Comment passer au machine learning sans data scientists

Sans disposer de data scientists, il est difficile de s’aventurer dans le machine learning. Or, faute de projets pilotes réussis, il est tout aussi difficile de convaincre les dirigeants de la nécessité d’embaucher des data scientists.

Les entreprises n’ayant pas de grand laboratoire de data science où elles pourraient tirer parti du machine learning, l’essentiel est de ne pas placer la barre trop haut au départ et de faire évoluer ces compétences petit à petit.

Beaucoup d’organisations commencent tout juste à investir le domaine de la data science et peinent encore à comprendre ce qu’elles peuvent retirer de cette discipline et du machine learning. Elles ont du mal à identifier précisément les compétences qu’il leur faut acquérir dans cette optique, et donc à recruter des spécialistes dans le domaine.

Pourquoi est-ce si compliqué ?

Plus de 40 % des entreprises qui ont déjà adopté des techniques avancées d’analyse des données disent pâtir d’un « manque de compétences adaptées ». En effet, recruter des candidats expérimentés n’est pas simple :

  • Un data scientist chevronné peut être rebuté à l’idée d’être le premier à rejoindre une entreprise.
  • Beaucoup peuvent être impressionnés par la quantité de travail à abattre ne serait-ce que pour accéder aux données, les intégrer et organiser le déploiement des premiers modèles de machine learning au sein de l’entreprise.
  • Les candidats disponibles ne sont pas légion.

S’ajoute à cela la difficulté à conserver les meilleurs data scientists. Ces derniers tendent à changer régulièrement d’entreprise pour s’essayer à des tâches nouvelles et gagner en compétences, idéalement dans des secteurs différents.

Faire de ses salariés actuels des scientifiques des données (non spécialistes)

Bon nombre d’organisations comptent dans leurs rangs des employés dont les compétences en mathématiques pourraient être mises à profit dans le cadre de tâches plus analytiques. Il peut s’agir de personnes qui se sont prises de passion pour les maths dès le lycée et/ou d’autres qui utilisent leurs compétences en analyse quantitative dans des fonctions différentes.

Miser sur le monde académique

Beaucoup d’universités et d’établissements d'enseignement supérieur proposent désormais des diplômes portant sur la data science. Dès lors, les entreprises ont tout à gagner à nouer des partenariats avec des facultés, d’autant que la formule profite à tous : l’une peut mettre la main sur du personnel qualifié, tandis que les étudiants ont là l’occasion idéale d’apprendre sur le terrain. La relation peut prendre quatre grandes formes : stage, projets scolaires, laboratoires d’innovation ou hackathons.

Faire appel à des spécialistes externes

À l’heure où les professionnels qualifiés dans le domaine du machine learning font cruellement défaut, le recours à des spécialistes externes peut donner un coup de fouet aux programmes de data science et les mener vers le succès. Il existe des centaines de cabinets de conseil qui accompagnent les entreprises selon leurs besoins, depuis l’idées de projets aux premières étapes de pilotage, en passant par la formation et l’encadrement des jeunes talents ou encore la création complète de services gérés.

Utiliser des applications groupées

Les fonctionnalités de machine learning sont souvent groupées au sein d’applications ciblées conçues pour remédier à des problèmes spécifiques. Celles-ci offrent la plupart du temps un excellent compromis entre coûts, délais et risques, résolvent une partie du problème du manque de compétences et permettent aux entreprises de disposer d’une solution efficace bien plus rapidement que si elles en créaient une de zéro.

Source : How to do Machine Learning Without Hiring Data Scientists

Machine Learning