🧫Craft & Know-How

Contrairement à l'image de la « création de modèles d'IA », la plupart du temps est partagé entre l'écriture de requêtes SQL et de code Python pour extraire et nettoyer les données, l'exécution de tests statistiques ou de modèles de formation et la traduction des résultats dans un graphique ou un mémo sur lequel une partie prenante non technique peut agir. Les enquêtes auprès des praticiens placent systématiquement le nettoyage et la préparation des données à environ la moitié ou plus du temps de travail total.

Non, contrairement à la médecine ou au droit, il n’y a pas de licence ni de diplôme unique requis ; un baccalauréat ou une maîtrise en statistiques, en informatique, en mathématiques ou dans un domaine quantitatif connexe est la voie la plus courante, et un solide portefeuille de projets réels compte souvent plus pour les employeurs que le titre exact. Les titulaires d'un doctorat occupent plus souvent des postes axés sur la recherche ou l'apprentissage automatique appliqué.

Pas tout à fait. Il s'appuie largement sur les statistiques – la conception expérimentale de Fisher, l'analyse exploratoire de Tukey – mais y ajoute la programmation, l'ingénierie de bases de données et l'apprentissage automatique que les départements de statistiques classiques enseignaient rarement. William S. Cleveland a proposé le terme en 2001 spécifiquement pour décrire cette version élargie et gourmande en informatique du domaine, fondée sur les statistiques plutôt que de les remplacer.

La fin de la routine est déjà exposée : les outils AutoML peuvent adapter et ajuster des modèles standard, et les assistants IA peuvent écrire des requêtes SQL, des premières ébauches de graphiques exploratoires et du code de pipeline passe-partout plus rapidement qu'une personne. Ce qui n’a pas été automatisé, c’est de formuler la bonne question, de juger si un modèle est significatif ou fallacieux, et d’assumer la responsabilité d’une décision fondée sur le résultat.

Cela varie considérablement selon les pays et l’ancienneté. Le Bureau of Labor Statistics des États-Unis estime le salaire annuel médian pour le métier de scientifique des données cliniques à environ 108 000 dollars en 2023, tandis que les analystes juniors commencent souvent plus près de 70 000 à 95 000 dollars et les scientifiques de données cliniques seniors ou principaux dans les grandes entreprises technologiques peuvent gagner entre 200 000 et 400 000 dollars ou plus en rémunération totale avec actions.

Un analyste de données répond généralement à des questions commerciales définies avec des données et des tableaux de bord existants ; un data scientist clinique construit de nouveaux modèles statistiques et analyses prédictives, souvent à partir de données plus compliquées ; un ingénieur en apprentissage automatique extrait un modèle d'un ordinateur portable et le fait fonctionner de manière fiable, à grande échelle, en production. Les frontières s’estompent constamment et de nombreuses personnes évoluent entre les trois au cours d’une carrière.