Cet article a été rédigé par Rosana de Oliveira Gomes, Lead Machine Learning Engineer chez Omdena, et Joseph Itopa A, Junior Machine Learning Engineer chez Omdena.
Changer de carrière peut donner l’impression d’embarquer dans un avion déjà en train de décoller. La data science est un métier relativement récent, ce qui signifie que nombre de data scientists et d’ingénieurs en machine learning n’ont pas démarré leur parcours dans cette voie. Ils ont bifurqué, comme nous l’avons fait, et peut-être comme beaucoup d’entre vous. Parlons donc des outils et compétences indispensables pour vous reconvertir vers la data science : nous mettrons en lumière les obstacles possibles et vous donnerons des conseils concrets pour les surmonter.
Comment surmonter les défis techniques d’une transition vers la data science
1. Révisez les maths et la programmation
La data science n’exige pas des connaissances mathématiques très avancées au-delà de ce qui est requis pour un diplôme scientifique. Mais chaque algorithme d’intelligence artificielle repose sur une structure mathématique qu’il faut comprendre. Cela implique généralement de l’algèbre linéaire et quelques notions d’analyse. Pour interpréter les résultats, vous devrez effectuer des analyses statistiques, ce qui requiert aussi des connaissances en probabilités et statistiques.
Si les mathématiques apportent les concepts, les langages de programmation sont les outils qui les rendent concrets. Vous devrez donc choisir un langage de programmation à apprendre : dans ce domaine, il s’agit le plus souvent de Python ou R, généralement associés à SQL et Bash. Un sondage KDnuggets sur les outils utilisés par les data scientists montre que Python a dépassé R comme outil de prédilection.
Le choix d’un langage dépend toutefois de la tâche et de vos préférences. Python est facile à prendre en main si vous avez déjà programmé et il est très répandu dans l’industrie, notamment en data science et en machine learning. R est un excellent choix si vous avez un bagage en statistiques et travaillez surtout sur l’analyse. Il dispose aussi d’outils et bibliothèques intégrés pour communiquer des résultats via des rapports. Notre conseil : tenez-vous à un seul langage et commencez à construire des projets dès que vous maîtrisez les bases.
D’expérience, pour acquérir les compétences nécessaires en data science, mieux vaut choisir un seul organisme de formation à la fois et s’y tenir. Le pire serait de réapprendre sans cesse les mêmes notions.
2. Devenez un·e résolveur·se de problèmes
La « science » de la data science consiste à résoudre des problèmes grâce à une pensée créative et logique. Cela suppose de savoir programmer et de comprendre les algorithmes par la pratique.
Après avoir acquis les bases en programmation, commencez à résoudre des problèmes concrets via des cours ou des plateformes. GeeksforGeeks propose des projets pratiques en code compétitif, Python, JAVA et SQL. Résoudre des problèmes issus de compétitions Kaggle peut aussi doper vos capacités de résolution, car vous disposez de données réelles et d’une communauté très aidante. Les projets non guidés de DataCamp sont un excellent moyen de chercher vos propres solutions à des projets ouverts.
Il est essentiel de prendre du plaisir dans ces réussites pour envisager une carrière en data science. Lors d’un webinaire Omdena récent, l’influenceur data science Eric Weber a déclaré : « N’optimisez pas uniquement pour le revenu, mais pour ce qui vous apporte de la joie ; sinon, vous risquez de vous épuiser rapidement. »
3. Rejoignez des projets collaboratifs
Après avoir manipulé quelques algorithmes et mené plusieurs projets, vous serez prêt·e pour des réalisations plus avancées. C’est là que les plateformes collaboratives entrent en jeu. Les programmes collaboratifs en data science s’appuient sur des communautés pour développer des projets de manière diverse et productive. La robustesse et le plaisir du street coding s’expriment au mieux dans les projets collaboratifs. Vous apprendrez des autres pendant qu’ils apprendront de vous. Vous vous ferez des ami·e·s en luttant contre des données non structurées et désordonnées : il n’y a rien de tel.
Parmi les initiatives inspirantes : Data Kind, Science to data science et Data Science for Social Good. Ces options sont souvent liées à un lieu précis et peuvent être coûteuses ou sélectives en raison d’une capacité limitée et de processus de candidature exigeants.
Une alternative consiste à rejoindre Omdena, qui lance plusieurs projets par mois et s’appuie sur le volontariat pour résoudre des problèmes réels par la collaboration en ligne. Les apprenants travaillent avec des experts métiers qui les aident à rester motivés via des webinaires, des cours, des livres et des articles.
Comment surmonter les défis non techniques d’une reconversion en data science
1. Organisation et gestion du temps
Changer de carrière est un projet. Il nécessite un plan stratégique, un calendrier et des jalons précis (et réalistes). Posez-vous ces questions :
- Pourquoi veux-je devenir data scientist et quels sujets me passionnent ?
- Vais-je quitter mon poste pour prendre le temps d’acquérir les compétences nécessaires ou gérer la transition en parallèle de mon travail actuel ?
- Quels sont mes points forts ? Mes points faibles ?
- Combien de temps et d’argent suis-je prêt·e à investir dans cette reconversion ?
- Quelles nouvelles compétences et qualifications dois-je acquérir pour cette nouvelle voie ?
- Quel est mon style d’apprentissage ?
Une fois ces réponses clarifiées, élaborez un plan. Au final, vous devez trouver ce qui fonctionne pour vous. Voici quelques pistes :
- Imprimez un planning hebdomadaire et affichez-le au mur.
- Organisez votre quotidien dans un agenda Google.
- Identifiez ce qui fonctionne et ce qui doit être ajusté. Peut-être avez-vous sous-estimé le temps nécessaire pour un cours, ou la ressource choisie ne correspond pas à vos attentes.
- N’ayez pas peur de changer de stratégie. Parcourez des forums en ligne pour trouver de meilleures ressources. Ou lisez des articles sur la gestion du temps et sur la définition d’objectifs SMART.
- Raye z régulièrement des tâches de votre to-do list. Cet élan vous sortira de la phase de frustration initiale liée à tout nouvel apprentissage.
2. Améliorez votre communication
La communication est une compétence incontournable en data science. Un·e data scientist traduit des volumes de données en informations exploitables pour les décideurs et parties prenantes. Or, toutes les personnes avec lesquelles vous devrez communiquer ne sont pas data scientists ni issues des filières STEM. Si vous êtes introverti·e, la prise de parole ou les échanges fréquents ne vous enthousiasment peut-être pas. La communication en data science ne se limite pas à bien parler : il s’agit aussi d’ancrer ces habitudes et compétences :
- Expliquer clairement des concepts complexes à des non-spécialistes.
- Documenter le code et les analyses pour que d’autres membres de l’équipe puissent s’appuyer sur votre travail (y compris votre « vous » futur !).
- Devenir meilleur·e rédacteur·rice en prenant l’habitude d’écrire sur tout ce que vous faites dans votre parcours.
La documentation, c’est le pouvoir : écrivez, et continuez d’écrire. Très vite, vous devrez prouver les compétences mentionnées sur votre CV, et vous pourrez les étayer par de jolis dépôts de code bien documentés (par exemple sur GitHub), des articles de blog et des webinaires ou interventions sur vos travaux. Plus vous commencez tôt, plus vous progresserez vite.
3. Préparez-vous à combattre le syndrome de l’imposteur
L’un des défis les plus courants chez celles et ceux qui changent de voie est le syndrome de l’imposteur. Il n’est jamais simple de quitter une carrière établie pour redevenir débutant·e. Tout est alors une question d’état d’esprit : restez motivé·e et enthousiaste face à tout ce que vous allez apprendre ! Omdena a organisé un webinaire sur la manière de surmonter le syndrome de l’imposteur en data science, qui inclut l’identification de vos lacunes à combler et des compétences transférables acquises lors de votre précédente expérience.
4. Développez votre réseau
Entretenir votre réseau pendant une recherche d’emploi n’a rien d’embarrassant. D’ailleurs, statistiquement, la majorité des opportunités proviennent du réseau, pas des candidatures (voir les sources ici et ici). Faire du réseau, c’est simplement entrer en contact avec des personnes qui partagent vos centres d’intérêt, échanger leurs points de vue sur des sujets data science et jeter un œil à leur parcours. Ces personnes pourraient devenir vos futur·e·s collègues. Le pire qui puisse arriver est de ne pas obtenir de réponse : qu’avez-vous à perdre ?
La façon la plus simple de réseauter est de participer à des projets collaboratifs, où vous pourrez partager des connaissances, travailler avec des praticiens expérimentés, apprendre de personnes aux rôles variés et dénicher des pistes d’emploi.
Autre bonne approche : suivre des références en data science telles que :
Contactez les personnes qui vous intéressent : un·e intervenant·e d’un podcast que vous avez aimé, un·e formateur·rice d’un cours en ligne, ou un·e blogueur·se dont vous appréciez les articles. La règle d’or : rendez-vous visible et posez des questions. C’est le meilleur moyen d’obtenir des retours.
Joseph se reconvertit actuellement de l’ingénierie vers la data science, et Rosana de l’astrophysique. Contactez-les et poursuivez la conversation sur LinkedIn : Joseph et Rosana.