Data Trends

L’AI Act (Artificial Intelligence Act) est un projet de loi de l’Union Européenne qui vise à réglementer l'utilisation de l'Intelligence Artificielle et à définir les normes et les principes qui doivent être respectés lors de son développement et de son utilisation.

CRISP-ML (ou CRISP-ML(Q)) est une proposition de standardisation des processus de développement d’un modèle de Machine Learning tout au long de son cycle de vie. C’est une méthodologie structurée pour guider les différentes étapes de réalisation d’un modèle de Machine Learning, de la compréhension du problème à la mise en production. Le prisme de lecture de cette approche est celui du Quality Engineering (d’où le Q).

ChatGPT est un outil de génération de langage naturel basé sur l’intelligence artificielle qui permet aux utilisateurs de simuler des conversations avec des humains.

Se dit d’une personne en capacité d’utiliser des techniques issues de la Data Science afin de répondre à des enjeux business, sans avoir nécessairement une formation spécifique sur le sujet. Favorise la démocratisation de la Data Science et de l’IA au sein de l’entreprise.

Constitue l’un des 4 piliers du Data Mesh. Il consiste à considérer la Data d’un domaine métier comme un produit à part entière. Parmi ses propriétés : découvrabilité, facilité d’accès, fiabilité, non-ambiguïté, gouverné et sécurisé.

Un support pour faciliter l’alignement lors de la phase de cadrage, qui constitue la première partie indispensable du cycle d’un projet Data.

Correspond à une situation où la distribution des données en entrée d’un modèle de Machine Learning change, ce qui peut avoir pour conséquence des dégradations de ses performances globales.

La Data Governance est le cadre stratégique et opérationnel qui définit les politiques, les procédures et les bonnes pratiques pour gérer de manière efficace et responsable l'ensemble des données au sein d'une organisation.

Se dit de l'historique des transformations effectuées sur un ensemble de données à travers le temps et les différentes sources et systèmes par lesquels elles sont passées.Permet de suivre la provenance et l'intégrité des données, ainsi que de comprendre comment elles ont été transformées au fil du temps.

La Data Literacy (la littératie de données ou la culture des données en français) désigne la capacité à identifier, collecter, traiter, analyser et interpréter les données afin de pouvoir prendre les décisions en se basant dessus.

Un shift technologique, organisationnel et culturel vers une vision décentralisée de l’exploitation de la data en entreprise. S’articule autour de 4 piliers : Data Ownership by Domain, Data As A Product, Self-Serve Data Platform et Federated Computational Governance.

Se dit d’un ensemble d’outils, services et fonctionnalités prêts à l’emploi et réutilisables permettant la construction de nouveaux produits data et d’accélérer la création de valeur.

Se dit d’une personne qui a la responsabilité de la qualité des données et des processus qui garantissent son contrôle et son utilisation efficace. Elle est entre autres responsable du glossaire business et est le premier point d’entrée de tous les utilisateurs de données. Son outil favori est le Data Catalog.

Le Data Storytelling c’est la capacité de raconter une histoire à l’aide de données. L’objectif est de faciliter la compréhension des résultats d’analyses de données pour une audience spécifique.

dbt est un outil de transformation de données qui permet à des Data Engineers et Analytics Engineers de faciliter la création et la gestion requêtes SQL en appliquant les bonnes pratiques du Software Engineering telles que le versioning, la mise en place de tests ou encore de documentation technique.

Rares sont les entreprises n’ayant aujourd’hui aucune exploitation de leurs données, mais rares aussi sont celles qui ont réussi à passer son exploitation à l’échelle de toute l’organisation et à mettre la Data au cœur de leur activité.

Se dit d’une approche qui consiste à détecter les points faibles d’un modèle de Machine Learning puis à les réduire par l’ajout de nouvelles observations ou variables explicatives.

Un Feature Store est une plateforme qui stocke et gère les caractéristiques (features) utilisées pour entraîner des modèles de Machine Learning, avec l'objectif de les rendre facilement accessibles et réutilisables.

L'IA Générative est une catégorie d'algorithmes d'Intelligence Artificielle ayant la capacité de générer du texte, des images ou d'autres médias.

Enjeu visant à mettre en avant et conscientiser la responsabilité humaine dans le développement et l’utilisation de produits à base d’Intelligence Artificielle.

Le MLOps est le processus d’automatisation du Machine Learning en utilisant les méthodologies DevOps. Son but est de faciliter la création, le déploiement et la gestion en production de systèmes de Machine Learning sur l’ensemble de son cycle de vie.

Se dit d’un ensemble d’outils et technologies cloud utilisé pour la collecte, le processing, le stockage et l’analyse de données.

Le nouveau dependency manager de Python à la mode.

Apache Spark est un framework de calcul distribué