can be an equation.
C'est le truc qui te dit que x est égal à x fois 2.
It’s the thing that tells you x equals x times 2.
Enfin, tu sais qu'en fait, la data science vraiment de base,
Well, you know, truly basic data science,
parfois, c'est juste faire des
sometimes, is simply doing
prédictions linéaires.
linear predictions.
Alors c'est pas comme ça que marche le déchet, mais il y a vraiment des cas où il
So waste management doesn’t work this way, but there really are cases where
faut pas aller plus loin.
you don’t need to go further.
Et d'ailleurs, souvent, ça déçoit un peu le commercial qui pense qu'il va vendre un
And in fact, this often slightly disappoints the salesperson who thinks they’ll sell a
truc incroyable.
incredible thing.
Et là, genre, bah en fait, tu sais, c'est une médiane.
And then, like, well actually, you know, it's a median.
Voilà. Donc du coup, c'est vraiment cette notion- là.
There you go. So it's really this concept.
Et le modèle, il peut être refait régulièrement.
And the model can be rebuilt regularly.
Et c'est ça tout le sel, on va dire, de la data science, c'est créer les modèles,
And this is, so to speak, the essence of data science: creating models,
les tester et les mettre en place.
testing them and deploying them.
Et ces modèles, ils peuvent permettre donc du coup de prédire,
And these models can therefore enable prediction,
pas vraiment le futur, mais prédire des
not really predicting the future, but predicting
phénomènes. Ça peut être de la production, ça peut être des modèles météo ou
phenomena. It could be production, it could be weather or
climato, ça peut être des comportements de la clientèle,
climate models, it could be customer behavior,
ça peut d'ailleurs du coup aller assez loin, je pense qu'on pourra parler d'éthique
in fact, it can even go quite far—I think we’ll discuss ethics at some point.
à un moment. Après il y a un milliard d'autres choses, il y a la
Then there are a billion other things, such as
computer vision, donc qui va
computer vision, which will
analyser une image pour trouver un visage par exemple ou reconnaître un chat ou
analyze an image to find a face, for example, or recognize a cat, or
croire qu'un chat est un chien si on.
mistake a cat for a dog if we.
C'est très en vogue pour les questions de voiture autonome.
It's very trendy for autonomous vehicle questions.
Il faut que la voiture autonome soit capable de comprendre ce qu'il y a sur une
The autonomous vehicle must be able to understand what's on a
caméra pour se comporter correctement.
camera to behave correctly.
Il y a les questions de, alors tout ce qui est NLP, c'est pour Natural Language
There are questions about, well, all things NLP—that's Natural Language
Processing, c'est l'analyse du langage en gros.
Processing—it's language analysis in broad terms.
Et là on peut faire des bots par exemple qui répondent aux gens,
And here we can build bots, for example, that respond to people,
qui leur disent des trucs, plus ou moins de succès.
tell them things—with varying degrees of success.
Et dans tous les métiers que tu as énoncés, là, de la data science,
And across all the data science professions you just listed,
toi tu fais quoi aujourd'hui?
what do you do today?
Alors aujourd'hui là maintenant, toute petite date,
So right now—right at this very moment, a tiny date,
je refais de la data science.
I'm doing data science again.
Ça ne fait pas très longtemps parce
It hasn't been for very long because
que j'étais beaucoup plus sur le data analyst au
I was much more on data analyst work over
cours de l'année dernière parce qu'on avait un énorme travail d'organisation de la
the course of last year since we had an enormous amount of data organization work,
donnée justement.
precisely.
Alors il y a un autre métier qui est très connecté.
So there's another profession that's very closely connected.
qui est celui de business analyst, tout ce qui est la notion de business
namely business analyst, all concepts related to business,
intelligence, en gros c'est tout ce que j'appelais data viz,
i.e., business intelligence—in short, what I previously called data viz,
c'est un peu ça.
that's roughly it.
C'était en gros être capable de créer toute la notion de visualisation de
It was essentially about being able to create the entire concept of information visualization,
l'information, faire des graphiques qui ont du sens, qui sont très compréhensibles,
creating charts that make sense and are highly comprehensible,
qui ressortent l'information majeure et comment tu crées une visualisation qui va,
highlighting the key information, and how you create a visualization that will,
on dit créer de la valeur souvent dans le monde de l'entreprise,
we often say ‘create value’ in the corporate world,
c'est- à- dire en gros dire voilà mon tableau de bord, là il me donne une info que
meaning roughly: here’s my dashboard—it delivers an insight that,
le gars du business directement il sait
the business person directly knows,
quoi en faire.
what to do with it.
Le but c'est pas juste de donner un rapport, tu vois, et faire de la business
The goal isn’t just to deliver a report, you see—and doing business intelligence also involves this aspect:
intelligence c'est aussi avoir ce côté de dire
intelligence is also about having the ability to say
et voilà un conseil pour réagir à cette information.
here’s advice on how to respond to this information.
Ça, ça fait un peu partie du métier de data scientist et de data analyst.
This falls somewhat within the roles of data scientist and data analyst.
Voilà. Donc si vous trouvez que c'est un peu le bordel, c'est normal parce que ça
Here we go. So if you find it a bit chaotic, that's normal because it
l'est. C'est vraiment des nouveaux métiers qui sont encore en train de.
really is. These are truly emerging professions still in the process of
Essayer de trouver leur place, quoi.
trying to find their place, that's all.
Finalement, tu nous as un peu expliqué ce que tu faisais
Ultimately, you've somewhat explained to us what you were doing
avant, mais je suis pas sûr que tu nous aies dit ce que tu faisais maintenant,
before, but I'm not sure you've told us what you're doing now,
maintenant, maintenant.
now, now.
Alors, non, en effet.
So, no, indeed.