![\"Les](\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/08\/Challenges_Faced_by_Data_Scientists.png\")
D\u00e9fis rencontr\u00e9s par les data scientists \u2013 1. Pr\u00e9paration des donn\u00e9es pour l'IA d'entreprise intelligente<\/h3>\n
La fonction principale d'un data scientist est d'identifier et de pr\u00e9parer les donn\u00e9es pertinentes. Selon une enqu\u00eate de CrowdFlower, pr\u00e8s de 801 millions de data scientists nettoient, organisent, explorent et collectent quotidiennement des donn\u00e9es issues de diff\u00e9rents ensembles de donn\u00e9es. Ces donn\u00e9es sont examin\u00e9es minutieusement avant d'\u00eatre analys\u00e9es et trait\u00e9es. Ce processus est fastidieux et 761 millions de data scientists le consid\u00e8rent comme l'un des aspects les plus p\u00e9nibles de leur m\u00e9tier. La gestion des donn\u00e9es exige des data scientists qu'ils rationalisent des t\u00e9raoctets de donn\u00e9es dans diff\u00e9rents formats et langages de programmation, sur diff\u00e9rentes plateformes, tout en tenant des journaux d'activit\u00e9 pour \u00e9viter la duplication des donn\u00e9es au sein du syst\u00e8me.<\/p>\n
La meilleure fa\u00e7on de surmonter cette difficult\u00e9 est d'adopter des technologies bas\u00e9es sur l'IA qui permettent aux data scientists de rester performants et d'accro\u00eetre leurs comp\u00e9tences. L'apprentissage augment\u00e9 est un autre outil d'IA polyvalent pour les entreprises\u00a0; il peut faciliter la pr\u00e9paration des donn\u00e9es et apporter un \u00e9clairage nouveau sur le probl\u00e8me rencontr\u00e9.<\/p>\n
D\u00e9fis rencontr\u00e9s par les data scientists \u2013 2. G\u00e9n\u00e9rer des donn\u00e9es \u00e0 partir de sources multiples<\/h3>\n
Les organisations obtiennent des donn\u00e9es provenant de diverses applications, logiciels et outils, et ce, dans une vari\u00e9t\u00e9 de formats. Le traitement de ces volumes importants de donn\u00e9es repr\u00e9sente un d\u00e9fi majeur pour les data scientists. Ce processus exige la saisie et la compilation manuelles des donn\u00e9es, une t\u00e2che chronophage qui peut engendrer des doublons ou des erreurs. Les donn\u00e9es sont d'autant plus utiles qu'elles sont exploit\u00e9es \u00e0 bon escient pour optimiser le fonctionnement de l'IA en entreprise.<\/p>\n
Une entreprise peut construire un environnement virtuel intelligent entrep\u00f4t de donn\u00e9es<\/strong><\/a> Gr\u00e2ce \u00e0 une plateforme centralis\u00e9e, toutes les sources de donn\u00e9es sont int\u00e9gr\u00e9es. Les donn\u00e9es issues d'un r\u00e9f\u00e9rentiel central peuvent \u00eatre contr\u00f4l\u00e9es et enrichies afin d'optimiser l'efficacit\u00e9 de l'entreprise. Cette solution simple permet aux data scientists de gagner un temps pr\u00e9cieux et d'\u00e9conomiser leurs efforts.<\/p>\n L'identification des probl\u00e8mes est essentielle au bon fonctionnement de l'entreprise. Avant de constituer des ensembles de donn\u00e9es et d'analyser les donn\u00e9es, les data scientists doivent s'attacher \u00e0 identifier les probl\u00e8mes cl\u00e9s li\u00e9s aux op\u00e9rations commerciales. Avant de cr\u00e9er un ensemble de donn\u00e9es, il est n\u00e9cessaire d'aller au fond du probl\u00e8me plut\u00f4t que d'adopter une approche purement m\u00e9canique.<\/p>\n Un data scientist peut mettre en place un processus de travail structur\u00e9 avant d'entamer toute analyse. Ce processus doit prendre en compte l'ensemble des parties prenantes et des acteurs cl\u00e9s de l'entreprise. Des logiciels de tableaux de bord sp\u00e9cialis\u00e9s proposent divers widgets visuels permettant de rendre les donn\u00e9es plus pertinentes pour l'entreprise.<\/p>\n Le r\u00f4le des data scientists est align\u00e9 sur la strat\u00e9gie d'entreprise et leur objectif principal est d'am\u00e9liorer la prise de d\u00e9cision au sein de l'organisation. Leur principal d\u00e9fi consiste \u00e0 communiquer leurs r\u00e9sultats et analyses aux dirigeants. La plupart des managers et des parties prenantes ne ma\u00eetrisent pas les outils et les \u00e9quipements utilis\u00e9s par les data scientists\u00a0; il est donc essentiel de leur fournir les notions de base n\u00e9cessaires \u00e0 la mise en \u0153uvre du mod\u00e8le via l'IA d'entreprise.<\/p>\n Les data scientists doivent adopter des concepts tels que la narration de donn\u00e9es pour donner une dimension narrative forte \u00e0 leur analyse et \u00e0 la visualisation des concepts.<\/p>\n L'acc\u00e9l\u00e9ration des mises \u00e0 niveau pousse les entreprises \u00e0 adopter le cloud pour stocker leurs donn\u00e9es critiques. Or, le stockage cloud est menac\u00e9 par les cyberattaques et l'usurpation d'identit\u00e9 en ligne, ce qui rend les donn\u00e9es confidentielles vuln\u00e9rables aux attaques externes. Afin de pr\u00e9venir ces cyberattaques, des r\u00e9glementations strictes ont \u00e9t\u00e9 mises en place pour prot\u00e9ger les donn\u00e9es dans les r\u00e9f\u00e9rentiels centraux. Les nouvelles directives contraignent les data scientists \u00e0 contourner ces r\u00e9glementations, complexifiant ainsi leur travail.<\/p>\n Pour contrer les menaces \u00e0 la s\u00e9curit\u00e9, les organisations doivent mettre en place des syst\u00e8mes de s\u00e9curit\u00e9 avanc\u00e9s de chiffrement et d'apprentissage automatique afin de prot\u00e9ger leurs donn\u00e9es. Ces syst\u00e8mes doivent \u00eatre conformes \u00e0 toutes les sp\u00e9cifications de s\u00e9curit\u00e9 et con\u00e7us pour \u00e9viter les audits fastidieux, dans le but d'am\u00e9liorer l'efficacit\u00e9 op\u00e9rationnelle.<\/p>\n Les data scientists travaillent souvent avec ing\u00e9nieurs de donn\u00e9es<\/strong><\/a> Dans certaines organisations travaillant sur les m\u00eames projets, une bonne communication est essentielle pour \u00e9viter tout conflit. L'organisation doit prendre des mesures pour \u00e9tablir des canaux de communication efficaces afin d'assurer la coh\u00e9rence des flux de travail des deux \u00e9quipes. Les entreprises peuvent \u00e9galement d\u00e9signer un responsable charg\u00e9 de superviser la collaboration entre les deux divisions.<\/p>\n Il existe une id\u00e9e fausse selon laquelle les data scientists peuvent \u00e0 eux seuls r\u00e9aliser la majeure partie du travail et fournir des solutions toutes faites \u00e0 tous les probl\u00e8mes rencontr\u00e9s par une organisation. Cela exerce une pression \u00e9norme sur les data scientists et r\u00e9duit leur productivit\u00e9.<\/p>\n Il est essentiel pour toute organisation de disposer d'un ensemble de mesures d\u00e9finies permettant d'\u00e9valuer les analyses pr\u00e9sent\u00e9es par les data scientists. De plus, elle doit examiner l'impact de ces indicateurs sur ses op\u00e9rations commerciales.<\/p>\n Le m\u00e9tier de data scientist est exigeant en raison de la vari\u00e9t\u00e9 des t\u00e2ches et des besoins. Cependant, il figure parmi les professions les plus recherch\u00e9es sur le march\u00e9 du travail actuel. Les difficult\u00e9s rencontr\u00e9es par les data scientists peuvent \u00eatre facilement r\u00e9solues afin d'am\u00e9liorer la productivit\u00e9 et la fonctionnalit\u00e9 de l'IA en entreprise, m\u00eame dans des environnements de travail complexes.<\/p>\n Merci d'avoir lu notre article. Nous esp\u00e9rons qu'il vous permettra de mieux comprendre les d\u00e9fis rencontr\u00e9s par les data scientists. Si vous souhaitez en savoir plus sur le m\u00e9tier de data scientist, nous vous conseillons de consulter [lien manquant]. Gudu SQLFlow<\/a><\/strong> pour plus d'informations.<\/p>\n En tant que l'un des\u00a0meilleurs outils de lignage de donn\u00e9es<\/a><\/strong>\u00a0Disponible sur le march\u00e9 aujourd'hui, Gudu SQLFlow peut non seulement analyser les fichiers de script SQL, mais aussi obtenir\u00a0lign\u00e9e de donn\u00e9es<\/a><\/strong>, et effectuer un affichage visuel, mais permettent \u00e9galement aux utilisateurs de fournir une lign\u00e9e de donn\u00e9es au format CSV et d'effectuer un affichage visuel.Publi\u00e9 par Ryan le 14 ao\u00fbt 2022<\/strong>)<\/p>","protected":false},"excerpt":{"rendered":" 7 Challenges Faced by Data Scientists and How to Solve Them All professions come up against certain obstacles or challenges, and the role of data scientist is no exception. Many companies fail to take full advantage of data scientists, putting them in the wrong role or not providing the necessary requirements. According to LinkedIn, the top 10 skills for data scientists today include machine learning, big data, data science, R, Python, data mining, data analytics, SQL, MatLab, and statistical modeling. Most data scientists can use these skills in their computers. However, these skills are not sufficient to put them in\u2026<\/p>","protected":false},"author":27,"featured_media":5479,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[178],"tags":[64,69,159,346,210,75],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":5}},"_links":{"self":[{"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/posts\/5445"}],"collection":[{"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/users\/27"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/comments?post=5445"}],"version-history":[{"count":16,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/posts\/5445\/revisions"}],"predecessor-version":[{"id":6557,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/posts\/5445\/revisions\/6557"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/media\/5479"}],"wp:attachment":[{"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/media?parent=5445"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/categories?post=5445"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gudusoft.com\/fr\/wp-json\/wp\/v2\/tags?post=5445"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}D\u00e9fis rencontr\u00e9s par les data scientists \u2013 3. Identifier les probl\u00e8mes commerciaux<\/h3>\n
D\u00e9fis rencontr\u00e9s par les data scientists \u2013 4. Communiquer les r\u00e9sultats aux parties prenantes non techniques<\/h3>\n
D\u00e9fis rencontr\u00e9s par les data scientists \u2013 5. S\u00e9curit\u00e9 des donn\u00e9es<\/h3>\n
D\u00e9fis rencontr\u00e9s par les data scientists \u2013 6. Collaboration efficace<\/h3>\n
D\u00e9fis rencontr\u00e9s par les data scientists \u2013 7. S\u00e9lection d'indicateurs KPI non sp\u00e9cifiques<\/h3>\n
Conclusion<\/h3>\n