Scientifique des données · Détecte des régularités et construit des modèles prédictifs à partir de données — un intitulé de poste né en 2008, fondé sur trois siècles de comptage, de tests et de visualisation des preuves.
La culture populaire a surtout sauté l'étape du statisticien pour aller directement au quant ou à l'algorithme — l'image publique du scientifique des données doit plus aux analystes de baseball de Moneyball et aux quants prédisant la crise dans The Big Short qu'à quiconque faisant concrètement le métier au quotidien.
À l'intérieur du domaine, la culture repose sur des benchmarks publics compétitifs, des blagues statistiques deadpan et un format documentaire — la fiche modèle — qui transforme « être honnête sur les limites de son modèle » en habitude professionnelle routinière plutôt qu'en réflexion après coup.
How much status the profession carried in each era, on a 0–100 scale.
Les premiers travaux statistiques étaient surtout menés par des clercs, des réformateurs amateurs et des autodidactes comme Nightingale ; utiles et parfois influents, mais rarement prestigieux en eux-mêmes.
Pearson, Fisher et Gosset professionnalisent les statistiques en discipline académique avec ses propres revues et départements universitaires, gagnant le respect savant tout en restant presque invisibles pour le grand public.
Avec la diffusion de l'informatique centralisée, le personnel de « traitement des données » et les statisticiens étaient surtout vus comme un support d'entreprise essentiel mais peu glamour, rarement présents dans la prise de décision exécutive.
La proposition académique de Cleveland en 2001 attire peu l'attention du public, mais le prix d'un million de dollars de Netflix en 2006–2009 pour un algorithme de recommandation et la création de l'intitulé « data scientist » en 2008 chez LinkedIn et Facebook commencent à faire tourner les têtes dans l'industrie technologique.
Le cadrage « sexiest job » de la Harvard Business Review en octobre 2012 déclenche un boom de recrutement et de prestige ; dans les années 2020, l'intitulé s'est fragmenté en rôles plus spécialisés et a perdu une part de son éclat singulier, bien que la rémunération et la demande restent solides.
Dramatise comment Billy Beane des Oakland Athletics et l'analyste Paul DePodesta ont utilisé l'analyse statistique, s'inspirant de la sabermétrie de Bill James, pour constituer une équipe compétitive avec l'un des plus petits budgets du baseball.
Suit une poignée d'analystes qui ont étudié de près les données du marché hypothécaire pour prédire la crise financière de 2008 avant que presque personne ne croie aux chiffres.
Un mathématicien aide son frère agent du FBI à résoudre des crimes par l'analyse statistique et la reconnaissance de motifs, introduisant un public télévisuel américain mainstream aux mathématiques appliquées comme travail d'enquête.
Cette série anthologique britannique imagine à plusieurs reprises le profilage de données et le scoring prédictif poussés à des extrêmes inquiétants, notamment dans l'épisode de 2016 « Nosedive », façonnant l'anxiété publique face au classement algorithmique des personnes.
Raconte l'histoire réelle de Katherine Johnson, Dorothy Vaughan et Mary Jackson, mathématiciennes noires dont les calculs à la main à la NASA ont soutenu les missions orbitales Mercury de 1962 avant que les ordinateurs électroniques ne prennent le relais.
Suit la découverte par la chercheuse du MIT Joy Buolamwini que les systèmes de reconnaissance faciale identifient bien plus souvent à tort les visages à peau foncée, transformant un constat technique de biais de données en prise de conscience publique plus large sur l'équité algorithmique.
Les compétitions publiques d'apprentissage automatique hébergées sur Kaggle, lancées en 2010, classent les participants sur un tableau de bord visible tout au long du concours, puis révèlent le classement final sur un jeu de test caché à la clôture — un moment que les compétiteurs appellent le « shake-up », car un surajustement au classement public peut faire chuter une équipe de dizaines de places du jour au lendemain.
Suivant la pratique proposée dans un article de 2018 de Margaret Mitchell et collègues chez Google, les équipes documentent de plus en plus l'usage prévu d'un modèle, ses données d'entraînement et ses limites connues dans une courte « fiche modèle » avant mise en production — traitée comme une obligation professionnelle plutôt qu'un extra optionnel.
Présenter des résultats exploratoires en faisant défiler en direct les cellules et graphiques d'un notebook Jupyter, plutôt qu'un diaporama poli, reste la façon par défaut dont un scientifique des données partage des résultats préliminaires avec collègues et parties prenantes.
Rien de tout cela ne tranche la plus vieille tension du domaine : la science des données est-elle une discipline réellement nouvelle ou un travail statistique et informatique plus ancien sous un nom plus vendeur ? Les praticiens eux-mêmes en débattent, souvent au sein de la même équipe.
Ce qui est resté constant depuis les tables de mortalité de Graunt en 1662, c'est le geste de base : transformer un amas de registres en affirmation sur laquelle quelqu'un peut agir, et être honnête sur la part de cette affirmation que les données supportent réellement.
Voisins les plus proches sur le profil à six scores — pas seulement le même champ.
Le gardien des livres : héritier d'un métier si ancien qu'il a inventé l'écriture, négociant aujourd'hui avec les logiciels conçus pour l'automatiser.
AI-resistant 35 🗺️Décide ce que l'entreprise doit construire ensuite, et pourquoi — en transformant les besoins clients, les objectifs business et les contraintes techniques en un plan partagé que personne d'autre ne possède vraiment.
AI-resistant 50 💻Écrit, teste et maintient le code qui gère la vie moderne – et est l’une des premières professions à voir l’IA automatiser son propre travail quotidien.
AI-resistant 35 📣Le professionnel qui crée la demande — des murs peints de Pompéi et du mémo « brand man » de P&G en 1931 aux fils d'actualité gouvernés par les enchères de l'ère numérique.
AI-resistant 38 🦾Conçoit les machines qui perçoivent, décident et agissent dans le monde physique — où le vrai défi n'a jamais été l'intelligence, mais le monde lui-même.
AI-resistant 65 💊L'expert des médicaments derrière chaque ordonnance — des premières boutiques de drogues de Bagdad et du mortier de l'apothicaire à la morphine, l'artémisinine et l'officine moderne.
AI-resistant 58Établit et teste les lois mathématiques qui régissent la matière, l'énergie, l'espace et le temps, d'un tableau noir solitaire à un article de collisionneur signé par 3 000 auteurs.
AI-resistant 65 🧬Le scientifique qui étudie la vie elle-même, de Linnaeus nommant les espèces à la main à l'édition de génomes avec CRISPR, testant encore chaque idée sur un organisme vivant.
AI-resistant 64 🧪Le scientifique qui fabrique et mesure la matière — de l'alambic babylonien de Tapputi aux laboratoires robotisés d'aujourd'hui, celui qui décide encore ce que signifie le spectre.
AI-resistant 70 🔭Le scientifique qui mesure l'univers, des tablettes d'argile babyloniennes aux télescopes spatiaux, et qui décide encore aujourd'hui quelle fluctuation dans les données est une découverte.
AI-resistant 70 🧮Des scribes babyloniens aux lauréats Fields et à la démonstration assistée par IA : la profession qui transforme les questions difficiles en certitude permanente, théorème après théorème.
AI-resistant 70