Depuis quelques années, la demande en profils Data et notamment en experts du Machine Learning explose. Mais si cette demande est importante, l’offre n’en demeure pas moins croissante.
Bien que les talents soient inégalement répartis dans les sphères professionnelles (à en croire l’étude 2018 Burtch Works selon laquelle 44% des Data Scientists sont employés dans le secteur de la technologie, soit plus que dans les secteurs de la santé, du consulting, du marketing, du retail, de l’enseignement et du gouvernement réunis), cette tendance tend à disparaître peu à peu.
Les formations ont longtemps été difficiles d’accès
S’il est aujourd’hui compliqué de trouver des Data Scientists, c’est avant tout parce que les formations dans ce domaine ont été destinées à un public spécifique pendant des années.
Les matières scientifiques requises pour comprendre et appliquer l’IA, nécessitant une formation solide, sont à l’origine de la limitation du nombre de talents sur le marché. En effet, près de 60% des développeurs en Intelligence Artificielle sont détenteurs d’un Master en mathématiques appliquées, comme celui proposé par la prestigieuse École Polytechnique en collaboration avec l’ENSAE (Master 2 Mathématiques et Application : Parcours Data Science), ou celui proposé par l’Université Paris-Dauphine cohabilité avec l’ENS (Master 2 Mathématiques et Applications : Parcours Mathématiques, Apprentissage, et Sciences Humaines (MASH)).
Et plus le domaine du Big Data se généralise aux entreprises de toute taille et de tous les secteurs, plus les entreprises s’arrachent ces spécialistes. Cela a conduit à l’émergence de masters spécialisés dans les grandes écoles d’ingénieur (Telecom Paris, Polytechnique) et de commerce (HEC, ESSEC, EDHEC), et à la démocratisation de formations en big data en milieu universitaire. Un nouveau master a par exemple vu le jour à Dauphine en 2019 (IASD : Intelligence Artificielle et Sciences des Données).
D’autres obstacles, comme la complexité d’avoir accès à des grandes bases de données (ou au moins des pertinentes) ont longtemps nui au développement et à la démocratisation de la formation en Data Science. Heureusement, de nouvelles initiatives sont prises pour ouvrir et partager les données au plus grand monde : c’est par exemple la volonté du site data.gouv.fr qui publie régulièrement des données relatives au quotidien des français (comme le nombre de passagers dans les transports en commun ou la pollution de l’air).
Pourquoi les offres se démocratisent-elles ?
Aujourd’hui, on trouve un plus grand nombre de Data Scientists sur le marché. Cette tendance s’explique par trois facteurs.
D’abord, la « connaissance pure » requise pour monter en compétences est plus accessible et plus facilement mise en pratique grâce au développement de langages comme Python. En effet, Python rend le codage plus simple grâce à sa librairie, Scikit-Learn, qui permet de tester des algorithmes avec peu de lignes de codes.
Dans un second temps, la facilitation de l’accès aux données a permis aux utilisateurs de mettre en pratique leurs connaissances plus fréquemment, à travers la réalisation de use-cases. Permettre l’accès à de grandes bases de données à un nombre croissant d’individus est à la fondation de l’esprit Open Data. C’est aussi dans cet esprit que les formations en Data Science ont vu le jour et se sont étendues aussi bien aux entreprises qu’aux particuliers.
Finalement, c’est la prolifération de machines puissantes et à bas prix qui a permis au nombre de profils data de croître de façon exponentielle. En effet, le manque d’accès aux ressources computationnelles avait longtemps été un facteur freinant au développement des Data Sciences.
Aujourd’hui, grâce au développement des Clouds augmentant les capacités de stockage, de la technique mais également des systèmes de location de machines, la puissance computationnelle n’est plus un problème comme ce fut le cas par le passé. Le prix des machines de calcul augmenté est extrêmement faible quand on connaît l’impact qu’elles peuvent avoir au sein d’une entreprise.
Ainsi, la conjonction de ces éléments permet de banaliser la pratique du Machine Learning. Il y a 30 ans, même si la théorie était déjà là, il manquait les mécanismes permettant la mise en pratique de cette-dernière.
Cette démocratisation s’accompagne d’une prolifération des offres de formation dans les Data Sciences. Particuliers comme professionnels veulent se former et découvrir ces nouveaux domaines attractifs, à la recherche de nouveaux défis, d’une bonne rémunération ou seulement d’un travail dans un secteur agréable (75% des professionnels de l’IA sont satisfaits de leur poste actuel).
Se réorienter à tout âge vers les métiers de ce domaine apparaît alors pour certains comme une nécessité. De plus, le manque de talents assure un salaire élevé, autour de 50 000 € par an d’après les études réalisées par Glassdoor en juillet 2019. Les développeurs en IA font partie des développeurs les mieux payés du marché et leurs salaires ne font qu’augmenter : plus de la moitié ont profité d’une augmentation de salaire de 20% ou plus sur les trois dernières années, à en croire les études commentées sur mmcventures.com.
Un aperçu du futur
Au fil du temps, des outils d’IA plus accessibles et un nombre croissant d’individus qualifiés en Data Science vont permettre d’exploiter au maximum le potentiel de l’IA. Les gouvernements comme les entreprises, en passant par les universités, devraient investir massivement dans ce secteur afin de résoudre leurs problématiques respectives.
La multiplication des offres de formation et les ressources mises à disposition par les secteurs publics et privés pourraient aussi contribuer à cette augmentation de l’offre.
Le niveau de qualification dans le domaine de l’IA devrait quant à lui baisser, puisque ce secteur sera accessible à des développeurs de moins en moins spécialisés. Ces développeurs travaillent sur des problématiques en perpétuelle évolution. Ainsi, s’ils étaient affectés pour la plupart dans les domaines des nouvelles technologies, la démocratisation et l’augmentation de la main d’œuvre qualifiée en Data Science permettra l’utilisation de Data Analysts, Data Scientists et Data Engineers dans des secteurs divers et variés.
Cette démocratisation se traduit principalement dans le domaine de l’entreprise. Selon une enquête de Gartner, seulement 9% des entreprises ne sont pas intéressées par l’IA. Pour 14% des sondés, l’IA est déjà présente au sein de leur entreprise quand 23% déclarent qu’ils déploieront des solutions IA dans les 12 mois et pour 52% des sondés, dans une durée de 1 à 3 ans.
En effet, on pourrait assister au phénomène suivant : de nos jours, dans les entreprises, des collaborateurs ont assez de métier pour devenir Data Scientists. Dans l’absolu, ils disposent des compétences socles qui permettent de passer le pas. Ces compétences leurs permettent, entre autres, d’enclencher l’apprentissage d’un langage de programmation populaire en Data Science comme Python, puis une montée en compétences en manipulation des données via NumPy et Pandas, et en Machine Learning via Scikit-Learn, TensorFlow et d’autres bibliothèques spécialisées.
Ainsi, on peut considérer que les entreprises sont assises sur leurs futurs Data Scientists sans le savoir : elles ne réalisent pas le potentiel de leurs collaborateurs qui peuvent facilement être requalifiés.
C’est d’ailleurs l’objectif de DataScientest : nous avons développé une plateforme de formation en Data Science afin de faire monter en compétences les équipes des plus grands groupes français et internationaux.
Si vous désirez obtenir plus d’information sur nos formations data, contactez-nous !
