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
30 mai 2017
DAP, Portrait de data scientist

Benoît Rostykus, touche-à-tout du machine learning

⏱ 2 min

En multipliant les expériences, notamment dans des startups, le jeune ingénieur a acquis des compétences qui lui permettent d’être, à seulement 29 ans, ingénieur senior chez Netflix.

Cela fait cinq ans que Benoît Rostykus, diplômé de l’École Centrale Paris, titulaire du master MVA de l’ENS Paris-Saclay, est parti aux États-Unis, juste après son stage de fin d’étude, pour développer en Californie l’équipe machine learning de la startup Criteo. Et déjà, son tableau de chasse est impressionnant : de Criteo jusqu’à Linkedin, en passant par une autre startup, Counsyl, de dépistage de maladies génétiques, puis une autre société de publicité, Adroll. Benoît travaille aujourd’hui à Los Gatos dans la Silicon Valley au siège de Netflix, leader de la vidéo à la demande (VOD). Pourtant, ce qu’il préfère, ce ne sont pas les sociétés les plus prestigieuses, mais les petites équipes dynamiques.
 » J’aime le côté startup, où le travail est varié, où tout va très vite, et où quelques personnes motivées suffisent à faire la différence, explique-t-il. Je ne suis jamais resté plus de deux ans dans une entreprise, car je voulais apprendre beaucoup de choses différentes. Aujourd’hui, je vais peut-être me poser, car Netflix me plaît vraiment. « 

Le point commun de toutes ces expériences ? Le machine learning – ou apprentissage automatique – qui permet d’ajuster et d’améliorer en continu les algorithmes. Qu’ils s’appliquent à la publicité ou à la génétique, finalement, ne change pas grand-chose au métier lui-même.  » Travailler sur la génétique est plus noble, mais la publicité est, elle aussi, importante : cela permet la gratuité d’Internet « , estime-t-il.

Toutes les données sur lesquelles travaille Benoît Rostykus sont  » clairsemées  » :  » les signaux sont très faibles, nous allons vraiment chercher l’aiguille dans la botte de foin, indique l’ingénieur français. Nous compensons cette faiblesse du signal par un grand volume d’observations « . Le machine learning permet par exemple de recommander des films et des séries aux utilisateurs de Netflix, en fonction de ce qu’ils ont déjà vu. Or, les corrélations sont parfois cachées et difficiles à expliquer. Et souvent, les modèles qui marchent le mieux sont ceux que l’on explique le moins bien.

Le machine learning a le vent en poupe, reconnait Benoît, même s’il souligne qu’  » il y a parfois trop d’attentes sur ce sujet, alors que ça ne résoudra pas tous les problèmes du monde « . Néanmoins, les secteurs comme les voitures autonomes, la compréhension automatique des vidéos, le tri d’information pour repérer les fausses nouvelles, ou encore la génétique, ne peuvent plus s’en passer. Il y a donc beaucoup de travail en perspective pour les ingénieurs qui se lanceront dans cette voie.

Son conseil aux data scientists :

Concrètement, il faut à la fois savoir coder, mais aussi comprendre le marché dans lequel s’inscrivent ces recherches, acquérir certaines compétences liées au métier. C’est pourquoi Benoît conseille de se frotter rapidement à la réalité.  » Les parcours académiques permettent de bien apprendre la théorie, notamment en France où l’on met beaucoup l’accent sur les algorithmes, les propriétés statistiques, les théorèmes… Mais cette théorie n’est qu’une petite partie du travail. Il faut se confronter à des données réelles, notamment celles issues des entreprises privées qui sont souvent les plus intéressantes.  » Il suggère aux jeunes diplômés de commencer dans des startups, où l’on se concentre sur des objectifs concrets. Et surtout, d’opter pour des environnements stimulants.  » C’est plus important que le nom de la société sur son CV «  souligne-t-il.

Cécile MICHAUT
Ailleurs sur le web

Un article sur le moteur de recommandation de Netflix (en anglais)
Un talk sur la façon dont Netflix expérimente (en anglais)

Termes liés :
  • Machine Learning
  • Apprentissage automatique
  • Données
Share:
Posts you'd might like
L’apprentissage profond permet de lire dans notre cerveau… ce qu’il voit
Cette IA hybride apprend à jouer au sudoku…
et à concevoir des protéines
Canicules, orages violents : l’IA apprend à prévoir les épisodes météo extrêmes
Des réseaux de neurones “informés par la physique”, pour modéliser et simuler des systèmes complexes
Faut-il créer un GIEC de l’intelligence artificielle ?
Entretien avec Raja Chatila
ChatGPT a-t-il accouché d’une souris ?
Entretien avec Jean-Gabriel Ganascia
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
  • L’apprentissage profond permet de lire dans notre cerveau… ce qu’il voit
  • Cette IA hybride apprend à jouer au sudoku…
    et à concevoir des protéines
  • Canicules, orages violents : l’IA apprend à prévoir les épisodes météo extrêmes
  • Des réseaux de neurones “informés par la physique”, pour modéliser et simuler des systèmes complexes
  • Faut-il créer un GIEC de l’intelligence artificielle ?
    Entretien avec Raja Chatila

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU