Le SI en 2030 sera agentique, c'est une certitude. La question maintenant est de prévoir au mieux comment cela va s'agencer et comment préparer au mieux son SI pour accueillir les agents IA.
La Networked Agentic Organization (NAO), un réseau fluide où humains et IA collaborent sans hiérarchie, guidés par des protocoles partagés. Comment les NAO redéfinissent ce que “s’organiser” veut dire à l’ère de l’IA?
✨ Passons du management à l’émergence, des organigrammes aux réseaux vivants.
Cinq portraits, cinq voix. Non pour ériger des modèles, mais pour élargir notre regard sur la tech. Avec Women’s Vision, il s’agit moins de célébrer que d’écouter. Accueillir les voix discrètes, les chemins sinueux. Et reconnaître d’autres façons d’habiter la tech.
Data Scientist, ML Engineer, Data Engineer, Analytics Engineer, dans ces 4 professions, il y en a une qui va disparaître. Laquelle ?
Le Data Scientist est un scientifique, doué pour créer de nouveaux modèles et comprendre les concepts mathématiques des modèles existants. Il a généralement une formation de mathématicien, avec une spécialisation en statistiques. Il est doué pour les mathématiques.
La programmation n'est pas son truc.
Cette profession a connu ses jours de gloire. Un peu comme les ingénieurs qui ont créé des compilateurs dans les années 70 et 80. Ils étaient des héros : chaque grande entreprise créait son propre langage de programmation et avait une équipe pour le faire vivre.
C'est ce qui se passe maintenant avec les Data Scientists. Chaque entreprise essaie de créer son propre modèle pour inventer un concept au vu de la particularité de ses données.
C'est long, laborieux et finalement inefficace.
Créer un modèle et craquer un domaine nécessite un très haut degré d'expertise, beaucoup de puissance de calcul et un très grand volume de données. Peu d'entreprises sont capables de réussir. Celles qui y parviennent ont souvent les meilleurs experts mondiaux dans leurs équipes.
Les emplois autour de la Data Science sont donc en train de se réorganiser : ML Engineer, Data Engineer et Analytics engineer.
Le ML Engineer est capable de définir, customiser et composer des modèles de machine learning pour les mettre en production. Il est bon en programmation, comprend le MLOps et est capable d'adapter les modèles qu'il utilise au contexte.
Le Data Engineer conçoit et développe des systèmes qui collectent, stockent et nettoient les données. Son champ d'activité est vaste. Il est présent dans presque toutes les industries.
L'Analytics Engineer assure la relation entre les équipes Business et les Data Engineers. Il est expert en SQL, connaît le Python et est capable de traduire les besoins de l'entreprise en un système de reporting.
C'est ce triptyque sur lequel il faut compter en priorité - d'autant que pour une première approche du ML, de nombreux modèles sur étagère peuvent déjà apporter des gains considérables.
WENVISION est un cabinet de conseil qui accompagne les entreprises sur la mise en place d'une stratégie numérique basée sur la technologie, l'organisation et la culture.
Ce ne sera toujours pas pour 2025 : l'outil "miracle" pour la gouvernance des données n'existe pas ; il s'agit plutôt d'une démarche outillée, dont il est important de s'approprier les étapes.
Replay du webinaire du 6 février dernier, à l'occasion de la sortie de notre Livre blanc Tendances Tech 2025, réunissant des experts de SFEIR et WEnvision.
Le texte régulant l'IA dans l'Union européenne est entré en vigueur. Généralement perçu comme un frein, il peut aussi être vu comme une opportunité de faire les choses différemment.