Reprise du message précédent :
Underscore_ j'en peut plus de leur titres, je clique plus sur leur vidéos.

Hello,  
Je réfléchis en ce moment à une reconversion pro.
Ça serait un 3eme carrière après un PhD en biologie et une expertise actuelle dans le monde des antiquités. Pourquoi ne pas mixer l'une de mes compétences précédentes avec l'IA, le secteur à la mode ?  
J'ai commencé à me remettre doucement au Python (touché du bout du doigt au début des années 2000) pour voir...  
Pour l'instant ça reste tout hypothétique. La question que je me pose, c'est, est-ce que le temps que je me forme sérieusement (disons 2 ans), les data scientist n'auront pas déjà été mangés par la machine ? Est-ce que les premiers emplois menacés par l'IA ne seront pas justement les dev IA ?  
Je prends tous les avis

PhD en biologie + skill en IA c'est un très bon combo. Il y a beaucoup de recherche en ce moment qui mixe les deux. Les modèles IA mâchent le boulot coté  expérimentation et découverte théorique, ensuite les chercheurs travaillent sur les applications concretes. Je pense que c'est un secteur assez porteur, enfin bien plus que antiquités+IA.

 
Bio et Data Science c'est un beau combo je pense aussi.
 
Par contre sur le fait que les IA "bouffent" les data scientist, c'est franchement une question que je me pose en ce moment.
 
Entre les avancées à venir des IA génératives, qui excellent déjà pas mal pour produire du code python notamment sur des aspects de traitement de la donnée, et toutes les solutions d'AutoML qui fleurissent et te permettent de tester en quelques lignes de code des dizaines d'algorithme ou de méthode de feature engineering, je trouve qu'il y a des questions à se poser.
 
Et donc, ne pas tabler uniquement sur ces "outils" mais avoir une excellente connaissance d'un domaine, comme toi en biologie par exemple, ça me semble indispensable pour apporter une certaine valeur ajoutée.
 
La ou il restera longtemps de la place à mon avis, c'est sur l'innovation. C'est à dire les (quelques) gens qui travaillent sur la création de nouveaux algorithmes d'IA, sur le développement des LLM, des algo de ML, des librairies d'AutoML peut-être aussi. Bref, ceux qui inventent, théorisent, créent.
Ceux qui ne sont que "consommateur" de ces outils peuvent effectivement être facilement remplacés par l'outil lui-même.
 
Débat intéressant en tout cas, je suis curieux de voir les autres visions sur ce sujet

Je plussoies, le data scientist pure n'en a plus pour longtemps, il faut une compétence de base en plus liée au sujet.

et du coup ceux qui conçoivent les algo / méthodes, tu leur donnes quel "nom" de métier ?

chez nous on dit "ingénieurs" ou "docteurs" en informatique (ce qui aide pas des masses )

 
Dev AI.

 
Effectivement
 

 
 
Pas bcp mieux en fait

Ouais enfin l'AI c'est encore pas mal théorique et faut vraiment investir pour avoir des vrais cas d'usage.
Dans ma COGIP, ça fait des années qu'on bosse dessus et c'est encore poussif. Et ne parlons pas des usagers, le plus gros du boulot est à ce niveau aussi. Les faire adhérer, récupérer les données, leur faire comprendre les résultats....

Dans ma boite je vois surtout pas mal de confusion entre AI, LLM et ML plus classique, plus associé au métier de Data Scientist.

 
AI researchers pour ceux qui inventent de nouvelles méthodes  
 
AI engineers pour ceux qui créent les produits qui utilisent ces nouvelles méthodes
 
Et s/AI/ML/g autant que possible mais ça c'est plus personnel

Dans ma boite (télécoms) ça fait longtemps qu'on fait du ML sur de la prédiction de flux, mais ça se vendait pas plus que ça en tant que "produit a ajouter" et configurer. Maintenant qu'on a une offre Cloud et que c'est plus qu'une case a cocher ça rapporte bien. On a des intégrations LLM aussi qui marchent pas mal maintenant.
 
Pour l'instant pas de LLM maison, je pense pas que d'autres boites que les OpenAI etc. auront les resources pour faire leur propres modèles de si tôt...
 
Après je suis pas du tout ce coté pour le moment, j'essaye de m'incruster mais trop de taf...

Perso je parle toujours d'IA en faisant le signe des  " ".
Pour certains, l'IA c'est  une simple régression linéaire (pas péjoratif); c'est pour que ça je suis toujours super chiant en (re)posant la même question "Quel est votre besoin ?".
 
Bien souvent des méthodes simples de stats, des algo simples répondent à la majorité des besoins des COGIP (pour le moment)

 
voilà, dans ma boite, le passage de ML, MI, stat à AI a été motivé pour des raisons de marketing, on fait avec sur le terrain.

chez nous aussi il y a une grosse pression pour développer des trucs avec l'IA, le ML ou les LLM, mais pour l'instant ça galère un peu à trouver des cas d'usages à la hauteur des investissements qu'ils voudraient.

nous on demande "juste" aux clients "vous voulez quoi ?" ou ce sont qui viennent en disant "cela sera bien si en analysant ceci on peut etc etc".  
 
Et comme on est sympa, let's mettre en place. Donc forcement cela plait. C'est pas forcement des paillettes pleins les yeux mais c'est "juste" ce qu'ils veulent
 
Avec le truc magique : les datas restent chez vous, rien ne sort.

Un petit article sur le tinyML et ses usages potentiels dans les pays en développement: https://www.science.org/content/art [...] -pricey-ai

 
Bah en fait les outils qui existent déjà peuvent assurer 80% des tâches de Mme Michu cadre moyen de la cogip. C’est juste qu’elle le sait/utilise pas encore.
Depuis que je me met la tête sérieusement dedans je me rend compte à quel point ça va complètement changer la donne quand les entreprises s’y mettront au quotidien. A côté l’arrivée du tableur et du traitement de texte c’est de la gnognote.
Depuis 15j je me suis forcé à trouver une solution IA pour mes tâches du quotidien et j’ai gagné bien 30% de productivité   ( y a encore 6 mois je disais «  non mais chatGPT il raconte n’importe quoi  » ). Si j’arrive à automatiser avec du no code genre n8n, ça devrait être presque 50% de mon temps de travail que je vais gagner. En gros me restera la partie acquisition de données à partir du réel et peaufinage du résultat final.
 
Je reviens à ma question de départ, et c’est marrant ChatGPT m’a répondu comme vous: Un profil double-compétence ça pourrait être intéressant, mais les gens qui font du code sont morts à très courte terme à l’exception d’une poignée de très très haut niveau en R&D.  
 
En fait, Excel et Word sont déjà en train de se déployer sauf que le formateur qui t’apprend le visual basic pour des usages avancés est compris dedans. Réfléchir à devenir data scientist actuellement c’est vouloir développer un autre Excel.

ha comme on parlait des titres, là on a recruté du diplôme avec comme titre "Ingénieur Intelligence artificielle et machine learning"

ChatGPT te dit ce que t'as envie d'entendre

Toi par contre avec tes outils no-code tu donnes du boulot aux informaticiens et les informaticiens te disent merci  

En tout ca ça coûte la peau du cul les capacité IA (on premise).
Quan on voit le prix d'un GPU + la machine autour.
 
Bon au final ça coûtera sans doute moins cher que d'aller faire ça dans le cloud, avec tous les risques associés aux données, mais c'est un bon investissement au début.

 
ça reste moins cher que d'aller dans le cloud, chez nous hors consommation électrique et coût de l'installation physique du GPU et de la machine, on amorti nos GPUs très vite, en quelques mois en gros

 
j'ai devant moi un "boitier" avec 2 GPU, 2x20 coeurs et 2x60Go de mémoire.
 
C'est bien parce qu'il faut faire des tests, putain le bruit de ce truc    
 

Ça dépend du modèle

 
Oui il faut que les usages soient bien ciblés, et puis ignorer les coûts d'installation et d'énergie, ça reste périlleux pour certaines organisations

On verra avec Digits ce qu'il en est. Le problème, c'est qu'un bon modèle est surtout un modèle fine-tuné selon les besoins. Et ça, c'est pas le même matos qu'en inférence. Autant en inférence tu peux faire tourner Deepseek R1 sur le dernier Mac Studio mais tu ne vas jamais l'entraîner. Même un LLM de 36b c'est quasi impossible à faire depuis chez soi. Alors tu passes par le cloud computing (chez OVH par ex) avant le déploiement en local si t'as le matos.

https://linuxfr.org/users/hocwp/jou [...] la-planete
 
C'est en partie ce que je pense de toute cette merde de pseudo-IA, ça pourrit tout le web et  consomme des ressources inutilement, je me demande combien y en a sur hfr à chaque instant, ça doit être la fête…

https://www.radiofrance.fr/francecu [...] le-8319338
 
Interview (débat ?) de Eric Sadin et Raphaël Doan sur France Culture.
 
Ca peut être "intéressant" à écouter.

[Fork depuis le topic "Bourse"]
Quelque chose que j'ai trouvé plutôt utile pour certaines applications, est que Grok a une notion du temps. Si tu lui demande l'heure, il sait te répondre. Tous les messages et réponses sont timestampés. Il sait t'en donner l'heure, calculer des durées, etc.
ChatGPT4 par exemple, le temps est un concept inconnu, pour lui.
 
Je ne sais pas si c'est le genre de détails qui sont documentés quelque part avec un comparatif entre les différentes AIs ? (ou le fait qu'ils analysent par exemple le "sentiment" de comment les choses vont et comment ils le font)

C'est faux, c'est bien moins cher dans le cloud (et ça n'a absolument aucun sens de faire abstraction de la commation électrique), ça se vérifie en allant sur Vast.ai ou RunPod mais la problématique c'est la confidentialité, si c'est pas on-prem tu n'as aucune garantie que tes modèles ne soient pas volés pour être réutilisés...

C'est du rebadgeage, pas certain que le cursus soit différent de celui d'un data scientist ou d'un MLOps...

 
Je sais bien qu'il ne faut pas exclure la conso électrique mais vu qu'on amorti en 5 à 7 mois, je me dis que c'est pas la conso électrique qui va pousser ça à 3 ans

Ça va surtout dépendre du besoin et du business model
 
Pour du ML (prédiction/classification/clustering) je ne vois pas l'intérêt d'acquérir une Nvidia Tesla par contre pour du training de gros modèles (cas du DL pour de l'IA générative) ou de l'inférence parallélisée ça fait sens...
 
Votre cas d'usage c'est de la prédiction ou de la génération ?

 
Training de larges groupes de petits / moyens modèles, pas d'inférence du tout.

New Research Reveals How AI “Thinks” (It Doesn’t)
https://www.youtube.com/watch?v=-wzOetb-D3w
 
Une vidéo super intéressante sur le papier qu'a sorti Anthropic sur comment Claude "pense":
https://www.anthropic.com/research/ [...] uage-model
 
Le fonctionnement en mode LLM est vraiment limpide, mais celui en mode calcul est hilarant . Ca montre bien les limites des LLMs et tout le bidonnage qu'il y a autour.

On a eu les mêmes restructurations à chaque révolution industrielle, c'est pas nouveau

 
et lui ? l'IA ne peut pas le remplacer ?