Alexandre : son rôle de Data Scientist, sa définition et ses perspectives de la science des données

Diabeloop : Tu es Data Scientist chez Diabeloop. Depuis combien de temps et qu’est-ce qui t’a mené jusqu’ici ?

Alexandre : J’ai rejoint Diabeloop il y a environ quatre ans. Je me suis orienté vers le métier de Data Scientist car j’ai toujours eu un attrait pour les sciences au global et pour la médecine particulièrement. Mon appétence pour le domaine de la santé s’est révélée suite à un projet de fin d’études en partenariat avec un hôpital psychiatrique au cours duquel j’ai contribué à mettre en place un indicateur de risques de geste suicidaire pour les personnes admises en structure psychiatrique.

Pour ce faire, j’ai utilisé des méthodes de Machine Learning très simples pour proposer un outil d’aide au diagnostic pour les psychiatres afin qu’ils ou elles puissent évaluer le risque suicidaire de leurs patient·e·s et décider de la prise en charge appropriée.

Ça m’a semblé incroyable d’avoir un impact aussi important sur les personnes et sur leur vie avec des mathématiques. Si, grâce à la Data Science, au moins une personne a été mieux traitée voire sauvée, c’est un succès !”

D : C’est quoi la Data Science au juste ?

A : La Data Science c’est l’utilisation et la valorisation de données à travers des méthodes mathématiques et statistiques pour résoudre des problèmes concrets sur tout un tas de cas d’application. On en reparlera sûrement plus en détails par la suite mais le Machine Learning est une sous catégorie de la Data Science.

D : Depuis tes débuts dans le monde professionnel, as-tu toujours travaillé dans l’environnement santé ?

A : Non, au contraire j’ai fait du consulting dans des domaines d’application extrêmement divers, de la grande distribution à la santé publique en passant par l’immobilier, le transport ou encore l’alimentaire – pour l’industrie du foie gras notamment (non non, vous ne rêvez pas ! 😅).

A travers ces expériences et pour remplir les missions qui m’ont été confiées, j’ai utilisé des techniques différentes comme la visualisation de données, les statistiques, le machine learning et l’algorithmie au global.

D : Quel est le cœur de ton métier ?

A : Ma valeur ajoutée est d’analyser des données patient·e·s pour développer des nouveaux algorithmes afin d’améliorer les solutions de Diabeloop.

D : Quel succès dans ton métier de Data Scientist chez Diabeloop aimerais-tu partager avec nous ?

A : Je suis ravi d’avoir fait partie des personnes à l’initiative du développement d’un algorithme intégrant du Deep Learning à embarquer sur les personnes qui vivent avec un diabète.

D : Data Science, Machine Learning, Deep Learning… Tu nous aides à y voir plus clair ?

A : Le Deep Learning est, en réalité, une autre façon de désigner le Machine Learning. Cette méthode utilise des techniques mathématiques/statistiques qui, en se basant sur des données réelles, arrivent à déterminer un lien entre deux variables.

Ce n’est toujours pas clair ? L’exemple suivant pourra peut-être vous aider.
Imaginons que l’on doive déterminer le prix d’un appartement ou d’une maison. Deux approches s’offrent à nous. Soit on multiplie le nombre de mètres carrés par le prix au mètre carré, soit on décide de communiquer à un algorithme l’ensemble des transactions immobilières, sur une période donnée, avec la description des biens, et on le laisse établir le lien entre les différentes variables tout seul.

Cette seconde approche fait appel au Deep/Machine Learning.

D : Qu’est-ce qui t’anime au quotidien dans ton rôle ?

A : En premier lieu, je dirais le challenge technique ou comment contrôler au mieux le diabète avec le moins d’interactions possibles de la part des personnes qui vivent avec. Ensuite, les interactions à travers des témoignages, des conférences. Travailler aux côtés de professionnel·le·s de santé, d’ingénieur·e·s, en contact avec des personnes qui vivent avec la maladie chronique est riche. Les retours d’expérience de ces dernières sont un véritable shot de motivation qui stimule les équipes. On a parfois la tête dans le guidon et on ne réalise pas toujours à quel point, au-delà d’un problème d’optimisation, de contrôle, on transforme et on améliore la vie des gens !

D : Selon toi, quelles sont les clés d’un·e bon·ne Data Scientist ?

A : Se tenir informé·e et se documenter est essentiel et cela passe par lire des articles, des papiers scientifiques, des retours de conférence et d’ailleurs, pas nécessairement appliqués à la santé. La structure des algorithmes peut être similaire d’un secteur d’activité à un autre. Certains algorithmes en santé sont inspirés du monde de la finance ou encore de la mobilité avec la voiture autonome.

Je pense qu’un·e Data Scientist peut travailler dans n’importe quel secteur d’activité mais pour se perfectionner réellement et approfondir certains aspects spécifiques, il faut s’intéresser à un domaine, une entreprise ou à une solution en particulier. Dans mon cas, rejoindre Diabeloop m’a amené à mieux comprendre la physiologie liée au diabète. Je dirais même que j’ai davantage gagné en compréhension physiologique qu’en compétences de Data Scientist à proprement parler.

D : Quelle critique fais-tu de ton expérience professionnelle chez Diabeloop ?

A : Diabeloop est une organisation qui laisse beaucoup la parole à ses collaborateur·rice·s et qui donne à chaque personne l’opportunité d’apporter sa valeur ajoutée. C’est une entreprise très humaine, les salarié·e·s sont écouté·e·s et les commentaires constructifs sont possibles à tous les niveaux de rôle et de périmètre. Tout cela dans une logique d’amélioration continue.

L’hypercroissance de l’entreprise m’a assez frappée. On était 40 personnes quand je suis arrivé et aujourd’hui on ne peut plus dire que Diabeloop est une start-up. Le passage d’une entreprise de développement à une organisation commerciale est une phase clef et complexe qui appelle à beaucoup d’adaptabilité. Diabeloop est, selon moi, en phase de structuration.

D : Quelles perspectives donnes-tu à la Data Science et à ses métiers, au global et appliquée à la santé ?

A : Ce n’est un secret pour personne, nous allons plus au moins rapidement être confrontés à une explosion de la quantité de données disponibles. L’enjeu pour les entreprises va être de savoir valoriser ces données pour être de plus en plus compétitives et c’est là toute la valeur ajoutée et le potentiel de la Data Science. La science des données appliquée à la santé est un véritable boulevard, les opportunités sont exponentielles. Il faut avoir conscience que la Data Science, si son usage est approprié, va transformer de façon majeure la santé de demain.

Pour moi, l’évolution du métier de Data Scientist va de pair avec ces changements structurants. Je pense que cela implique la création de nouveaux postes en amont, en termes de gestion des données, des bases de données, de protection de la donnée, et en aval de la chaîne de valeur, en termes de vulgarisation et d’évangélisation. Selon moi, un des principaux points de vigilance a trait à l’automatisation. Automatiser des processus est un des propres de notre métier. Mais, à force de tout automatiser, on en vient à vouloir s’automatiser soi-même. Aussi résoudre des problèmes complexes requiert des compétences fines et poussées mais il ne faut pas omettre que des problèmes plus “classiques” peuvent, eux aussi, trouver une solution dans la Data Science et que c’est une nécessité de s’y intéresser.