logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
28 novembre 2017
DAP, Portrait de data scientist

Anne-Laure Cébile, une data scientist chez Air France

⏱ 2 min

Être dans une grande entreprise permet de travailler sur des sujets aussi variés que les recommandations au client ou l’optimisation des vols d’avions.

Anne-Laure Cébile aurait pu devenir chercheuse en mathématiques, puisqu’elle a suivi la voie royale pour cela : après une classe préparatoire, elle intègre l’École Normale Supérieure (ENS) en 2009. Mais elle se rend rapidement compte que la recherche académique, débouché « naturel » pour les normaliens, n’est pas faite pour elle. « J’aime voir les applications de ce que je fais, et j’aime les deadlines courtes », explique-t-elle. Des stages en entreprise, notamment à la Snecma où elle étudie le vieillissement des moteurs d’avions à l’aide des statistiques, achèvent de la convaincre que sa voie est dans le privé.

Mais elle est consciente qu’elle manque de connaissances sur le monde de l’entreprise. Pour combler cette lacune, elle opte en 2013 pour un MBA du Collège des ingénieurs, un établissement réservé aux scientifiques (ingénieurs ou docteurs), où elle acquiert cette culture qui lui manquait. Ce MBA a pour spécificité de s’adresser à des personnes sortant tout juste de cursus scolaire (et non comme la plupart après quelques années de travail), et d’être en grande partie en alternance (stage de 10 mois en entreprise). Les enseignements sont assez larges (stratégie, comptabilité, finance, communication, beaucoup de rencontres avec des professionnels…). « Cela a conforté mon idée d’aller en entreprise, certes, mais pour y faire des maths, relève Anne-Laure Cébile. Les data sciences me permettaient de bien combiner les deux : elles utilisent des statistiques, et s’appliquent au business, avec un travail sur projets. »

Les compétences qu’elle acquiert ainsi lors de son parcours sont bien complémentaires. À l’ENS, une grande capacité d’analyse, apprendre à réfléchir en profondeur et dans le détail sur un sujet. Et une bonne capacité d’adaptation. Lors du MBA, elle a développé des aptitudes en communication : savoir vulgariser ce que l’on fait à des publics non experts.

Avant même la fin de son MBA, la mathématicienne décroche un poste chez Air France, un peu par hasard. Elle y travaille sur des sujets très variés. Tout d’abord, elle développe des moteurs de recommandation qui font des propositions commerciales aux clients. Elle travaille également sur l’optimisation des programmes de vol : caler au mieux les heures de départ et les destinations de chaque avion. Cela implique d’estimer la demande pour chaque destination, la répartition des clients entre Air France et la concurrence…

La plupart des spécialistes de data science ont la bougeotte, et Anne-Laure Cébile n’échappe pas à la règle. Après trois ans au même poste, elle réfléchit à la suite, même si elle adore toujours être data scientist.  « C’est peut-être lié au fait que les data sciences sont récentes, observe-t-elle. Comme personne n’est data scientist depuis 20 ans, on a plus de mal à se projeter dans le futur. Et puis nous aimons bien explorer de nouveaux domaines. Et comme nous sommes très demandés, nous pouvons nous permettre de bouger. » Elle-même compte changer de thème de travail plus que d’entreprise.  « J’ai une appétence pour les grandes entreprises, car elles offrent une large variété de sujets, et beaucoup de possibilités pour évoluer », note la mathématicienne.

Son conseil aux data scientists :

Lorsqu’on lui demande quelques conseils pour les futurs data scientists, Anne-Laure Cébile rappelle qu’un data scientist est une personne qui s’attaque à une problématique concrète. « Il ne faut pas oublier qu’on n’est pas chercheur, que nos travaux ont une application pour des gens. Il faut connaître les contraintes du secteur dans lequel on travaille, c’est indispensable pour que nos réalisations soient utiles. »

Cécile MICHAUT
Termes liés :
  • Data science
Share:
Posts you'd might like
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
Stéphane Canu :
au service de l’IA et de la mobilité de demain
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique
  • La recherche à l’assaut des deepfakes vocaux
  • Recyclage : nos déchets sous l’œil de l’IA

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU