Chasse et approche directe
Chasse et approche directe
Chasse et approche directe
Missions principales
Connaissances techniques
Le Data scientist est de plus en plus demandé en entreprise, son rôle est de collecter et d'analyser des données en masse pour aider l'entreprise ou les clients à la prise de décision. Il s'agit d'être le plus efficace possible dans un état d'esprit data-driven
Nouveau métier lié à l'explosion du nombre de données. Le fait que les entreprises qui s'en sortent le mieux sont celles qui arrivent à utiliser les données, le Big Data pour prendre les bonnes décisions au bon moments. Pour recruter votre bon Data Scientist, les principaux points à valider sont la créativité, la prise de hauteur et la capacité à s'exprimer en public. Voici quelques premières pistes de questions à creuser entretien :
Lors de vos entretiens, préférez toujours des questions ouvertes qui évitent le biais cognitif de cadrage. Dans la mesure du possible il faut donc poser des questions ouvertes qui ne donnent pas d'indications sur la réponse que vous aimeriez entendre.
Les rôles et missions d'un ingénieur en machine learning sont très variable en fonction du secteur et de l'importance que l'entreprise donne à la data. Aussi, pour sécuriser au maximum votre recrutement, il convient de vérifier l'adéquation des compétences de votre candidat avec votre projet:
1. Prise de hauteur sur les outils numériques utilisés
La principale qualité d'un ingénieur en machine learning est la prise de hauteur pour remettre en cause ses choix dans la récolte et le traitement des données. Comme en mathématiques, le choix de la solution la plus élégante fera gagner beaucoup de temps à l'entreprise. La difficulté est donc d'avoir un candidat avec un profil qui soit à la fois capable de comprendre la technique (programmation, Database, Mathématiques, statistiques) mais aussi de prendre de la hauteur par rapport aux choix techniques effectués. Voici quelques exemples de questions pour valider ce point: Quel a été le plus mauvais choix technique (algo ou database) de votre dernière mission et pourquoi ? Comment validez-vous les modèles de données et leurs traitements ? Quel algorithme vous semble le plus adapté pour notre projet ? Quel est le traitement qui prend le plus de temps au quotidien ?
2. Inventivité pour gagner du temps et récolter les données
Il y a beaucoup d'obstacles pour exploiter les données, et le Bigdata étant en pleine évolution, les outils et solutions techniques ont de nombreuses lacunes. La plupart du temps est perdu dans la récolte et l'intégration de la donnée. A vous de vous assurer que votre candidat possède une vraie capacité à contourner des obstacles et inventer des techniques pour gagner du temps dans les traitements. Voici quelques exemples de pistes à creuser: Avez vous trouver des manières inédites de récolter des données non structurées ? Avez vous contourner des techniques habituelles? Quelles solutions avez vous mis en place pour améliorer la rapidité de la récolte de données ?
3. Capacité à s'exprimer et faire passer ses idées
Plus de 28% des entreprises qui ont une politique de Big Data ne l'utilisent pas suffisamment lors des prises de décisions. A quoi sert d'avoir le meilleur Machine Learner et les meilleurs algo mais sans décisions ou impact ? Il faut valider la capacité d'expression du candidat et sa faculté à communiquer ses résultats et ses préconisations. Pour évaluer cette capacité d'expression, il reste à affiner certains points: Combien aviez vous de personnes dans votre ancienne équipe ? Quelles sont les décisions que vous avez provoquées chez votre ancien employeur ? Quelles sont vos déceptions sur des changements non faits :segmentation clientèle, data-visualisation, modèles statistiques ?
Les outils sont en pleine évolution, donc le plus important pour les compétences techniques est de valider la bonne connaissance en méthode de machine learning et la capacité à apprendre de nouveaux outils.
Vous pouvez également demander au candidat s'il a des certifications ? (exemple MongoDB)
