À propos de The Meteoric Rise of the Low Code Data Scientist

Le développement de logiciels low-code, annoncé récemment comme la prochaine grande mégatendance, est arrivé et il est déjà devenu courant. D'ici 2025, 70 % des nouvelles applications développées par les organisations seront créées à l'aide d'une plate-forme à faible code et sans code, contre moins de 25 % en 2020 selon Gartner . Si vous n'utilisez pas déjà des plates-formes low-code, vous le serez très bientôt.

Le développement faible et sans code permet aux personnes sans formation technique de créer des produits numériques, c'est ainsi que le terme « développeur citoyen » est né. Cependant, l'idée du développeur citoyen est un peu trompeuse. S'il est vrai que vous n'avez vraiment pas besoin d'être technique en vous formant pour utiliser des outils low-code… certaines compétences transférables sont certainement utiles. Comme l'a dit Rosaria Silipo, spécialiste des données et évangéliste du low-code, " Sans code ne signifie pas sans mathématiques ".

De plus, si les organisations et les développeurs dits citoyens bénéficient bien sûr d'un accès plus facile au développement numérique, les technologues aussi. Des études de l'industrie montrent qu'une proportion importante de développeurs professionnels - facilement un tiers et potentiellement près des deux tiers - utilisent des solutions low-code pour accélérer leur travail ou créer des solutions de contournement.

IA low-code : une histoire d'offre et de demande ?

La seule compétence dont les entreprises ont encore plus besoin que l'informatique est la science des données. Les mêmes forces du marché qui stimulent l'adoption du low-code en général se font particulièrement sentir lorsqu'il s'agit de solutions d'IA low-code.

Le manque de personnel n'est pas le seul défi pour les organisations qui souhaitent lancer leurs projets d'IA. Le développement de l'IA prend souvent beaucoup de temps et nécessite beaucoup de ressources lorsque des ensembles de données volumineux ou complexes sont impliqués. En d'autres termes, cela coûte cher. De plus, la concurrence pour les data scientists est féroce et les rémunérations généreuses. Les projets de Big Data et d'IA impliquent un engagement sérieux en termes d'argent et de temps.

Jusqu'à présent, c'est. Le low-code contribue à accélérer considérablement les délais, tout en réduisant les coûts non seulement par projet, mais aussi en termes d'effectifs - il est de plus en plus évident que les solutions low-code aident à combler le déficit de compétences en réduisant le nombre total de embauches que les entreprises doivent faire. Dans les architectures émergentes pour l'infrastructure de données moderne récemment mises à jour, Andreesen Horowitz a noté que l'industrie du ML se consolide autour d'une approche centrée sur les données avec des solutions de ML à faible code (comme Continual et MindsDB) automatisant le processus de modélisation du ML.

Des outils low-code adaptés à chaque tâche

Bien que cela puisse sembler être une mauvaise nouvelle pour les scientifiques des données, il convient de rappeler que les scientifiques des données eux-mêmes bénéficient de la vitesse et de la facilité accrues d'utilisation des outils d'IA low-code.

Le mouvement low-code est souvent décrit comme une « démocratisation » de tout ce qui est numérique, éliminant les obstacles au développement et aux résultats transformationnels. Cette démocratisation s'est progressivement opérée à tous les niveaux de la science des données, de la saisie des données à la transformation des données en passant par l'apprentissage automatique.

Il existe un moyen plus simple et à faible code d'effectuer de nombreuses tâches qui étaient auparavant très complexes ou qui prenaient beaucoup de temps. En utilisant des solutions low-code, les délais des projets s'accélèrent et les scientifiques des données ne se retrouvent plus enfermés dans des outils et des processus basés sur l'ensemble particulier de compétences en programmation qu'ils possèdent.

Prenons SQL comme exemple, une compétence classique et le langage de base des bases de données. Cependant, pour ensuite travailler avec les données, un scientifique des données devait auparavant maîtriser un certain nombre d'autres langages, outils de BI et solutions de ML. Pas plus : plutôt que d'extraire les données de la base de données, de les télécharger dans un outil de BI, puis dans un outil de ML, d'exécuter les modèles, puis de recharger les résultats dans l'outil de BI, il y a un mouvement qui se développe rapidement pour que la magie opère à l'intérieur la couche de données, en utilisant le langage de données établi et universel, SQL.

Cet exemple, tiré du domaine de l'apprentissage automatique en base de données, montre comment les scientifiques des données utilisant des commandes SQL standard peuvent désormais interroger des prédictions et créer des modèles ML depuis l'intérieur de la base de données. Les pipelines de données sont un autre exemple de processus radicalement simplifié et accéléré grâce à des entreprises comme dbt Labs avec son produit de transformation de données basé sur des commandes SQL.

Les scientifiques des données, qui ont longtemps débattu des mérites relatifs des différents langages et outils de programmation, découvrent de plus en plus que l'humble SQL peut les amener à leur destination rapidement et facilement.

Accélération de la transformation avec des outils intégrés à la base de données

C'est une vérité inconfortable pour les scientifiques des données, mais l'analyse peut facilement devenir le goulot d'étranglement qui ralentit la transformation numérique. Il y a de bonnes raisons à cela : pénurie de compétences, coût, complexité. Les outils de science des données low-code accélèrent radicalement le processus d'extraction d'intelligence exploitable à partir des données. Entre les mains d'un professionnel expérimenté des données, la rapidité, la simplicité et la rentabilité des solutions low-code en base de données offrent des possibilités extraordinaires. En rendant de grandes quantités de données plus accessibles, les scientifiques des données n'ont qu'à être limités par leur imagination, plutôt que par les raisons habituelles pour lesquelles les choses ne se font pas (coût, problèmes d'intégration, problèmes de temps, manque de compétences). Les solutions low-code aident les scientifiques des données innovants à briller car ils offrent un retour sur investissement plus rapide et mettent en valeur la puissance du ML pour un nombre croissant de scénarios.

Ils contribuent également à augmenter la production numérique globale d'une organisation. Après tout, la pandémie a poussé le monde à se tourner vers les solutions numériques et il n'y a pas eu de retour en arrière. Les trois quarts des DSI ont signalé une demande accrue de nouveaux produits et services numériques, qui n'a cessé de croître depuis. Pour les équipes de données et informatiques qui étaient déjà surchargées de travail, débordées et super stressées, la disponibilité de solutions low-code n'aurait pas pu arriver à un meilleur moment.

Les défis d'un monde low-code

Bien que l'adoption d'outils de science des données low-code augmente rapidement, ce type de développement n'en est encore qu'à ses balbutiements. Les entreprises s'inquiètent, à juste titre, des implications en matière de sécurité et de conformité des projets non experts en gestion de données (et autres). Alors que le développement et la science des données deviennent de plus en plus décentralisés, l'un des plus grands défis pour les organisations sera de favoriser une culture où l'innovation peut se produire librement, mais reste stratégique, pertinente et sécurisée. La plupart des experts s'accordent à dire que les politiques de l'entreprise devront être mises à jour pour refléter les pratiques low-code.

Les solutions d'IA low-code, lorsqu'elles sont utilisées par les data scientists, sont un moyen de travailler plus efficacement, mais elles pourraient, indirectement, finir par alourdir leur charge de travail. Alors que le « développement citoyen » semble fonctionner indépendamment de l'équipe informatique, la réalité pour les scientifiques des données signifiera une augmentation des appels pour aider à intégrer, sauver ou prendre en charge des outils numériques qui ont été créés ailleurs.

La vie en tant que Data Scientist low-code

Les outils low-code représentent une rupture majeure dans la façon dont le numérique a été fait jusqu'à présent. Comme toute force perturbatrice, elle crée des opportunités tout en menaçant le statu quo.

Pour les scientifiques des données, le low-code devient désormais une réalité, une approche hybride du développement de l'IA qui devrait être adoptée en raison de sa rapidité et de sa simplicité indéniables. De plus, la démocratisation et la décentralisation de l'informatique sont imparables. Pour les data scientists, la question n'est plus de savoir s'il faut adopter le low-code, mais comment le faire au mieux. J'ai vu le low code accélérer de nombreuses carrières en science des données. Comprenant leur domaine comme ils le font, ils ont déjà un avantage sur leurs collègues non-data. Entre les mains des data scientists, les solutions low-code aident les data scientists à travailler plus rapidement et plus intelligemment tout en étant plus agiles et créatifs.