CYBC’est un métier qui parait très théorique à la plupart des gens, pourtant ce qui plait le plus à Rim Aboulaasri dans ses missions de data scientist, ce sont leurs applications concrètes et bien utiles.
Rim Aboulaasri, comment êtes-vous devenu data scientist ?
Après le Bac, j’ai fait une prépa BCPST, biologie, chimie, physique et sciences de la Terre. Puis j’ai intégré Agrocampus Ouest, une école d’agronomie et de sciences du vivant à Rennes. Pendant mon semestre Erasmus à l’université de Wageningen aux Pays-Bas, je me suis découvert une passion pour les statistiques et la programmation. En troisième année, j’ai donc opté pour une spécialisation dans les statistiques et data sciences appliquées aux sciences du vivant. J’ai ensuite effectué un stage de six mois au sein d’un grand groupe de cosmétiques et parfums de luxe. Après cela, j’ai été embauchée par un groupe de conseil qui avait plusieurs clients… Dont ceux chez qui j’avais fait ce stage ! Je travaille donc toujours pour eux, désormais en tant que prestataire.
En quoi consiste le métier ?
L’objectif est de trouver des leviers de valorisation des données. Je suis détachée avec l’équipe neurosciences, qui s’occupe de tout ce qui est en rapport avec l’impact des produits sur la psychologie et le sensoriel chez les clientes. Cela génère énormément de données. Je dois développer des outils pour centraliser le tout, vérifier la pertinence des données, proposer des solutions pour suivre les panels dans le temps, prédire des scores…
Quels conseils donneriez-vous à de futurs data scientists ?
Ne vous limitez pas à deux langages. Et apprenez à comprendre la théorie derrière le machine learning et les statistiques : même quand on utilise des packages et des librairies préfabriquées, il est important de garder en tête les méthodes de calcul.
Qu’est-ce qui vous plait le plus et le moins dans votre métier ?
J’aime réfléchir à des moyens et stratégies pour faire quelque chose des données, c’est la partie la plus stimulante du travail. J’échange avec les experts métiers, des postes qui n’ont rien à voir avec la data, pour appliquer les données à la réalité terrain. En revanche, le data management, vérifier à chaque début de projet que les données sont pertinentes et éliminer les outliers, est très chronophage.
A votre avis, comment le métier va-t-il évoluer ?
Un data scientist ne doit pas se contenter de faire des proofs of concept, il va devoir aller jusqu’au déploiement et à l’industrialisation des outils qu’il crée, livrer une appli ou un dashboard final qui soit utilisable. Il y a aussi un nouveau champ dans le machine learning, l’explainable AI, le machine learning explicable, qui est un enjeu majeur. Les data scientists doivent être capables de gagner la confiance du public visé, de le convaincre d’utiliser leurs outils et donc de leur montrer en quoi les modèles qu’ils construisent sont utiles.
Une expérience fun à partager ?
Après mon tout premier cours de stat’ et programmation, la première chose que je me suis dite, c’est « s’il y a une spécialisation que je ne vais pas choisir, c’est la data science ! » Je ne comprenais rien au charabia du codage. C’est en voyant les applications dans la vraie vie que j’ai été conquise.
Un truc en plus ?
Le Medium Towards Data Science. Ce sont des articles assez courts sur différentes méthodes, des choses trendy en data science. Et le livre d’Aurélien Géron, Hands-on machine learning with Scikit-Learn & TensorFlow.
Propos recueillis par Séverine Dégallaix
