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
14 juin 2018
DAP, Portrait de data scientist

Nikita Loukachev : la passion récompensée

⏱ 4 min

À 28 ans seulement, Nikita Loukachev a remporté la deuxième édition du concours du «  Meilleur data scientist de France » qui rassemblait 350 concurrents venus de tout l’Hexagone. Son succès, il le doit avant tout à sa passion pour la science des données. Au-delà de sa formation, le jeune homme montre que c’est la pratique et la curiosité qui font progresser.

« Toutes mes connaissances en data science et ma réussite professionnelle dans ce domaine, je ne les dois qu’à moi-même et au fait de participer à des data challenges », affirme Nikita Loukachev, qui affiche avec fierté son côté autodidacte en matière de machine learning. Bien plus que ses diplômes, ce qui a vraiment formé ce jeune data scientist de 28 ans, ce sont les data challenges, notamment ceux de Kaggle. Sur ce fameux site web, qui compte plusieurs dizaines de milliers de data scientists du monde entier, les entreprises et les institutions proposent un problème autour de données réelles et offrent un prix aux meilleurs.

Dès qu’il découvre Kaggle, Nikita Loukachev, désireux d’apprendre et de progresser, se plonge avec passion dans les algorithmes utilisés par les vainqueurs pour comprendre en détail leur fonctionnement et le secret de leur efficacité. Et rapidement, il prend goût lui-même à la compétition, « motivé par l’envie de gagner, mais surtout de donner le meilleur de soi-même et de se fixer un objectif sans jamais se décourager en route ». Il participe ainsi à une dizaine de concours, parvenant même à se hisser dans l’un d’entre eux à la 25ème place sur plus de 1 000 participants.

Il y a peu, Nikita Loukachev a franchi une nouvelle étape : le 31 mai dernier, il a remporté la deuxième édition du concours du « Meilleur data scientist de France », une compétition organisée par l’association French Data, qui promeut l’utilisation de la donnée dans les entreprises. Pour ce défi, il s’agissait de prédire, en deux heures seulement – contre quelques mois pour les challenges de Kaggle – grâce à un modèle de machine learning, le délai de vente d’objets commercialisés sur le site web de l’association Emmaüs, connaissant uniquement certaines caractéristiques de ces objets (agence de vente, descriptif, période de vente, etc.).

La compétition, qui réunissait 350 concurrents, parmi lesquels de nombreux data scientists confirmés et habitués des concours, a été extrêmement serrée. Pour l’emporter, Nikita Loukachev, a fait preuve à la fois d’expérience et de créativité. « Vu la durée de la compétition, j’ai opté pour un algorithme relativement simple, connu pour sa rapidité et sa performance, le XG Boost, une variante des arbres de décision, une méthode d’apprentissage supervisé. Surtout, c’est le travail sur les données qui a fait la différence : j’ai passé du temps à extraire du descriptif de l’objet les variables les plus pertinentes pour la prédiction », explique-t-il.

Cette démarche de se confronter à des données réelles pour en tirer des informations utiles et pratiques, Nikita Loukachev la poursuit dès le début de sa carrière. À la sortie de l’université, un master de mathématiques en poche, il décide de ne pas continuer dans la recherche. La théorie ne l’intéresse pas, il préfère résoudre des problèmes concrets. C’est pourquoi il se met rapidement en quête d’un emploi. Il décroche alors un poste d’ingénieur en machine learning pour une grande banque… en Russie. Pour ce Franco-Russe parti de Russie à l’âge de 7 ans, c’est aussi l’occasion de redécouvrir un pays qu’il connaît finalement très peu.

Cette première expérience, où il met en place un système de monitoring des serveurs informatiques de la banque, est extrêmement formatrice. « Pour ce travail, j’ai tout appris sur le tas par moi-même, mes études universitaires m’ayant finalement apporté très peu. À cette époque, je découvrais aussi Kaggle et j’apprenais sans cesse de nouvelles choses en data science que je réutilisais dans mon travail. Sans oublier les meet-up (des rencontres informelles entre experts sur un thème précis, NDLR), très répandues en Russie, auxquelles j’assistais et qui m’ont aussi beaucoup apportés », confie-t-il. Bref, le jeune data scientist affirme là l’étendue de ses compétences.

Après un an et demi passé dans son pays natal, Nikita Loukachev revient en France et travaille tour à tour pour deux start-up. Dans la première, il utilise des techniques de deep learning pour améliorer la reconnaissance optique de caractères sur des factures et en extraire automatiquement des données (numéro de siret, fournisseur, montant, etc). Dans la deuxième – son poste actuel -, un cabinet de conseil spécialisé dans le big data, il enchaîne les missions pour des grands groupes, utilisant différents algorithmes pour faire de la recommandation de morceaux de musique, de la prédiction analytique ou encore de l’aide à la décision en extrayant des informations exploitables de grandes bases de données.

SON CONSEIL AUX DATA SCIENTISTS

Tout comme lors des compétitions auxquelles il participe, Nikita Loukachev met un point d’honneur dans son travail à donner le meilleur de lui-même. « Ce qui m’importe c’est la réussite du projet et je fais tout pour y parvenir, quitte par exemple à passer du temps pour apprendre un nouveau langage informatique ou faire de la veille technologique. Quand on est passionné par son métier, on ne doit pas compter ses heures et on doit toujours chercher à se perfectionner », révèle-t-il. Un conseil que le jeune Franco-Russe souhaite d’ailleurs donner à tous les futurs data scientists.

Quant aux data challenges, il encourage plus que jamais les débutants à y participer. « Même si on n’a pas pour objectif de gagner, c’est une manière ludique d’apprendre, de révéler une passion et aussi d’échanger des idées avec les autres et ainsi de se faire progresser mutuellement », avance-t-il. Et pour les meilleurs, cela peut aussi se traduire en proposition d’embauche. Nikita Loukachev en sait quelque chose : immédiatement après sa victoire au Meilleur data scientist de France, plusieurs employeurs se sont rapprochés de lui pour lui offrir un poste.

Julien Bourdet
Termes liés :
  • Données
  • Data science
  • Machine learning
  • Algorithme
  • Arbre de décision
  • Apprentissage supervisé
  • Deep learning
  • Big Data
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