Data Science in 2023 - French version

Transcript

1. La science des données
   en 2023
   • Une introduction aux
   concepts de la science
   des données, applications
   et derniers
   développements
   • Par Paulo Cysne Rios, Jr.
   5 Juin 2023
   

   View Slide

2. Qu'est-ce que la
   science des
   données ?
   • La science des données est le domaine
   interdisciplinaire qui utilise des méthodes,
   des processus, des algorithmes et des
   systèmes scientifiques
   • pour extraire des connaissances et des idées
   à partir de données sous diverses formes, à
   la fois structurées et non structurées.
   • La science des données combine des
   compétences en mathématiques,
   statistiques, informatique, connaissance du
   domaine et communication pour résoudre
   des problèmes complexes et créer de la
   valeur pour les organisations et la société.
   

   View Slide

3. Phases d'un
   projet de science
   des données
   • Clarification commerciale : à
   quelle question voulons-nous
   répondre ?
   • Nettoyage des données
   • Exploration de données
   • Modélisation des données
   avec l'apprentissage
   automatique
   • Évaluation du modèle
   • Déploiement en production
   

   View Slide

4. Qu'est-ce que
   l'apprentissage
   automatique ?
   • L'apprentissage automatique est une
   branche de la science des données
   qui se concentre sur la création de
   systèmes capables d'apprendre à
   partir des données et de faire des
   prédictions ou des décisions sans être
   explicitement programmés.
   • L'apprentissage automatique utilise
   des algorithmes qui peuvent
   apprendre des données et
   s'améliorer au fil du temps.
   

   View Slide

5. Principaux domaines
   d'application
   La science des données et tels que l'apprentissage
   automatique peuvent être appliqués à divers
   domaines et industries :
   Santé : diagnostic, pronostic, recommandation de
   traitement, découverte de médicaments, etc.
   Finance : evaluation de risques de crédit, détection
   de fraude, optimisation de portefeuille, trading
   algorithmique, etc.
   Marketing : segmentation de la clientèle, prédiction
   du taux de désabonnement, systèmes de
   recommandation, analyse des sentiments, etc.
   Fabrication : contrôle qualité, maintenance
   prédictive, optimisation des processus, etc.
   Éducation : apprentissage adaptatif, prédiction des
   performances des élèves, détection de plagiat, etc.
   Et beaucoup plus!
   

   View Slide

6. Comment la science des
   données est
   transformatrice
   La science des données est transformatrice car elle peut aider
   les organisations et la société à :
   Découvrir de nouvelles idées et connaissances à partir de
   données qui étaient auparavant cachées ou inconnues
   Prendre de meilleures décisions et actions basées sur des
   preuves et des prévisions basées sur des données
   Innover avec de nouveaux produits, services et solutions qui
   exploitent les données et l'analyse
   Améliorer l'efficacité, la productivité et la performance des
   processus et des opérations
   Créer de la valeur et un avantage concurrentiel pour les
   organisations et la société
   

   View Slide

7. Science des
   données vs
   intelligence
   d'affaires
   La science
   des données
   et la
   Business
   Intelligence
   (BI) sont
   toutes deux
   liées à
   l'analyse des
   données,
   mais elles
   présentent
   quelques
   différences
   essentielles :
   La science des données est plus exploratoire et
   expérimentale, tandis que la BI est plus descriptive et
   rapportante
   La science des données utilise des techniques avancées
   telles que l'apprentissage automatique, le traitement du
   langage naturel, la vision par ordinateur, etc., tandis que
   la BI utilise principalement des techniques
   traditionnelles telles que les tableaux de bord, etc.
   La science des données vise à répondre à des questions
   complexes telles que pourquoi, et si et comment, tandis
   que la BI vise à répondre à des questions simples telles
   que quoi, quand et où
   La science des données se concentre sur la génération
   d'informations et de prévisions à partir des données,
   tandis que la BI se concentre sur la fourniture
   d'informations et de rapports à partir des données.
   

   View Slide

8. Avantages de la science
   des données par rapport à
   la Business Intelligence
   La science des données peut gérer des données non
   structurées ou semi-structurées, telles que du texte, des
   images, de l'audio, de la vidéo, etc., tandis que la BI ne peut
   gérer que des données structurées, telles que des tableaux ou
   des feuilles de calcul.
   La science des données peut découvrir des modèles et des
   tendances cachés dans les données qui ne sont pas évidentes
   ou prédéfinies, tandis que la BI ne peut afficher que des
   métriques et des indicateurs prédéfinis dans les données
   La science des données peut fournir des recommandations et
   des solutions exploitables basées sur l'analyse des données,
   tandis que la BI ne peut fournir que des informations et des
   rapports basés sur l'analyse des données.
   

   View Slide

9. Pourquoi la
   BI est
   toujours
   aussi
   répandue en
   Europe
   Une culture prudente ou
   conservatrice étouffe l'innovation
   dans certaines entreprises.
   Ils redoutent le défi d'acquérir de
   nouvelles compétences.
   Ils craignent de perdre leur emploi.
   

   View Slide

10. La peur et
    l'aversion au
    risque sont
    préjudiciables
    à une
    entreprise car
    elles peuvent:
    • Empêcher l'entreprise de faire des investissements
    risqués qui pourraient créer de la valeur et un
    avantage concurrentiel pour les parties prenantes
    • Limiter la capacité de l'entreprise à explorer de
    nouvelles opportunités et à découvrir de nouvelles
    idées et connaissances à partir des données
    • Réduire l'efficacité, la productivité et les
    performances de l'entreprise en provoquant des
    retards, des erreurs ou des inefficacités dans les
    processus et les opérations
    • Entraver l'innovation et la créativité de l'entreprise
    en décourageant l'expérimentation et en
    apprenant de ses erreurs
    • Provoquer un retour négatif sur l'entreprise
    lorsque le statu quo est inacceptable ou menacé,
    et la seule façon d'éviter la perte est de prendre
    une option risquée.
    

    View Slide

11. Derniers développements en science des
    données
    Explicabilité du
    modèle
    Inférence causale
    

    View Slide

12. Comment l'explanabilité
    du modèle est
    transformatrice
    L'explanabilité du modèle est la capacité de
    comprendre comment un modèle d'apprentissage
    automatique fonctionne et pourquoi il fait certaines
    prédictions ou décisions. L'explanabilité du modèle est
    transformatrice car elle peut aider les utilisateurs à :
    Faire confiance au modèle et à ses résultats en
    vérifiant sa logique et son raisonnement
    Expliquer le modèle et ses résultats aux parties
    prenantes et aux clients en fournissant des
    interprétations et des visualisations claires et intuitives
    Respecter les normes et réglementations éthiques et
    juridiques en garantissant la transparence et la
    responsabilité du modèle et de ses résultats
    

    View Slide

13. Qu'est-ce que
    l'inférence
    causale ?
    L'inférence causale est une branche de la
    science des données qui se concentre sur la
    compréhension des relations causales entre les
    variables ou les événements d'un système.
    L'inférence causale vise à répondre à des
    questions telles que
    • A cause-t-il B ? Par exemple, le tabagisme cause-t-il le
    cancer du poumon ?
    • Dans quelle mesure A affecte-t-il B ? Par exemple, dans
    quelle mesure la publicité affecte-t-elle les ventes ?
    • Que se passerait-il si A changeait ? Par exemple, que se
    passerait-il si nous augmentions le prix d'un produit ?
    • Comment pouvons-nous intervenir pour atteindre un
    résultat souhaité ? Par exemple, comment réduire la
    propagation d'une maladie ?
    

    View Slide

14. Merci!
    

    View Slide