À retenir
- Un portfolio axé sur de vrais problèmes d’entreprise en dit plus qu’une longue liste de cours, surtout pour les personnes sans diplôme technique qui changent de carrière.
- Commencez par Excel, SQL et un outil de visualisation comme Power BI ou Tableau, puis ajoutez Python lorsque le poste ou le projet en a réellement besoin.
- ChatGPT peut aider au dépannage, aux entrevues simulées et à la révision du CV, mais les données sensibles de l’entreprise doivent toujours être protégées correctement.
Dans cet épisode du podcast What’s AI, j’ai eu le privilège de m’entretenir avec Avery Smith, un expert en analytique de données reconnu pour aider la prochaine génération de professionnels des données grâce au programme Data Analytics Accelerator de sa plateforme Data Career Jumpstart. Avery a rassemblé plus de 100 000 abonnés sur LinkedIn en partageant ses observations fondées sur les données et sa formule unique pour décrocher un premier emploi en données en seulement 90 jours.
Avery insiste sur l’importance de l’expérience pratique et privilégie les projets concrets aux méthodes de formation traditionnelles. Selon lui, la clé pour se démarquer sur le marché de l’emploi est de montrer sa capacité à résoudre de vrais problèmes avec des données. Dans cette discussion, il donne de nombreux conseils pratiques pour développer ces connaissances et cette expérience.
Les observations d’Avery sur l’utilisation de l’IA, et plus précisément de ChatGPT, dans le processus d’apprentissage sont aussi très utiles. Il explique comment les futurs analystes de données peuvent utiliser l’IA comme outil d’apprentissage pour simuler des scénarios d’analytique de données, améliorer leurs compétences en programmation et même se préparer aux entrevues d’embauche. L’approche d’Avery rend l’IA accessible comme ressource de développement personnel et professionnel.
Avery présente également sa vision de l’avenir de l’analytique de données et souligne l’importance de l’adaptabilité et de l’apprentissage continu dans un domaine qui évolue rapidement en raison des avancées technologiques. Son conseil aux personnes qui souhaitent entrer dans le monde des données est de ne jamais cesser d’apprendre et de bâtir un réseau solide, ce qu’il détaille aussi dans cet épisode.
Cet épisode s’adresse à toute personne qui s’intéresse à l’analytique de données, à l’IA et à l’idée de se lancer dans ce domaine incroyable à partir d’un autre parcours, ainsi qu’aux étudiants et aux juniors en IA. Avery Smith nous offre une feuille de route pour réussir dans le domaine des données et nous encourage à utiliser la technologie pour apprendre beaucoup plus efficacement. Joignez-vous à nous pour découvrir la formule secrète d’Avery afin de décrocher votre premier emploi en données en 90 jours et apprendre à exploiter l’IA pour progresser dans le monde de l’analytique de données !
Regardez l’épisode sur YouTube ou écoutez-le sur votre plateforme de diffusion préférée :
La transcription complète :
Avery Smith : [00:00:00] Je vois les postes de data scientist, de data engineer et d’analyste de données continuer de croître au cours de la prochaine décennie. C’est un peu délicat, parce que beaucoup de gens voient les mises à pied dans les grandes entreprises technologiques, comme les entreprises FAANG et tout ça. Mais j’ai l’impression que ces entreprises ont beaucoup trop embauché pendant la COVID. Je pense donc qu’il s’agit simplement d’une réaction à cette situation.
J’essaie donc de dire aux gens de ne pas nécessairement prendre ces entreprises comme les exemples parfaits de l’état de l’industrie, parce qu’il y a encore beaucoup d’emplois en données. Et dans les entreprises qui ne sont pas du tout technologiques, lorsqu’on déploie réellement des modèles pour que des gens les utilisent, la confiance est extrêmement importante.
Ces personnes doivent pouvoir faire confiance à votre algorithme. Mais avant de gagner cette confiance, l’explicabilité est très importante. Si vous pouvez expliquer ce qui se passe, ou si votre modèle offre une forme d’explicabilité qui aide la personne à se dire : « Ah, voici pourquoi il suggère cela », ça peut faire une énorme différence. Parce qu’au bout du compte, si les humains qui prennent la décision ignorent votre modèle, celui-ci ne sert pas à grand-chose.[00:01:00]
Louis-François Bouchard : Bienvenue au podcast What’s AI. Je suis votre animateur, Louis-François Bouchard, et je reçois aujourd’hui Avery Smith, fondateur de la plateforme Data Career Jumpstart, où il vous apprend à décrocher un emploi en données en 90 jours lorsque vous venez d’un autre domaine. Dans cet épisode, je me suis concentré sur l’éducation, sur la façon dont l’IA l’influence et sur des conseils concrets pour exploiter ChatGPT et d’autres outils d’IA afin d’apprendre davantage, de pratiquer vos compétences, d’être plus productif et de trouver un emploi.
La discussion était incroyable et Avery a partagé beaucoup d’excellentes observations sur les données, la productivité et l’apprentissage continu. J’espère que vous aimerez cet épisode. Si c’est le cas, n’oubliez pas de laisser un J’aime ci-dessous ou une évaluation de cinq étoiles, selon la plateforme où vous l’écoutez. Commençons sans plus attendre.
Oui.
Avery Smith : En fait, j’ai étudié en génie chimique. Après mon premier semestre, je me suis dit : « Merde, je n’aime pas du tout le génie chimique », mais je ne savais pas vraiment ce que je pouvais faire d’autre. J’ai eu énormément de chance [00:02:00] et j’ai fini par travailler dans une petite startup qui fabriquait des capteurs capables, en gros, de sentir l’air et de vous dire ce qu’il contenait.
Ils pouvaient détecter quelque chose de dangereux, comme une drogue, une bombe ou autre chose du genre. Un data scientist y travaillait et il m’a en quelque sorte pris sous son aile pour m’apprendre à devenir data scientist directement au travail. Il a fini par démissionner et j’ai pris sa relève. Ensuite, je suis allé travailler comme data scientist chez Exxon et j’ai aussi obtenu une maîtrise en science des données pendant que j’y étais.
En gros, lorsque je me suis lancé dans le domaine, j’avais l’impression qu’il n’existait pas beaucoup de très bonnes ressources en ligne. Il y avait beaucoup de bootcamps, mais ils coûtaient vraiment cher. Et je me suis dit que la meilleure façon de se lancer en science des données, et dans les données en général, était de réaliser des projets et de rendre le tout amusant.
Très peu de plateformes essayaient vraiment de le faire. Je me suis donc dit que j’allais créer la mienne, une plateforme vraiment axée sur l’entrée dans le domaine, sur la carrière et sur les projets, parce que c’était ce qui m’avait été le plus [00:03:00] utile.
Louis-François Bouchard : Je ne pourrais pas être plus d’accord sur l’importance des projets. C’est aussi ce que j’essaie de bâtir avec Towards AI. Mais pour les données en particulier, vous avancez une promesse assez audacieuse : vous pouvez aider les étudiants à décrocher un emploi en 90 jours.
Je me demande donc d’abord comment vous y arrivez. Comment aidez-vous les gens à décrocher un emploi en 90 jours ? Et aussi, pourquoi êtes-vous la bonne personne pour créer cette plateforme ? On dirait une question d’entrevue, j’imagine, mais pourquoi vous pour bâtir cette plateforme d’apprentissage des données ?
Avery Smith : Je vais commencer par la première question.
Oui, mon profil LinkedIn dit que j’aide les gens à décrocher un emploi en données en 90 jours. Je l’affirme parce que c’est littéralement ce que je fais et que c’est possible. Évidemment, cette affirmation vient avec beaucoup de réserves et d’astérisques que vous ne voyez probablement pas sur LinkedIn. Par exemple, lorsque j’ai lancé cette plateforme, j’essayais d’aider les gens [00:04:00] à décrocher un emploi en science des données.
Je visais surtout des personnes issues de parcours non techniques, hors des STIM ou non traditionnels. J’ai alors réalisé qu’il est vraiment difficile de décrocher un emploi en science des données, surtout sans formation technique. Non seulement vous changez de carrière pour entrer dans un nouveau domaine, mais vous devez aussi apprendre beaucoup de nouvelles notions mathématiques.
Vous apprenez probablement aussi à programmer. Il est vraiment difficile de faire de la science des données sans savoir programmer. Lorsqu’on additionne les nouvelles mathématiques, le changement de carrière et l’apprentissage de la programmation, le processus prend généralement beaucoup, beaucoup plus de 90 jours. C’était vraiment difficile.
Je me suis donc davantage tourné vers la BI, l’intelligence d’affaires, l’analytique de données, l’analytique financière et l’analytique d’affaires. Ces emplois exigent moins de programmation et moins de mathématiques. Vous pouvez donc y arriver beaucoup plus rapidement. Ce qui est vraiment intéressant lorsqu’on cherche un emploi, c’est que la quantité de connaissances que vous possédez n’est pas si importante. Ce qui compte, c’est la façon dont vous vous présentez.
La façon dont vous vous présentez et dont vous menez réellement votre recherche d’emploi [00:05:00] finit par compter beaucoup plus que vos compétences techniques. C’est l’une des raisons pour lesquelles nous pouvons avancer plus vite : nous nous concentrons davantage sur cet aspect que sur vos compétences techniques.
Bien sûr, nous devons quand même travailler les compétences techniques, mais elles pèsent moins lourd. Quant à votre deuxième question, pourquoi étais-je la bonne personne pour bâtir cette plateforme ? Premièrement, je ne sais pas si je le suis. J’essaie encore de le comprendre chaque jour. Deuxièmement, pendant ma maîtrise et dans beaucoup de ressources que je consultais en ligne, la science des données et les données en général étaient présentées de façon ennuyante.
C’était vraiment ennuyant. Le contenu était enseigné, vous savez, par une personne plus âgée. Ou par quelqu’un qui parlait d’un ton monotone comme celui-ci et qui expliquait… Ou encore, comme j’habite aux États-Unis, par une personne qui ne venait peut-être pas des États-Unis. Je me disais que ce contenu pourrait être beaucoup plus amusant et captivant. L’une de mes grandes fiertés [00:06:00] est donc de rendre les données plus amusantes. Je parle assez vite, de façon assez animée, et lorsque j’enseigne, j’essaie toujours d’utiliser un scénario amusant. En fait, la première fois que j’ai enseigné un cours de science des données ou quelque chose du genre, c’était juste après le début de la pandémie.
Nous avons réalisé toute une étude de cas qui consistait à prédire s’il resterait du papier hygiénique dans votre épicerie locale. C’était simplement un exemple amusant, n’est-ce pas ? Voilà l’une des choses que j’apporte. J’essaie de rendre les données amusantes.
Louis-François Bouchard : Oui. C’est essentiel. J’ai vécu la même chose à l’université. Cela dit, on peut tomber sur des professeurs très intéressants.
Et j’imagine que c’est ce qui finit par orienter notre parcours. Si vous avez un bon professeur de mathématiques, vous allez aimer les mathématiques et vous diriger dans cette voie. Je suppose que tout dépend du professeur. C’est aussi le bon côté d’Internet : vous pouvez essentiellement choisir votre professeur et votre méthode d’apprentissage préférée.
C’est plutôt cool. Avant d’aborder ce sujet [00:07:00] plus précisément, vous avez mentionné que si vous vous dirigez vers l’IA, vous devez apprendre la programmation, mais aussi les mathématiques. C’est peut-être moins vrai en analytique de données, mais vous utiliserez quand même des algorithmes et d’autres concepts liés aux mathématiques.
Je me demande donc ce que vous pensez de l’apprentissage de la théorie, comme la façon dont ces algorithmes ont été construits ou les mathématiques qui les sous-tendent. Est-ce pertinent ? Est-ce que ça vaut la peine de l’apprendre, ou devrait-on simplement apprendre la ligne de code qui les implémente ?
Avery Smith : C’est une question plutôt controversée. Il y a des gens dans les deux camps, ceux qui privilégient vraiment l’application et ceux qui privilégient vraiment la théorie. C’est peut-être une autre raison pour laquelle…
Les gens aimeront apprendre avec moi ou détesteront ça. Je déteste la théorie. Personnellement, je n’y ai jamais pris plaisir. Même à l’école, lorsque j’étudiais en génie chimique, on nous enseignait toute la [00:08:00] théorie qui se cache derrière, les formules et tout ça.
Et moi, je me disais : « Parfait. Passez tout ça. Réveillez-moi lorsqu’on arrivera enfin à l’application et à la raison pour laquelle c’est important. » Je suis donc extrêmement biaisé en faveur de l’implémentation concrète des méthodes liées aux données. Je ne pense pas qu’on devrait nécessairement ignorer complètement la théorie. Elle peut certainement aider à mieux implémenter les choses. Mais si je devais choisir l’une ou l’autre, je choisirais toujours l’application plutôt que la théorie, autant comme préférence personnelle que dans ma façon d’enseigner.
Louis-François Bouchard : Au-delà de la théorie, pensez-vous qu’il est aussi important d’essayer d’expliquer ce qu’on fait et de le rendre plus accessible ?
Par exemple, la théorie serait comprise par la personne qui construit le système et qui en saisit les fondements. Mais si vous utilisez un CNN ou n’importe quel autre algorithme, est-il important de l’expliquer [00:09:00] à votre entreprise ou aux personnes qui l’utilisent, en termes simples ? Est-ce important ou devraient-elles aussi…
Ne pas le savoir, puisque ce n’est pas pertinent, un peu comme la théorie ne l’est pas vraiment ?
Avery Smith : Lorsqu’on déploie réellement des modèles pour que des gens les utilisent, la confiance est extrêmement importante dans l’industrie. Ces personnes doivent pouvoir faire confiance à votre algorithme. Vous pouvez gagner cette confiance en prouvant encore et encore que vous avez raison, jusqu’à ce qu’elles se disent enfin : « D’accord, je comprends. Cet algorithme fonctionne vraiment. J’ai vu les résultats. » Mais avant d’obtenir cette confiance, ou si votre modèle n’est pas assez bon, l’explicabilité compte énormément.
Par exemple, dans la plupart des entreprises du monde, même si des algorithmes suggèrent quoi faire, c’est souvent un humain qui prend la décision au bout du compte. Donc, si l’ordinateur dit [00:10:00] qu’il faut monter, mais que la personne décide encore si elle doit monter…
Ou descendre, la confiance envers votre modèle peut réellement changer sa décision. Si vous pouvez expliquer ce qui se passe, ou intégrer une explicabilité qui aide la personne à comprendre : « Ah, voici pourquoi le modèle suggère ceci. »
« C’est probablement pour cette raison que c’est une bonne idée. » Cela peut être très important, parce que si une personne prend la décision au bout du compte et ignore votre modèle, celui-ci n’est pas très utile.
Louis-François Bouchard : Oui. Et au sujet de l’éducation en général, que pensez-vous de l’éducation traditionnelle et de l’éducation en ligne ?
Sont-elles simplement complémentaires, ou l’éducation en ligne remplacera-t-elle complètement l’éducation traditionnelle ?
Avery Smith : L’éducation en ligne a ouvert énormément de possibilités à tellement de gens. Par exemple, j’ai obtenu ma maîtrise à Georgia Tech. Je ne suis même jamais allé dans l’État…
De Géorgie. Cette formule m’a donné accès à une université technologique vraiment reconnue à l’échelle mondiale aux États-Unis. Elle m’a donné la possibilité [00:11:00] d’y étudier à un coût encore assez abordable de 17 000 $. Il existe évidemment des options moins chères, mais ce n’était quand même pas 40 000 $ ou 70 000 $, n’est-ce pas ?
Oui. En même temps, la présence en personne apporte quelque chose. J’ai l’impression que les cours en personne sont beaucoup plus captivants que les cours en ligne. Il faut donc faire un compromis entre le niveau d’engagement et le sentiment de faire partie d’une communauté, d’une part, et toute la flexibilité, d’autre part. Si j’avais étudié en personne, je n’aurais pas pu suivre les cours selon mon propre horaire, ce qui aurait été difficile. Je pense donc qu’il y a encore de la place pour les deux. Si vous voulez vraiment être sur place et pleinement engagé, et que vous jugez cet aspect important pour votre apprentissage, je vous recommande d’y aller.
Mais si vous avez seulement six heures par semaine à des moments aléatoires, peut-être de 10 h du soir à minuit le mardi et le vendredi, l’éducation traditionnelle ne vous conviendra peut-être pas. L’éducation en ligne pourrait alors être la bonne option. Il y aura de la place pour les deux à l’avenir, et il sera intéressant de voir comment elles interagiront.[00:12:00]
Louis-François Bouchard : Oui. J’ai été surpris d’apprendre que vous aviez fait votre maîtrise à distance, parce que j’ai vu beaucoup de vos publications parler de la création d’un réseau et de l’utilité d’un bon réseau. Comment avez-vous réussi à développer un réseau pendant une maîtrise à distance ? Ne vaut-il pas mieux étudier en personne, se faire des amis et créer des contacts pour l’avenir ?
Ou avez-vous quand même réussi à établir d’excellents contacts en cours de route, même à distance ?
Avery Smith : Vous savez, c’est une question vraiment intéressante. Juste avant cet appel, je lisais un livre intitulé Million Dollar Weekend, de Noah Kagan. Il a fondé AppSumo et je l’ai trouvé vraiment intéressant.
Ce gars est multimillionnaire et une citation m’a vraiment marqué. Il a dit : « 90 % de ma valeur nette vient des gens que je rencontre. » J’ai trouvé cette affirmation fascinante. Je ne pense pas [00:13:00] que ce soit vrai à cent pour cent dans mon cas, mais ma valeur nette est loin de la sienne. Je devrais donc peut-être commencer à rencontrer plus de gens. De mon côté, mon réseautage vient vraiment de…
Mes rencontres en personne. Je vais à l’église tous les dimanches et mon église possède un très grand réseau composé de nombreuses personnes intéressantes. J’y rencontre donc beaucoup de gens vraiment cool et intéressants. C’est l’une de mes façons de réseauter. Mais la majeure partie de mon réseau vient de LinkedIn. J’ai commencé à y publier il y a presque exactement quatre ans, pendant la pandémie. Ma toute première publication sur LinkedIn portait sur un appel lancé par le gouvernement américain à tous les data scientists pour qu’ils utilisent leurs compétences en NLP afin d’établir ce que nous savions de la COVID, comment la combattre et à quel point elle était dangereuse.
C’était vraiment au début de la pandémie. J’ai publié à ce sujet et diffusé en direct [00:14:00] mon travail sur le problème. Je suis vraiment mauvais en NLP, alors je n’ai pratiquement rien accompli. Mais j’ai identifié beaucoup de gens sur LinkedIn et cette publication a finalement obtenu 80 000 vues.
Je me suis dit : « Il y a vraiment des gens sur LinkedIn et ils voient les publications. Mais qu’est-ce qui se passe ? » Depuis, je publie presque tous les jours sur LinkedIn, depuis quatre ans. Mon réseau compte maintenant environ 107 mille abonnés. Je n’ai pas vraiment rencontré ces gens, mais j’espère leur apporter de la valeur avec mes publications, peut-être mes messages privés et mes commentaires. Cette démarche a tellement agrandi mon réseau que, lorsque j’ai besoin de quelque chose, je peux souvent lui demander de l’aide et espérer en recevoir.
Louis-François Bouchard : Comment faites-vous pour publier chaque jour ? Comment trouvez-vous des idées ou réussissez-vous à apporter de la valeur quotidiennement ?
Avery Smith : C’est vraiment difficile. Et je dirais que j’échoue parfois à apporter de la valeur chaque jour. Vous pouvez éduquer les gens, les divertir ou les soutenir. Il existe différentes méthodes selon [00:15:00] vos intérêts et ce que vous essayez de faire.
C’est difficile. Vraiment difficile. Je citerais ici Pablo Picasso, je crois, qui a dit : « Tout art est un vol. » L’une de mes méthodes consiste à trouver des choses qui me motivent, m’inspirent ou m’apprennent quelque chose, puis à les transformer, à leur donner ma propre touche, à les adapter à mon domaine et à les offrir à mon public.
Je m’inspire donc beaucoup du travail des autres. Je regarde énormément YouTube et, quand je vois certaines choses que les gens y font, je me dis : « Bon, faisons la même chose, mais pour l’analytique de données », ou quelque chose du genre. Je m’inspire de beaucoup de gens. J’utilise aussi un peu l’IA pour obtenir des idées qui m’aident à commencer mes publications. En fait, l’IA n’a jamais créé une publication complète que j’ai ensuite utilisée telle quelle, mais elle me donne au moins un point de départ.
Louis-François Bouchard : Oui. Je fais la même chose. Pas pour trouver des idées, mais pour réviser, suggérer des titres ou faire des tâches de ce genre.
C’est [00:16:00] très efficace. Je trouve que ChatGPT est un excellent éditeur lorsqu’on échange avec lui. Il est aussi excellent pour le brainstorming. C’est assez drôle, parce que je ne sais pas si vous suivez ce dossier, mais ici, où j’habite, les universités n’aiment vraiment pas ChatGPT. Elles n’aiment pas…
Que les étudiants utilisent l’IA, alors qu’elle est tellement efficace et utile pour apprendre n’importe quoi. Ma prochaine question portait sur les universités et, plus précisément, les études supérieures. Sont-elles encore pertinentes aujourd’hui ? Je pense à une maîtrise comme la vôtre ou même à un doctorat. Est-ce toujours pertinent avec ChatGPT, qui permet d’apprendre et de faire presque n’importe quoi, ainsi qu’avec toutes les autres ressources en ligne ?
Vaut-il encore la peine de poursuivre un diplôme de deux ans, de quatre ans ou de n’importe quelle durée ?
Avery Smith : Je pense que tout dépend vraiment de ce que vous essayez d’accomplir. Si vous voulez par exemple vous lancer en analytique de données, je ne pense pas qu’un tel diplôme soit nécessaire. Il existe de meilleures méthodes, plus rapides et plus abordables.
Mais si vous voulez développer votre réseau, décrocher un poste de très haut niveau dans une entreprise de premier plan ou maîtriser la théorie [00:17:00] derrière le domaine, allez-y. À mon avis, il ne s’agit pas de savoir quel chemin est le meilleur, mais plutôt quelle destination vous voulez atteindre.
Je pense donc qu’il y a encore une place pour ces diplômes. D’ailleurs, vous n’allez pas me croire. Je fais des appels de coaching individuels avec des gens qui souhaitent se lancer en analytique de données. Je leur demande toujours s’ils ont déjà suivi des cours en données. Une personne m’a récemment dit qu’elle suivait une maîtrise en analytique de données avec ChatGPT.
Louis-François Bouchard : Wow. Et pour l’analytique de données en particulier, quelles seraient les… Comme vous l’avez mentionné, il existe d’autres options, et de meilleures options, que l’université.
De quelles compétences avez-vous besoin [00:18:00] en analytique de données ? Que faut-il apprendre pour devenir un professionnel, travailler comme pigiste ou simplement travailler dans le domaine ?
Avery Smith : Encore une fois, j’aime beaucoup l’idée de commencer en gardant l’objectif final en tête. Si vous voulez devenir data engineer, data scientist, analyste de données ou autre chose, vous devrez posséder des compétences différentes.
J’aide surtout les gens à devenir analystes d’affaires, analystes financiers ou analystes de données. Les titres de poste dans le domaine des données sont d’ailleurs complètement désorganisés et varient énormément. Il devient donc difficile de savoir quel poste on vise réellement. Mais avez-vous reçu Luke Barousse sur ce podcast ?
Louis-François Bouchard : Non. Pas encore.
Avery Smith : D’accord. Je vous recommande fortement d’inviter Luke Barousse sur le podcast. C’est probablement le principal expert en IA pour l’analyse de données que je connais. Il crée beaucoup de vidéos YouTube vraiment intéressantes sur la façon d’utiliser ChatGPT pour analyser des données. L’une des choses cool que Luke a faites est de scraper environ un demi-million d’offres d’emploi sur le Web pour différents postes en données.
Il a ensuite réalisé quelques analyses de base pour montrer quelles compétences [00:19:00] apparaissent le plus souvent. Pour un poste d’analyste de données, il s’agit généralement de SQL, d’Excel et de Power BI ou Tableau, peut-être aussi de Python selon le niveau d’ancienneté du poste. À mon avis, ces quatre ou cinq compétences sont essentiellement celles que vous devez connaître.
Parmi toutes ces compétences, Python est généralement celle que je préfère. Mais je dis aux gens de l’apprendre en dernier, parce que sa courbe d’apprentissage est la plus longue. La plupart des gens connaissent Excel. Pour Power BI et Tableau, si vous comprenez PowerPoint, vous arriverez à les comprendre, puisqu’il suffit de cliquer et de glisser.
Et pour SQL, du moins en analytique de données de base, il s’agit vraiment d’environ 20 instructions ou commandes que vous pouvez probablement apprendre en deux semaines. Voilà par où je conseille de commencer, puis vous pourrez, espérons-le, décrocher votre premier emploi. J’essaie aussi d’expliquer aux gens qu’ils peuvent être payés pour apprendre Python au travail, parce que dans le monde des données, vous serez toujours [00:20:00] en train d’apprendre. Les entreprises le savent.
Elles peuvent donc vous payer pour apprendre ces choses. C’est par là que je commencerais.
Louis-François Bouchard : Hé, je vous interromps rapidement pour vous rappeler de laisser un J’aime ou une évaluation de cinq étoiles, selon la plateforme où vous écoutez cet épisode. Si vous l’aimez, j’aimerais aussi connaître votre opinion sur l’éducation en général.
L’éducation en ligne remplacera-t-elle l’éducation traditionnelle, les universités et les études supérieures ? Pensez-vous qu’un diplôme sur papier demeurera pertinent à l’avenir ? Je me pose vraiment la question. De mon côté, je pense que l’éducation en ligne changera beaucoup, évoluera énormément et sera de mieux en mieux perçue par les entreprises lorsqu’elles embauchent.
Je pense aussi qu’apprendre en construisant est la chose la plus importante que vous pouvez faire. L’endroit où vous apprenez vos compétences n’a donc pas vraiment d’importance. Ce qui compte, c’est ce que vous en avez fait. Si vous cherchez des plateformes d’apprentissage en ligne, privilégiez celles qui vous enseignent en construisant de vrais projets.
Revenons maintenant à la discussion.
Je ne sais pas si l’analytique de données est différente, mais je sais que le domaine de l’intelligence artificielle en général [00:21:00] change et évolue très rapidement. Les universités accusent par exemple beaucoup de retard dans ce qu’elles enseignent, comme les frameworks, les bibliothèques et ainsi de suite. Ce qu’on y apprend n’est généralement plus aussi pertinent au moment d’obtenir son diplôme.
Je me demande donc si c’est la même chose pour vous et pour votre plateforme. Comment gardez-vous le contenu et l’ensemble de la plateforme à jour pour tous les nouveaux étudiants si le domaine évolue aussi vite ?
Avery Smith : Oui, c’est une question intéressante. Je pense vraiment que l’IA évolue probablement plus vite que les données en ce moment.
Il se passe tellement de choses, surtout dans le domaine génératif. Les données évoluent évidemment rapidement, mais pas à l’échelle de quelques mois. On parle plutôt de quelques années. Par exemple, je pense aux grands changements survenus depuis le lancement de mon programme, il y a environ deux ans et demi.
Je n’enseigne pas depuis des décennies, vous savez. J’ai lancé ce programme il y a environ deux ans et [00:22:00] demi. Parmi les changements, Excel a lancé XLOOKUP pour remplacer VLOOKUP. Cette fonction facilite énormément les recherches dans Excel. Il suffit donc de créer une nouvelle leçon sur XLOOKUP.
Ce n’est pas un problème. Python dans Excel est sorti récemment, au cours de la dernière année. Personnellement, je ne le comprends pas encore très bien et je ne le vois pas vraiment utilisé dans l’industrie. Je ne ressens donc aucune pression, même si je créerai probablement du contenu à ce sujet au cours de la prochaine année. Je ne l’ai simplement pas encore vu être utilisé.
Je ne vais pas enseigner quelque chose qui n’est pas utile dans l’industrie. Et puis Power BI est arrivé, probablement en 2015 ou quelque chose du genre. Peut-être qu’un tout nouvel outil vraiment important apparaît une fois par décennie. Mais je ne pense pas que nous en ayons eu récemment. Le plus récent est probablement ChatGPT et l’IA générative.
Le premier problème, c’est qu’il n’existe pas encore de leader incontesté [00:23:00] pour analyser des données avec l’IA générative. ChatGPT est probablement en tête, mais c’est difficile en raison de nombreux problèmes de confidentialité. Aucune entreprise ne vous laissera vraiment téléverser ses datasets dans ChatGPT sans les protections appropriées.
Cette technologie n’est donc pas encore beaucoup utilisée dans l’industrie, du moins avec l’outil ChatGPT lui-même. Certains outils d’OpenAI ou des LLMs personnalisés peuvent l’être, mais l’adoption demeure limitée. Elle reste toutefois très intéressante pour le dépannage.
Nous avons donc quelques leçons sur la façon d’effectuer du dépannage avec ChatGPT et ainsi de suite. Je ne sais pas. C’est une excellente question. Reposez-la-moi dans cinq ans et j’aurai une meilleure réponse.
Louis-François Bouchard : Oui. ChatGPT est certainement utile pour déboguer. Même sans y mettre de renseignements sensibles, il y a énormément de choses qu’on peut faire. En parlant de ChatGPT, comment utilisez-vous personnellement [00:24:00] l’IA sur votre plateforme ? Que ce soit pour créer le contenu ou pour accomplir n’importe quelle autre tâche. Je ne parle pas d’enseigner aux étudiants à utiliser l’IA, mais bien de la façon dont vous l’utilisez pour la plateforme.
Avery Smith : Oui. C’est en fait quelque chose que nous venons d’implémenter, donc c’est tout nouveau. Nous avons pris toutes nos leçons, en vidéo comme en texte, et créé notre propre chatbot. Il est essentiellement entraîné sur l’ensemble des leçons. Il s’agit donc d’un chatbot personnalisé spécialement pour mon bootcamp, le Data Analytics Accelerator.
Il se trouve simplement dans le coin inférieur droit. Chaque fois qu’une personne a une question, elle peut ouvrir le chatbot et la poser. Je l’ai essentiellement entraîné avec un logiciel. Je ne suis pas un si bon programmeur, alors j’ai utilisé un logiciel pour le faire. Ses réponses sont parfois un peu douteuses, mais il fournit toujours des références aux leçons précises, ce qui est [00:25:00] très utile.
Même si sa réponse n’est pas très cohérente, il vous fournit souvent les références qui vous permettent de retourner à l’endroit où nos formateurs enseignent réellement le concept et d’obtenir l’explication directement de leur part. Au moins, il le fait de façon assez constante.
Louis-François Bouchard : C’est très cool.
Nous avons nous aussi lancé notre tuteur d’IA il y a quelques mois, avec essentiellement tous les articles et les cours que nous avons créés avec Towards AI. C’est donc assez semblable. Il est devenu très utile et les gens l’adorent. Exploitez-vous l’IA d’une autre façon sur la plateforme ? Bien sûr, un chatbot est vraiment cool.
Tout le monde aime obtenir une réponse rapide au lieu de parler à quelqu’un. Mais beaucoup de gens le font déjà. Utilisez-vous l’IA pour accomplir quelque chose de différent ?
Avery Smith : Oui, je pense que mon entreprise fait d’autres choses cool que je ne vois pas beaucoup d’autres personnes faire.
L’une d’elles est un autre chatbot, mais attendez, celui-ci est cool. Je pense que vous allez [00:26:00] l’aimer. Le chatbot dont je viens de vous parler sert à mes étudiants du bootcamp. C’est son objectif. Lorsque OpenAI a annoncé le GPT Store, j’étais vraiment enthousiaste. Je me suis dit : « Oh mon Dieu, je vais créer ce que j’appelle AveryGPT et lui donner toutes mes connaissances. »
« Je vais le placer dans le GPT Store d’OpenAI et ce sera incroyable. » Mais j’ai ensuite réalisé qu’il fallait avoir ChatGPT Plus pour utiliser le GPT Store, ce qui coûte environ 20 par mois. Je me suis dit que beaucoup de gens l’avaient. J’utilise moi-même Plus. Mais beaucoup de gens ne l’ont pas et n’ont probablement pas les moyens de se le payer.
J’étais donc un peu découragé pendant sa création. Je ne savais plus vraiment si je voulais le faire. J’ai finalement créé cet outil appelé AveryGPT. Nous pourrons peut-être ajouter un lien dans la description de l’émission ou quelque chose du genre. Oui, bien sûr. Il est accessible au public et contient mes 2 000 publications LinkedIn, les transcriptions de mon podcast, soit les cent transcriptions de celui-ci.
En gros, il contient [00:27:00] les connaissances de tout le contenu que j’ai produit, du moins sur LinkedIn et dans mon podcast. C’est donc encore une fois un chatbot assez amusant qui vous offre une réponse personnalisée, semblable à celle que je vous donnerais si vous me posiez une question. J’adore faire du coaching individuel.
Mais c’est très difficile, parce que j’accorde de la valeur à mon temps. Lorsque je fais de la consultation, je facture environ 300 dollars l’heure. Pour du coaching individuel, je dois donc demander à peu près la même chose. Ce n’est peut-être pas le prix le plus élevé, mais c’est cher pour beaucoup de gens.
J’espère donc que cet outil permettra aux gens d’obtenir une forme de coaching individuel de ma part à un prix plus abordable. Il ne sera évidemment peut-être pas aussi bon, mais il coûtera moins cher. C’est l’une de nos méthodes : offrir au public un chatbot plus accessible, ce qui est assez amusant. Nous avons aussi créé un logiciel que j’appelle le simulateur d’entrevue.
Il sert moins à enseigner les données qu’à vous aider concrètement à décrocher un emploi. Pour expliquer le fonctionnement [00:28:00] du logiciel, j’ai enregistré de nombreuses vidéos dans lesquelles je pose des questions importantes que vous entendrez pendant une entrevue. Il s’agit surtout de questions comportementales et de quelques questions techniques.
Vous regardez une vidéo dans laquelle je pose la question, puis un enregistreur s’affiche à l’écran et vous demande d’y répondre. Vous vous enregistrez à l’écran pendant votre réponse, puis vous appuyez sur Soumettre. Le logiciel montre ensuite un exemple de bonne réponse à cette question d’entrevue.
Nous leur donnons ensuite beaucoup de feedback généré par l’IA sur leur réponse. Nous lui attribuons une note de zéro à 10, ou plutôt de un à 10. Nous présentons les forces et les faiblesses de ce qu’ils ont dit. Nous essayons donc d’aller un peu plus loin qu’une simple entrevue simulée et d’offrir aussi un peu de coaching d’entrevue. C’était vraiment amusant.
Louis-François Bouchard : Oui, c’est vraiment cool. Je ne sais même pas si un tel outil existe ailleurs en ce moment, mais je trouve que c’est incroyable, surtout sur une plateforme d’apprentissage. C’est génial de recevoir du feedback sur [00:29:00] les questions auxquelles vous devrez certainement répondre. On conseille souvent de simplement passer des entrevues pour se pratiquer. Vous allez échouer, et c’est tout.
Ce n’est pas grave, mais cet outil vous permet de pratiquer sans avoir honte d’échouer à une entrevue. C’est donc assez cool.
Avery Smith : Oui, à cent pour cent. Certaines versions de cet outil commencent à apparaître sur Internet. Elles diffèrent toutes légèrement. L’un des avantages du nôtre est qu’il s’agit de la seule plateforme vidéo.
Il existe quelques plateformes audio, et nous sommes aussi les seuls à utiliser un véritable humain pour poser les questions. Beaucoup d’autres utilisent l’IA avec un avatar. Je dirais que ces avatars sont rendus à environ 80 pour cent, mais la plupart ont encore l’air un peu épeurants, à moins d’utiliser un excellent modèle.
Beaucoup de ces avatars d’IA ressemblent encore un peu à de petits robots. De notre côté, un humain pose la question et vous vous enregistrez en vidéo, ce qui se rapproche le plus de la réalité d’une entrevue [00:30:00]. Certaines plateformes réalisent maintenant des entrevues avec des avatars d’IA. Je n’aime pas vraiment ça, je préfère que des humains s’en occupent. Mais c’est peut-être l’avenir qui nous attend, je ne sais pas.
Louis-François Bouchard : Oui. Qu’avez-vous pensé de Channel One ? Je ne sais pas si vous avez vu… Non, je ne l’ai pas vu. Qu’est-ce que c’est ? Il s’agissait d’une chaîne médiatique automatisée au contenu entièrement généré qui devait sortir en janvier, je crois. Je ne suis pas certain, mais elle a été annoncée en décembre avec une grande vidéo de lancement et a suscité beaucoup de hype.
Avery Smith : Oui, j’en ai entendu l’audio, mais je n’ai pas vu la vidéo. Ce sera très intéressant. Encore une fois, je pense l’avoir mentionné plus tôt, mais je ne sais pas ce qu’il en est pour vous. Je suis certain que vous me dépassez largement pour les prompts ChatGPT et tout ce qui touche à l’IA, mais c’est plutôt rare. Cela dit, maintenant que j’y pense, nous ne modifions rien dans le simulateur d’entrevue.
Il est plutôt rare que je copie-colle directement du contenu d’une IA générative [00:31:00], parce qu’il demande généralement une certaine optimisation humaine. Mais l’équipe de Channel One a peut-être perfectionné le système au fil du temps. Je ne sais pas. Ce sera intéressant à voir. Voici la vérité : ces outils vont s’améliorer avec le temps et auront besoin de moins en moins d’humains.
J’en suis certain.
Louis-François Bouchard : Mais pensez-vous que les gens voudront écouter des avatars et regarder les nouvelles présentées par de fausses personnes ?
Avery Smith : Si le contenu est assez captivant… Vous pouvez retirer cette partie si vous le voulez, mais les influenceurs virtuels fondés sur l’IA existent depuis des années, n’est-ce pas ? Oui.
Tant que le contenu est assez captivant, je ne pense pas que les gens s’en soucient vraiment. S’il ne l’est pas et qu’il est mauvais, les gens se soucient simplement de la qualité. Je ne pense pas qu’autre chose compte vraiment. En ce moment, la plupart des produits, ou plutôt des résultats, générés par l’IA [00:32:00] sont généralement…
Pas tout à fait humains ou d’une qualité insuffisante. Nous produisons énormément de contenu. Comme vous le demandiez plus tôt : « Comment diable publiez-vous chaque jour sur LinkedIn ? » J’en ai parlé à mon équipe, qui m’a proposé d’utiliser l’IA pour générer des publications LinkedIn.
Et je leur ai répondu que je ne pouvais nommer aucun créateur de contenu qui réussit actuellement en publiant exclusivement du contenu produit par l’IA. Bien sûr, ces créateurs l’utilisent pour brainstormer. Ils l’utilisent pour réviser, trouver un titre ou créer une partie du contenu. Il existe peut-être une exception, mais je ne connais aucun créateur de contenu qui…
Se contente de copier-coller un résultat, de le publier et d’obtenir du succès.
Louis-François Bouchard : Non. Dès qu’on possède un peu d’expérience avec ChatGPT, on voit immédiatement qu’un texte est généré, même s’il n’utilise pas, je ne sais pas, « delve » et toute la [00:33:00] terminologie qu’il emploie toujours.
Oui. Tous ces termes sont tellement propres à ChatGPT. Je ne sais pas trop. Il est censé utiliser ce que les humains emploient le plus souvent, mais son vocabulaire ne ressemble à celui de personne. C’est un peu particulier, un peu étrange. Peut-être qu’OpenAI a volontairement conçu le système ainsi pour que les utilisateurs sachent qu’un texte est généré, comme une sorte de mécanisme de gestion.
Mais oui, il est tellement facile de repérer qu’un contenu est généré. C’est vraiment mauvais. J’imagine que les gens qui parlent moins bien anglais ou qui n’ont pas l’habitude d’utiliser ChatGPT ne s’en rendent pas compte et font parfois du copier-coller. Mais après environ un mois d’utilisation, vous reconnaîtrez immédiatement un texte généré.
Je ne sais pas si LinkedIn, Twitter et les autres plateformes ont pris des mesures [00:34:00] pour réduire la visibilité des publications générées, mais elles ne fonctionnent certainement pas bien. J’en ai vu quelques-unes et, dès la première phrase, on le sait. Elles semblent toutes obtenir très peu de portée.
Je ne sais donc vraiment pas. Je ne connais non plus personne qui copie-colle directement du contenu de ChatGPT ou d’un outil semblable sur les réseaux sociaux. C’est probablement pour une raison. Le contenu généré est très facile à reconnaître et manque sans doute de personnalité. Je ne sais vraiment pas.
Chez Towards AI, nous avons essayé de créer un outil, une sorte de copilote pour les réseaux sociaux, surtout pour moi, les podcasteurs et les blogueurs. Il devait essentiellement prendre un article de blogue, reproduire le style de son auteur et créer une publication qui en extrait une ou deux observations intéressantes.
Mais il faut encore [00:35:00] tellement de travail pour réviser la publication par la suite. Nous avons essayé tellement de prompts et de méthodes, mais nous n’arrivons toujours pas à rendre le résultat bon, intéressant et utile. Ça ne fonctionne tout simplement pas, malheureusement.
Avery Smith : Je suis d’accord. C’était justement l’une des autres choses que je voulais mentionner.
J’utilise aussi l’IA pour chacun des épisodes hebdomadaires que je publie dans le Data Career Podcast. Nous l’avons intégrée à Descript, qui a récemment ajouté de nombreuses fonctionnalités d’IA. Nous commençons toujours le podcast par un moment fort de l’entrevue. Je demande maintenant à Descript AI d’en trouver cinq.
Il cherche cinq moments importants qui pourraient servir d’accroche, être saisissants, viraux ou captivants. J’écoute ensuite les cinq et j’en choisis un. Je ne laisse pas l’outil choisir pour moi. Il réussit généralement à trouver un bon extrait parmi ses cinq suggestions. C’est donc l’une de nos utilisations.
J’utilise aussi quelques autres outils pour prendre [00:36:00] l’enregistrement et le transcrire. Ils génèrent ensuite des publications LinkedIn, des légendes Instagram et d’autres contenus. Ils créent mes timestamps, mes titres et ainsi de suite.
Encore une fois, nous ne publions jamais directement le résultat. C’est toujours du copier-coller suivi d’une révision humaine. Ces outils nous font probablement gagner beaucoup de temps, mais nous devons quand même leur en consacrer. Ils nous amènent généralement à environ 50 pour cent du résultat final. Ils nous donnent donc un point de départ et quelques suggestions utiles plutôt qu’une page blanche.
Louis-François Bouchard : Oui. Pour n’importe quelle tâche créative, comme la création d’une nouvelle publication LinkedIn, vous dites que l’outil réalise 50 pour cent du travail, mais j’ai l’impression qu’il en fait encore plus. Il trouve essentiellement l’idée de la publication [00:37:00] et produit un brouillon qu’il suffit de modifier et de publier. Techniquement, 50 pour cent du travail est fait, puisque le texte est écrit et qu’il faut en réviser environ la moitié. Mais trouver l’idée et essayer de la présenter correctement représente déjà beaucoup.
C’est l’une des forces de ChatGPT : organiser les idées et déterminer ce qu’il faut mentionner. Même sans être un expert, si vous connaissez assez bien le domaine dont vous parlez, vous pouvez rapidement voir ce que ChatGPT avance de juste ou de faux. Il suffit de le corriger rapidement pour en tirer une excellente publication.
J’ai donc l’impression que ces outils changent vraiment la donne. Je ne sais pas s’il faut parler de tâches créatives, mais pour une tâche qui exige de créer quelque chose de nouveau avec très peu de directives, c’est incroyable. [00:38:00] C’est génial. Je suis d’accord. Apprenez-vous aussi à vos étudiants à mieux exploiter ChatGPT ou d’autres outils d’IA ?
Avez-vous des leçons à ce sujet ?
Avery Smith : Oui. La plateforme contient quelques leçons sur ChatGPT, moins pour analyser les données que pour travailler sur la carrière. Nous avons par exemple parlé de notre simulateur d’entrevue, auquel ils ont accès. Je leur apprends aussi qu’ils peuvent demander à ChatGPT de leur faire passer une entrevue simulée par texte.
Oui, et ça fonctionne bien. Nous l’utilisons donc beaucoup pour la carrière et pour les CV, par exemple afin de brainstormer des points à ajouter au CV ou d’y chercher des fautes. Nous l’utilisons moins pour apprendre la partie technique des données. Mais nous parlons beaucoup du dépannage. Pour mes étudiants et moi, ChatGPT est maintenant…
Le nouveau Google lorsqu’un code d’erreur apparaît. J’aimerais [00:39:00] connaître l’évolution du trafic de Stack Overflow au cours de la dernière année. Stack Overflow demeure utile, je ne dis pas le contraire, mais j’imagine que son trafic a beaucoup diminué. Au lieu de chercher l’erreur sur Google et de cliquer sur le premier lien, qui mène toujours à Stack Overflow…
Je demande maintenant à ChatGPT : « Pourquoi ai-je obtenu cette erreur ? Voici mon code. » Il me répond : « Vous avez obtenu cette erreur pour cette raison », puis il propose souvent une version corrigée du code pour éviter l’erreur. C’est vraiment utile. Le dépannage est donc très important pour nous.
Voilà à quoi nous servent ChatGPT et l’IA. L’autre utilisation consiste encore une fois à obtenir un point de départ pour programmer. Lorsque je code quelque chose, généralement en Python puisque c’est le langage que je préfère, je demande à ChatGPT de faire un premier essai et de tenter de créer l’application que je suis en train de bâtir.
Encore une fois, il réalise seulement environ 40 pour cent du travail, mais c’est 40 pour cent que je n’ai pas eu à taper. L’outil est donc très utile pour commencer [00:40:00] à écrire du code. Je déteste toujours commencer et partir d’une page blanche. Je lui demande donc de me donner le début d’un code qui accomplit la tâche, et il se débrouille généralement assez bien.
Louis-François Bouchard : Au-delà de la programmation, vous avez dit que vous enseignez, bien sûr, mais que vous continuez aussi à apprendre constamment. Premièrement, exploitez-vous ChatGPT pour apprendre de nouvelles choses ? Avez-vous aussi des habitudes ou de bonnes pratiques ? Vous forcez-vous à continuer d’apprendre ?
Ou aimez-vous simplement lire et regarder YouTube ? Que faites-vous pour continuer d’apprendre, de progresser et de vous améliorer ? Avez-vous des conseils précis avec ChatGPT, ou simplement dans votre vie en général, pour être plus productif ?
Avery Smith : Pour répondre à votre première question…
Je veux simplement raconter une courte histoire. Je suis entrepreneur. J’adore ce que je fais et j’adore enseigner. J’aime aussi la technologie, les logiciels et les réseaux sociaux. J’ai récemment eu l’idée [00:41:00] de créer un logiciel SaaS qui aiderait les gens à réutiliser du contenu sur LinkedIn. Je me suis dit : « Je veux d’abord le créer pour moi. »
« Ensuite, je verrai si quelqu’un d’autre le veut. » Je ne suis pas vraiment programmeur. Je suis ingénieur chimiste, j’ai appris à programmer à l’université, puis j’ai obtenu une maîtrise en science des données. Je peux donc programmer en Python, mais je ne peux pas créer un site Web, par exemple.
Je m’y connais toutefois assez pour savoir que je voudrais probablement utiliser Angular, JavaScript ou quelque chose du genre pour le front end. Je me suis donc demandé si je pouvais le faire avec ChatGPT. Je lui ai décrit ce que je voulais et mon idée d’application.
Je lui ai montré l’apparence et la mise en page que je souhaitais. J’ai réussi à construire le front end et le back end en Python. Je connais Python, mais ChatGPT a quand même écrit la majeure partie du back end. Je n’arrivais toutefois pas à les faire communiquer sur mon ordinateur local ni à dépasser [00:42:00] une erreur avec l’aide de ChatGPT.
J’ai donc fini par embaucher quelqu’un. Mais je n’aurais jamais pu réaliser ce projet sans ChatGPT. En fait, j’aurais probablement pu, mais l’apprentissage m’aurait pris beaucoup plus de temps. C’est peut-être l’une de mes méthodes d’apprentissage : expérimenter avec ce genre de choses. Je trouve ça vraiment amusant.
Et pour répondre à votre question sur ma façon d’apprendre dans la vie, j’adore… Je n’ai pas du tout un TDAH, mais je dis que j’en ai un, parce que je passe essentiellement chaque seconde de ma journée à être stimulé par des podcasts. L’an dernier, j’en ai écouté environ 60 000 minutes. Est-ce le bon chiffre ?
Je devrais vérifier mon Spotify. Est-ce que ce sont des heures ou des minutes ? Je pense que ce sont des minutes. J’ai écouté 60 000 minutes de podcasts l’an dernier. J’en écoute donc toujours un et j’apprends énormément de cette façon. Si je n’écoute pas un podcast, mes fils TikTok et YouTube sont fortement axés sur l’apprentissage. Enfin, je m’oblige à lire chaque jour 10 pages d’un livre documentaire.
Je lis simplement 10 pages de non-fiction [00:43:00] chaque jour. C’est probablement la seule habitude qui est vraiment structurée. L’apprentissage n’arrive pas seulement parce que je m’ennuie. J’essaie réellement d’apprendre un peu chaque jour en lisant 10 pages.
Louis-François Bouchard : C’est un bon conseil.
Je ne me souviens pas du titre. Habits ? Je pense que le livre s’appelle simplement Habits. Mais pour prendre de nouvelles habitudes, il faut essentiellement essayer des étapes très faciles. Si vous voulez commencer à courir, mettez simplement vos chaussures et sortez. Vous pouvez rentrer tout de suite si vous le voulez. Commencez seulement par mettre vos chaussures, sans prévoir de courir 10 kilomètres chaque fois ou quoi que ce soit du genre.
C’est trop ambitieux. Essayez simplement de commencer par de petites étapes. J’aime donc beaucoup l’idée de se limiter à 10 pages plutôt qu’à une heure ou même plus par jour. Et en ce moment, vous lisez Million Dollar Weekend, c’est bien ça ?
Avery Smith : Oui. J’alterne mes lectures. J’ai lu Atomic Habits et je regarde [00:44:00] ma bibliothèque en ce moment.
J’ai lu Atomic Habits et Tiny Habits, qui parlent tous les deux de ce principe. J’aime donc beaucoup cette idée. Je viens de terminer un livre sur l’entrepreneuriat qui s’appelle, je crois, The E-Myth. Il était bon. Maintenant, je lis Million Dollar Weekend et, en parallèle, un livre de développement personnel intitulé The Mountain Is You.
J’alterne entre les deux selon que je souhaite en apprendre davantage sur les affaires ou devenir un humain plus stable mentalement.
Louis-François Bouchard : Recommanderiez-vous les deux ?
Avery Smith : Pour être parfaitement honnête, j’en suis à 10 pages dans les deux. Jusqu’ici, tout va bien. Je n’ai rien à leur reprocher.
Mais je viens de terminer The E-Myth, que j’ai trouvé très utile pour toute personne qui a l’esprit entrepreneurial et envisage de lancer une entreprise. J’ai donc aimé ce livre.
Louis-François Bouchard : Excellent. J’avais une dernière question sur les données. Dans le domaine [00:45:00] de l’analytique de données, ou des données en général, avec ChatGPT et toutes les personnes qui se réorientent, avez-vous l’impression que le marché de la pige ou de l’emploi est maintenant saturé ?
Est-il déjà trop tard pour se lancer ?
Avery Smith : C’est vraiment fascinant. Je croyais qu’après la COVID, tout le monde deviendrait pigiste. J’imaginais presque un avenir où personne n’aurait vraiment un emploi traditionnel et où tout le monde travaillerait à domicile comme pigiste sur différents projets pendant plusieurs mois.
Peut-être même sur plusieurs projets à la fois. Je ne sais pas. C’est ainsi que j’imaginais l’avenir. J’ai donc acheté beaucoup d’actions d’entreprises liées à la pige, comme Fiverr et d’autres plateformes, mais elles se sont effondrées. Leur valeur a énormément baissé. Ma théorie était donc fausse, ou je suis simplement trop en avance.
C’est ainsi que j’imaginais l’avenir de la pige [00:46:00], mais nous n’y sommes visiblement pas encore. Quant à la saturation des emplois en données, je ne crois pas qu’elle existe. Je pense que ces emplois deviendront seulement de plus en plus courants au cours de la prochaine décennie. Beaucoup d’entreprises accusent encore un retard énorme dans leur maturité en matière de données.
Et les données offrent un ROI tellement élevé que je vois les postes de data scientist, de data engineer et d’analyste de données continuer de croître au cours de la prochaine décennie. C’est un peu délicat, parce que beaucoup de gens voient les mises à pied dans les grandes entreprises technologiques, comme les entreprises FAANG et tout ça. Mais j’ai l’impression que ces entreprises ont beaucoup trop embauché pendant la COVID.
Je pense donc qu’il s’agit simplement d’une réaction à cette situation. J’essaie de dire aux gens de ne pas nécessairement considérer ces entreprises comme les exemples parfaits de l’état de l’industrie. Il existe encore beaucoup d’emplois en données dans des entreprises qui ne sont pas du tout technologiques. La fabrication, l’industrie pharmaceutique et le secteur de la santé ont tous besoin d’analystes de données.
Il existe tellement de secteurs différents, et les grandes entreprises technologiques n’en représentent qu’un.
Louis-François Bouchard : Excellent. C’est une excellente [00:47:00] nouvelle pour tous les apprenants qui nous écoutent. Pour la pige, je pense que de plus en plus de gens choisissent cette voie. Je ne sais pas si c’est plus facile, mais les gens comme vous et moi bâtissent une sorte de communauté et un réseau.
Ils trouvent donc eux-mêmes leurs clients et n’ont pas besoin de dépendre de Fiverr, Upwork et des autres plateformes. C’est peut-être pour cette raison que celles-ci ont un peu reculé. Les gens deviennent pigistes, mais créent une chaîne YouTube, sont actifs sur Twitter, entretiennent un bon profil GitHub ou utilisent d’autres méthodes pour trouver des clients.
Ce serait peut-être ma théorie.
Avery Smith : Vous avez raison à cent pour cent. Ce pourrait certainement être le cas. Voilà la partie difficile de la pige. Lorsque j’ai lancé mon programme, j’enseignais justement aux gens à devenir pigistes et à créer un service de consultation, une agence ou quelque chose du genre.
[00:48:00] J’ai cessé de l’enseigner, parce que cela demande beaucoup trop de travail lorsqu’on se réoriente. Vous devriez probablement travailler dans le domaine avant de devenir pigiste. Cela dit, si vous souhaitez devenir pigiste à partir de votre emploi technologique actuel, allez-y. Mais sachez que 50 pour cent de vos efforts ne seront probablement plus consacrés à votre domaine technique.
Ils seront consacrés aux affaires. Vous devrez apprendre à vous présenter, à vendre, à ouvrir un compte bancaire d’entreprise et à facturer vos clients. Dans le livre The E-Myth dont nous avons parlé, l’auteur explique qu’au démarrage d’une petite entreprise, trois personnes doivent accomplir le travail. Il y a le technicien…
Même si vous êtes seul, vous incarnez trois personnalités. Il y a le technicien, donc la personne technique que vous avez toujours été et qui accomplit le travail concret, le gestionnaire et le propriétaire de l’entreprise. Il est très difficile d’équilibrer ces trois personnalités et les postes de trois personnes différentes.[00:49:00]
Certaines personnes choisissent la pige, aiment le marketing ou les affaires et réussissent ainsi à trouver des clients. D’autres se disent : « Merde, je ne veux pas faire de vente. Je ne veux pas faire de marketing. »
« Je veux simplement faire de l’IA, de la science des données ou du machine learning. Merde, qu’est-ce que je fais ? » Même sur des plateformes comme Upwork ou Fiverr, où vous n’avez pas nécessairement besoin de chercher vos propres occasions puisque celles-ci peuvent venir à vous, il faut quand même beaucoup de marketing, d’appels d’introduction et de messages privés.
Si vous vous lancez seul, il faut donc consacrer environ 50 pour cent de votre temps aux affaires et 50 % à ce que vous voulez réellement faire. Oui.
Louis-François Bouchard : Si vous voulez seulement programmer et apprendre… Bien sûr, on apprend beaucoup comme pigiste et entrepreneur, mais on apprend des choses différentes. Oui. Mais si vous voulez simplement entrer en IA ou dans les données et…
Jouer avec les modèles et apprendre, un emploi traditionnel est certainement plus [00:50:00] intéressant. Excellent. Vous avez donc votre plateforme, Data Career Jumpstart, que les gens peuvent consulter. J’ai aussi vu que vous recommandiez aux étudiants, et aux gens en général, de découvrir le podcast et l’infolettre.
Je voulais vous demander la différence entre les trois. Qui devrait écouter le podcast ? Qui devrait suivre le cours ? Qui devrait lire l’infolettre ? Comment présenteriez-vous chaque option ?
Avery Smith : Oui. Au cours des trois dernières années, la majorité de mon contenu et de mes produits s’adressaient aux personnes issues de parcours non traditionnels…
Qui souhaitent se lancer dans une carrière en données. Je parle aux gens qui se disent : « Oh, ça m’intéresse. Je pense que je veux le faire, mais je n’en suis peut-être pas certain à cent pour cent. » Ou qui ne connaissent pas vraiment la feuille de route. Voilà essentiellement les personnes auxquelles je m’adresse. Je leur recommande donc les trois options [00:51:00].
Si vous vous intéressez surtout aux changements de carrière, je vous recommande le simulateur d’entrevue, où nous pratiquons les entrevues et où vous pouvez en faire quelques-unes. Mais la majorité de mon contenu s’adresse vraiment aux personnes qui essaient d’entrer dans le monde de l’analytique de données.
Si c’est votre cas, visitez DataCareerJumpstart.com et vous y trouverez tout.
Louis-François Bouchard : Excellent. Le lien vers AveryGPT se trouvera aussi dans la description. Oui.
Avery Smith : Oui. Si vous voulez essayer un GPT amusant, consultez-le. Ce sera génial.
Louis-François Bouchard : Parfait. Merci beaucoup pour votre temps.
Et merci d’avoir construit cette plateforme d’apprentissage, surtout sa section sur l’emploi, qui est extrêmement utile et vraiment cool. Merci beaucoup pour toutes ces observations et d’avoir participé au podcast.
Avery Smith : Oui. Merci de m’avoir invité. Je l’apprécie.[00:52:00]
FAQ
Peut-on se lancer en analytique de données en 90 jours ?
Un plan ciblé peut rapidement produire des preuves de vos compétences pour un poste junior, mais le résultat dépend toujours de vos acquis, de vos efforts et du marché de l’emploi.
Quels projets rendent un portfolio en analytique de données crédible ?
Les projets doivent répondre à une vraie question, utiliser des outils pertinents et expliquer comment l’analyse change une décision.
Quels outils une personne qui aspire à devenir analyste devrait-elle prioriser ?
Commencez par les tableurs, SQL, les outils de visualisation et les outils de communication qui reviennent souvent dans les offres d’emploi que vous ciblez.
Pourquoi expliquer une analyse est-il aussi important que la réaliser ?
Un modèle techniquement juste a peu de valeur si les décideurs ne peuvent pas comprendre sa recommandation ou agir en conséquence.
Que doit prouver un CV en analytique de données ?
Il doit présenter des projets concrets, un raisonnement d’affaires et des responsabilités mesurables plutôt que de s’appuyer sur une liste de certificats de cours.
De quelle quantité de théorie un analyste de données a-t-il besoin ?
Avery privilégie fortement l’application à la théorie. Selon lui, la théorie peut quand même aider à mieux implémenter les méthodes, mais il donnerait la priorité à leur application à de vrais problèmes et à l’explication claire des résultats pour un analyste.
Faut-il choisir une formation en données en ligne ou traditionnelle ?
Les programmes en ligne offrent plus de flexibilité et coûtent moins cher, tandis que les programmes en personne peuvent apporter une structure, un meilleur engagement et un réseau. Le bon choix dépend du poste et de l’environnement d’apprentissage dont vous avez besoin.
Comment les analystes peuvent-ils utiliser ChatGPT sans exposer les données de leur entreprise ?
Ne transmettez pas de dossiers sensibles aux outils publics, utilisez des exemples assainis pour le dépannage et révisez toute analyse générée avant de l’appliquer à de vraies décisions.
Le marché de l’emploi en analytique de données est-il déjà saturé ?
Avery observe une demande qui dépasse largement les grandes entreprises technologiques, puisque la fabrication, la santé, l’industrie pharmaceutique et d’autres secteurs ont encore besoin de gens capables d’améliorer les décisions grâce aux données.