Formulaire de contact
Votre demande a bien été envoyée.
Veuillez saisir votre nom
Merci de saisir une adresse e-mail
Le format de l’e-mail est incorrect
Veuillez saisir le nom de votre société
Veuillez saisir un message

Les conseils de Renaud Allioux pour monter la meilleure équipe de data scientists

← Toutes les ressources
Press
Les conseils de Renaud Allioux pour monter la meilleure équipe de data scientists

Par Renaud Allioux pour Maddyness, le 24/01/22

Les profils de data scientists sont parmi les plus recherchés par les startups. Mais un data scientist ne ressemble pas à un autre. Renaud Allioux, co-fondateur de la startup Preligens, donne ses astuces pour repérer et convaincre les meilleurs talents.

En tant que CTO d’une entreprise d’intelligence artificielle, j’ai passé du temps à structurer l’équipe tech et réfléchir aux profils à embaucher lors des différentes phases de croissance. D’abord, au lancement de l’entreprise, à la définition du minimum viable product, puis lors de la phase de passage à l’échelle et du lancement des produits en production chez les clients. Si vous êtes CTO, vous allez avoir besoin d’un certain nombre de data scientists mais tous n’auront pas les mêmes missions. Voici leurs différents profils et ce que j’ai compris en formant mon équipe IA à Preligens qui comprend aujourd’hui plus de 70 data scientists pour 200 employés.

Conseil n°1 : un data scientist doit savoir coder !

Ce n’est pas négociable. C’est mon mot d’ordre et même la chose la plus importante que j’ai apprise durant mes 5 années de CTO. Tous doivent être en mesure d’intégrer leurs modèles dans un cadre afin que celui-ci soit utile à l’application et au cas d’usage. Oubliez les Jupyter notebooks. Si vous voulez dépasser l’expérimentation et proposer de réels produits d’IA, vos data scientists doivent savoir coder et proposer des produits concrets.

Conseil n°2 : pour la première embauche, choisissez un Full Stack Data Scientist

Généralement utilisé pour les développeurs, le terme full stack convient également pour qualifier un data scientist qui possède un panel de compétences plus large que le plus grand mathématicien théoricien résolvant les problèmes les plus difficiles avec une craie et un tableau noir. Un véritable couteau suisse qui doit présenter :

  • de solides compétences informatiques,
  • un bon niveau d’ensemble en mathématiques,
  • du pragmatisme et de l’audace,
  • des bases de DevOps (Docker, CI/CD) et visualisation,
  • idéalement 3 à 5 ans d’expérience.
  • certains plus orientés vers la science,
  • certains plus spécialisés sur l’approche itérative de R&D,
  • et d’autres davantage tournés vers le codage.

1. L’équipe de production IA

Ils sont chargés de l’exploitation de notre stack IA pour produire des applications pour les clients. Ils sont pragmatiques et itératifs, font de la R&D continue. Ils ont principalement des formations full stack ou computer vision. Ils font un peu de tout et sont multidisciplinaires. Tournés vers le client, ils sont également bons en gestion de projet et en communication. C’est un mélange de jeunes diplômés et de leads expérimentés qui forment ensemble notre “première ligne”.

2. L’équipe ingénierie IA

Ils sont chargés du développement, de l’amélioration et de la maintenance de notre pile d’IA. Ils sont dévoués et méticuleux, ils construisent le moteur de l’usine. Ils ont un très haut niveau de codage, ainsi que de solides connaissances en DS. Ils fournissent des piles sur lesquelles les autres équipes peuvent travailler mais les forment également pour qu’elles soient autonomes dans l’ajout de fonctionnalités. Ce sont généralement des personnes plus expérimentées que la production et les meilleures sur le plan technique.

3. Les chercheurs IA

Ils sont chargés de résoudre des problèmes à haut risque et à fort potentiel. Bien qu’ils soient très scientifiques, ils doivent également comprendre le code pour s’assurer que les innovations sont mises en production. Ils sont généralement titulaires d’un doctorat en mathématiques, en biophysique ou en astrophysique. Ils proposent une exploration scientifique pour résoudre les problèmes de production mais produisent également des articles de conférence ou de journal. Tous ont a minima 3 à 5 ans d’expérience.

Article disponible sur Maddyness

Related articles
Podcast : Tech.Rocks - “Paroles de Tech Leaders” - Renaud Allioux
Podcast : Tech.Rocks - “Paroles de Tech Leaders” - Renaud Allioux
Podcast : Tech.Rocks - “Paroles de Tech Leaders” - Renaud Allioux