Même si l'IA est privilégiée, il faut toujours partir de la stratégie et des problèmes à résoudre, prévient la HBR, dont l'approche 3P fait écho au Tech, Orga, Culture de WEnvision.
"The Software Architect Elevator" est une de feuille de route pour les architectes. En embrassant le changement, en comprenant les systèmes organisationnels et en favorisant une communication efficace, les architectes peuvent jouer un rôle central en conduisant les organisations vers le succès.
L'IA générative était (surprise !) la vedette du keynote de l'AWS Summit Paris, ce 3 avril au Palais des Congrès. C'est LE sujet qui tire le Cloud et la Data.
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.
L'IA générative était (surprise !) la vedette du keynote de l'AWS Summit Paris, ce 3 avril au Palais des Congrès. C'est LE sujet qui tire le Cloud et la Data.
LACE, LUXCE, CCoE, DMCoE, AICoE, les "Centers of Excellence" (CoE) explosent.
Au delà de l’effet de mode, les CoE sont un véritable moyen de mettre en mouvement les Tech Companies, à condition que les initiatives soient anticipées et coordonnées dans une démarche de "Continuous Learning".
Les projets data sont souvent abordés sous un seul angle. Voire deux. Réussir sa stratégie data nécessite de considérer l'ensemble des 4 piliers fondamentaux : la tech, l’orga, la culture et la gouvernance.
Quelles sont les perspectives de l'IA en 2024 ? Cet article décrypte les évolutions majeures qui influenceront les mois à venir, offrant un aperçu des tendances et des défis à venir.