📊AI & The Future

Contrairement à l'image du « constructeur de modèles d'IA », la plupart des journées se partagent entre l'écriture de requêtes SQL et de code Python pour extraire et nettoyer les données, l'exécution de tests statistiques ou l'entraînement de modèles, et la traduction des résultats en graphique ou note de synthèse qu'un décideur non technique peut exploiter. Les enquêtes auprès des praticiens placent régulièrement le nettoyage et la préparation des données à environ la moitié — voire davantage — du temps de travail total.

Non. Contrairement à la médecine ou au droit, il n'existe ni licence ni diplôme unique obligatoire ; une licence ou un master en statistiques, informatique, mathématiques ou dans un autre domaine quantitatif voisin constitue la voie la plus courante, et un solide portfolio de projets réels compte souvent davantage aux yeux des employeurs que le diplôme exact. Les doctorats sont plus fréquents dans les rôles fortement orientés recherche ou apprentissage automatique appliqué.

Pas tout à fait. Elle s'appuie fortement sur les statistiques — le plan d'expérience de Fisher, l'analyse exploratoire de Tukey — mais ajoute la programmation, l'ingénierie des bases de données et l'apprentissage automatique que les départements de statistique classiques enseignaient rarement. William S. Cleveland a proposé le terme en 2001 précisément pour décrire cette version élargie et informatisée du domaine, bâtie sur les statistiques plutôt qu'en les remplaçant.

L'extrémité routinière est déjà exposée : les outils AutoML peuvent ajuster et optimiser des modèles standards, et les assistants IA rédigent des requêtes SQL, des premiers graphiques exploratoires et du code de pipeline plus vite qu'un humain. Ce qui n'a pas été automatisé, c'est la formulation de la bonne question, le jugement sur le caractère significatif ou artificiel d'une régularité, et la responsabilité d'une décision fondée sur le résultat.

Cela varie fortement selon le pays et l'ancienneté. Le Bureau of Labor Statistics américain a fixé le salaire annuel médian de la profession « Data Scientists » à environ 108 000 $ en 2023, tandis que les analystes juniors débutent souvent entre 70 000 et 95 000 $ et que les scientifiques des données seniors ou principaux dans les grandes entreprises technologiques peuvent percevoir 200 000 à 400 000 $ ou plus en rémunération totale avec actions.

Un analyste de données répond généralement à des questions métier définies avec des données et des tableaux de bord existants ; un scientifique des données construit de nouveaux modèles statistiques et analyses prédictives, souvent à partir de données plus désordonnées ; un ingénieur en apprentissage automatique sort un modèle du notebook et le fait tourner de façon fiable, à grande échelle, en production. Les frontières se brouillent constamment, et beaucoup passent d'un rôle à l'autre au fil d'une carrière.