par Florence Cesa

un peu à propos de moi

Je suis Florence Cesa, Junior Data Scientist chez Haleon basée à Londres, au Royaume-Uni.

Qu'est-ce que je voulais être quand je serais grand ?

Mon premier souvenir de ce que je voulais être était médecin, plus précisément chirurgien. C'était jusqu'à ce que j'apprenne que je ne supportais pas bien la vue du sang, ni l'idée de recoudre des plaies et de planter des aiguilles dans les gens.

Après en avoir appris davantage sur les différentes sciences, j'ai décidé que je voulais être scientifique, plus précisément chimiste. J'ai apprécié le travail en laboratoire et l'apprentissage des différentes techniques analytiques en chimie. Je rêvais de travailler dans un laboratoire et je ne savais pas que dans mon futur ce rêve se réaliserait en travaillant dans un autre type de laboratoire ( JupyterLab ) en tant que data scientist.

Un peu sur mon parcours ?

J'ai étudié les mathématiques, la chimie et la biologie au niveau A - diplômes universitaires traditionnels de fin d'études offerts par des écoles et des collèges en Angleterre et au Pays de Galles - en préparation à l'université, à des études complémentaires, à une formation ou à un travail. J'ai choisi ces sujets parce que je voulais travailler dans l'industrie STEM avec une technologie de pointe qui pourrait aider à façonner l'avenir et à rendre le monde meilleur.

Pourquoi ai-je choisi ce cheminement de carrière?

J'ai été introduit pour la première fois dans le monde de la science des données, ainsi que dans son application pratique dans une organisation mondiale, lorsque j'ai commencé comme apprenti analyste de données dans une équipe de science des données chez Haleon. À l'époque, Haleon était l'unité commerciale de soins de santé grand public de GlaxoSmithKline.

Grâce à cet apprentissage, j'ai eu l'opportunité de travailler avec différents profils professionnels de la data tels que data analysts, data scientists, data scientists, et bien d'autres. Parmi les différents profils, le rôle de data scientist m'a le plus marqué en raison de l'apprentissage et du voyage constants à travers les données qui se produisaient chaque jour. De plus, la possibilité d'utiliser des techniques mathématiques et des approches algorithmiques pour trouver des solutions à des problèmes commerciaux et scientifiques complexes m'attirait.

Qu'est-ce que je fais au jour le jour ?

En tant que data scientist junior, je commence ma journée en examinant les e-mails et les chats Teams que j'ai peut-être manqués la veille. J'ouvre ensuite Jira , un outil de suivi de projet/tâche, pour mettre à jour le statut des tickets sur lesquels je travaille et prioriser mes tâches pour la journée.

Je participe également à des stand ups/scrums quotidiens qui nous consacrent du temps pour discuter des mises à jour de statut sur les tickets sur lesquels nous travaillons pour le sprint du projet. Je trouve cela utile pour m'assurer que nous sommes sur la bonne voie, en particulier lorsque nous travaillons à distance, et cela me donne également l'occasion d'en savoir plus sur ce que font les autres membres de l'équipe.

Parfois, je jumelle le programme avec des membres plus expérimentés de l'équipe travaillant sur le même projet avec moi. La programmation en binôme, c'est quand deux développeurs travaillent ensemble pour résoudre ensemble un même problème, sur un seul appareil. C'est un excellent moyen pour moi d'apprendre auprès de data scientists plus expérimentés et j'apprends toujours quelque chose de nouveau.

Ma journée pourrait également impliquer une réunion 1-2-1 avec mon supérieur hiérarchique, ce qui me donne l'occasion de discuter des objectifs de carrière et des défis ou succès que j'ai rencontrés depuis notre dernier rattrapage.

Et bien sûr, je peux aussi coder et documenter ! Selon ce que l'équipe de projet attend de moi, je pourrais soit coder pour nettoyer et préparer les données ; effectuer une analyse de données sur un ensemble de données donné ; exécuter, développer et évaluer des modèles statistiques et prédictifs ; ou pour créer des visualisations de données sous forme de tableaux de bord ou de rapports, le tout en parallèle avec le travail effectué par un data scientist senior avec qui je travaille.

Y a-t-il des domaines de DS/ML qui, à mon avis, seront particulièrement importants à l'avenir ?

Je pense que dans le domaine de la science des données et de l'apprentissage automatique, le traitement du langage naturel (TAL) est l'un des domaines les plus passionnants de l'IA et deviendra important à l'avenir. Chaque jour, nous utilisons des mots pour communiquer au sein de l'entreprise ; s'exprimer sur les réseaux sociaux ; se donner les moyens d'acquérir des connaissances lors de la recherche sur Internet ; et même de rester en contact avec nos amis et nos proches par SMS. La seule augmentation des données de courrier électronique depuis 2017 montre la quantité de données textuelles générées quotidiennement.

La PNL a également déjà donné naissance à des technologies telles que les chatbots, les traducteurs, les assistants vocaux, la détection de spam, la correction automatique, la saisie semi-automatique et de nombreux autres outils que nous utilisons quotidiennement. À mesure que les données textuelles non structurées se développent, la technologie NLP s'est également continuellement améliorée pour mieux comprendre les nuances, le contexte et les ambiguïtés du langage humain ( ChatGPT-3 ), c'est pourquoi je pense qu'elle deviendra un domaine de premier plan à l'avenir.

Comment puis-je me tenir au courant de tout ce qui concerne la science des données ?

Une chose que j'aime, c'est que, parce que c'est un domaine interdisciplinaire, vous ne pouvez jamais manquer de choses à apprendre. Pour rester dans ce domaine en constante évolution, je participe aux sessions de téléchargement de la science des données de notre équipe élargie où des conférenciers internes et externes présentent des sujets DS/ML/AI avancés. En tant que data scientist junior, j'ai parfois du mal à comprendre pleinement la présentation, cependant, l'exposition à ces sujets me donne l'occasion d'approfondir les bases, puis de progresser dans ma compréhension.

Dans le cadre de mon apprentissage en science des données, je me tiens au courant et approfondis mes connaissances grâce à des conférences dispensées par l'Université Anglia Ruskin et Cambridge Spark. J'étoffe également mes connaissances en lisant des articles de recherche, des cours sur LinkedIn Learning, ainsi que des vidéos YouTube, et en organisant des réunions 1-2-1 avec des membres de l'équipe senior spécialisés dans un sujet d'intérêt. J'ai également lu des livres et des blogs techniques et non techniques pour améliorer mes compétences générales.

Qu'est-ce que j'aime le plus dans mon travail chez Haleon ?

L'une des choses que j'aime le plus dans mon travail chez Haleon est que j'apprends constamment de nouveaux domaines et processus commerciaux. Mon équipe travaille sur une variété de projets dans les domaines d'activité, notamment la qualité et la chaîne d'approvisionnement, la recherche et le développement, le consommateur et l'expert et le client. Cela me donne l'opportunité de travailler avec divers professionnels d'horizons différents ainsi qu'une richesse d'expérience et de connaissances qui ne peuvent être apprises uniquement dans les livres. Grâce à leur volonté de partager, je peux développer davantage mes compétences. Je savoure l'opportunité de continuer à apprendre d'une équipe compétente qui encourage et inspire la croissance personnelle, tout en travaillant vers le même objectif de rendre le monde meilleur avec l'humanité en son cœur.