Data science : productivité avec LLM, validation et créativité indispensables

Des recommandations précisent où les modèles de langage accélèrent vraiment le travail d’un data scientist et où ils déraillent. Elles insistent sur la responsabilité de valider chaque maillon, sur l’usage ciblé des LLM et sur la création de routines personnalisées. L’objectif affiché est d’augmenter la productivité sans déléguer la réflexion ni se laisser tromper par des sorties convaincantes mais fausses.

Les LLM peuvent tromper : valider chaque étape reste obligatoire

Les nouveaux modèles de langage se montrent meilleurs dans les benchmarks tout en étant capables d’induire en erreur. Un texte bien formulé peut paraître officiel ou convaincant alors qu’il est faux. Le développeur demeure responsable de son code et doit traiter ces systèmes en conséquence. Valider chaque maillon de la chaîne et évaluer l’approche globale sont des impératifs. Les profils les plus juniors doivent consacrer davantage de temps à comprendre le projet. Questionner, tester et expliciter les limites font partie du processus, en préparant des réponses aux objections. Il s’agit aussi de prendre le temps nécessaire, d’employer l’IA pour éliminer les tâches répétitives et de ne pas lui faire une confiance aveugle.

Accélérer sans s’illusionner : ce que les LLM font bien

Présentés comme des outils de productivité, les modèles de langage aident à livrer rapidement, à réduire le codage et à automatiser des flux et boucles récurrents. Ils excellent dans la récupération d’informations, mais restent de piètres extrapolateurs. Un exemple donné souligne qu’ils trouvent vite des données, tout en peinant à produire un poème qui ne soit pas une réécriture de textes existants. Autrement dit, ils accélèrent l’exécution et l’accès au savoir sans garantir une production originale ou un raisonnement fiable.

Personnaliser ses assistants : routines et compétences sur mesure

Des avancées récentes autorisent la mise en place de routines d’IA adaptées à chaque utilisateur. Des mécanismes de type compétences ou commandes sont cités comme leviers pour gagner en productivité et se distinguer. Dans Claude Code, il est ainsi possible de créer des compétences qui codent comme l’utilisateur, s’expriment dans son style et révisent selon ses critères. Transformer une tâche récurrente en routine au sein de son outil favori constitue un moyen direct d’augmenter sa productivité, en tenant compte des préférences propres à chacun.

Ce qui doit rester humain : cadrage, créativité et logique métier

Les modèles de langage ne remplacent pas un data scientist capable de comprendre la logique de l’entreprise et de traiter des problèmes ouverts sans solution parfaite. Ils ne sont pas créatifs et peuvent suivre des chemins absurdes s’ils ne sont pas guidés, y compris devant des problèmes mal définis, comme en témoigne l’exemple d’une recommandation de rejoindre à pied un lave-auto proche. Leur champ d’utilisation recommandé est donc celui de requêtes très spécifiques. Les cas de science des données posent des questions humaines : l’angle recherché, le public visé, ce que l’entreprise doit développer à l’instant T. Les LLM peuvent fournir des indices, mais ne doivent pas recevoir la totalité du processus de réflexion. Les atouts décisifs demeurent les compétences analytiques, la pensée critique, l’algèbre, les statistiques et la créativité. Dans un paysage où l’IA évolue trop vite pour suivre chaque nouveau modèle ou outil mentionné sur LinkedIn, l’enjeu est de rester informé sans se laisser submerger. Pour ceux qui se sentent dépassés, une pause et un recentrage sont recommandés. Enfin, ces outils ne transforment pas à eux seuls un professionnel en vedette de son domaine.