Tous les conseils de Charles, notre Content Master !

Qui est Charles Tanguy ?

Charles est Lead Instructor et Content Master chez Jedha. Avant d'arriver dans l'éducation, il a fait ses études à l'ENSAE puis HEC. Il est parti aux USA pour compléter son parcours et démarrer sa carrière chez PayWithMyBank, un système de paiements sur internet. Il enchaîne ensuite chez MWM qui est un créateur d'applications musicales sur mobile pour revenir à Paris enseigner les formations Essentials, Fullstack et Lead de Jedha. Voici donc l'interview que nous avons mené avec lui :

‍

Hello Charles ! Quel est ton parcours ?

Hello moi c’est Charles !

Je suis le Content Master de Jedha, en charge de la cohérence et l’harmonisation de la qualité de tous les contenus pédagogiques que l’on propose dans nos formations.

Pour moi, les Data Sciences ont commencé à l’ENSAE en formation : beaucoup de statistiques et d’informatique. J’y ai découvert ma passion pour l’analyse de données. Je voulais également construire à partir de ses données, j'ai donc suivi un cursus orienté Data Science. En plus de tout ce que l’on pouvait faire mathématiquement, j’ai voulu comprendre comment est-ce que le monde de l’entreprise fonctionnait, je suis donc parti faire un double diplôme en école de commerce à HEC .

J’ai ensuite travaillé aux Etats-Unis dans la Silicon Valley, dans le secteur du paiement en ligne, puis en revenant en France, dans une start-up d’applications musicales. Cela fait maintenant 2 ans que j’enseigne chez Jedha où je m’occupe maintenant de l’harmonisation de tous les contenus de cours.

Sur quel type de missions as-tu travaillé chez PayWithMyBank & MWM ?

Dans le secteur du paiement en ligne, j’étais entre autres missions chargé de développer un algorithme de détection de transactions frauduleuses sur le système de paiement. L’objectif était de proposer à nos partenaires une assurance permettant de faire des transferts d’argent instantanés et sécurisés. J’ai également réalisé des travaux de recherches sur notre paiement en fonction des informations données par la banque sur les clients.

Dans la musique, j’ai travaillé sur de l’acquisition de clients via les publicités marketing,

Et sur le son plus directement, j’avais pour projet de transcrire des musiques en partitions, par exemple de la batterie. J’ai également fait du traitement de signal pour de l’extraction d’une piste audio, et le séparer en plusieurs pistes isolées.

Dans les projets réalisés par nos élèves, l’idée est d’avoir l’approche la plus diverse possible au niveau des contenus : nous avons des présentations sur analyse d’images, du son, et surtout très variés au niveau des secteurs (musique, finance, marketing, santé, photographie etc). Nous encourageons d’autant plus les élèves à travailler avec des entreprises, sur de réels projets pour être directement plongés dans le bain :)

Qu'est-ce qui t'as donné envie d'enseigner ?

Enseigner et transmettre la connaissance, c’est toujours quelque chose que j’ai aimé faire, que ce soit pendant des études préparatoires ou étudiantes. Cette volonté de transmission s’est d’autant plus concrétisée lorsque j’ai commencé à enseigner sur la deuxième session de notre formation débutant en Data de Jedha (anciennement Fondamentaux). J’ai ensuite continué à enseigner sur notre formation avancée en Data Sciences après avoir contribué à l’écriture des cours, jusqu’à aujourd’hui superviser l’ensemble de la création de contenu pour le Bootcamp.

Comment as-tu construit le programme Fullstack ?

Avec Antoine, le fondateur de Jedha, et Frédéric Enard, ex. Data Scientist | Data Engineer @ TF1, nous étions tous les 3 sur la rédaction du programme. Je m'occupais de la rédaction des contenus de 4 semaines : Machine Learning & Deep Learning

Je me suis inspiré de livres de statistiques, sur le Machine Learning, que j’avais lu lors de ma propre formation.

On a ensuite voulu appliquer cette forte exigence académique dans le bootcamp, tout en prenant en compte la patte pédagogique Jedha : 70% du cours en classe ne serait que pratique.

L’idée est que les élèves soient le plus opérationnels dans le monde du travail en tant que professionnels de la Data. L’idée n’est pas de former des chercheurs en Intelligence Artificielle, mais des opérationnels en entreprise. Nous avons tout de même eu un élève ayant publié à la fin de sa formation !

Quel est le message à faire passer en tant que professeur ?

Vulgariser le plus possible !  

La clé pour donner envie aux gens d’apprendre c’est de montrer à quoi sert tel ou tel outil ou concept, quelles sont les possibilités qui peuvent être données, et quelles sont les motivations et philosophies qui sont derrière chaque technologie.

Il faut donc avoir une qualité à présenter les choses simplement, de manière a créer une première couche d’ intérêt dans la tête des étudiants, avant d’aller ensuite plus en profondeur avec les éléments techniques qui permettent de maîtriser l’application dans un contexte professionnel.

L’idée est de mettre les élèves directement dans la réalité du poste : ils vont travailler pour des métiers.  L’idée serait donc de donner un maximum de ses conseils métiers, expertises et retours d’expériences.

Quelle vision as-tu pour les 3 programmes du bootcamp ?

Nous proposons 3 programmes : Essentials, Fullstack, Lead

La formation des Essentials a pour vocation de démocratiser la Data Science en créant justement cette première couche d’intérêt, qui va donner l’envie de pousser plus loin ou non.

Cette introduction pratique à l’univers de la Data est ouvert à toute sorte de profils, même sans bagages statistiques ou informatiques. L’idée est de commencer à maîtriser les outils de programmation, de gestion de bases de données et de Machine Learning pour construire un premier projet dans la Data, et avoir une idée concrète du Life Cycle d’un projet dans la Data.

Le programme Fullstack s’attend à recevoir des personnes qui ont des bases de programmation en Python, de compréhension des mécanismes de la Data Science.

Il a pour ambition de former des personnes qui directement après la formation deviennent Data Scientist Full-stack, capables d’intervenir sur les différents pans du projet Data.

Le rythme y est soutenu et dense, mais nous voulons par dessus tout faire pratiquer les élèves sur des exercices, use cases et projets d’entreprises. Depuis la collecte de la donnée avec la gestion de données massives (Big Data), jusqu’à la mise en production d’une application sur laquelle ils ont implémenté leur algorithme de Deep Learning. Les élèves retrouvent tout le pipeline data, avec des premières bases solides en Data Engineering. Un exemple ? La construction d’une application de recommandation de recettes de cuisine.

On délivre par la suite un accompagnement carrière avec nos Talent Managers qui entraînent les élèves sur des Coding challenges et entretiens techniques, avant d’entamer le projet final. C’est alors l’opportunité pour les élèves de se confronter avant même la fin de la formation à des réelles problématiques.  

Pour continuer sur cette montée en compétences, le programme Lead se concentre sur l’aspect Data Engineering du monde lié aux données, il est là pour ajouter ce vernis très recherché par les entreprises.

L'objectif ? Créer une infrastructure de données scalable, depuis sa collecte, afin d’en faire un objet manipulable pour des personnes en Business Intelligence, en Data Science.

L’idée est à la fin de ce programme de pouvoir gérer l’ensemble de la chaîne de valeur de la donnée, une chaîne qui est d’ailleurs de plus en plus complexe, car les données sont toujours plus diverses au niveau de leurs sources et de leurs masses.

Quelle est la philosophie d'enseignement de Jedha ?

La philosophie d’enseignement reste toujours la même : 70% de pratique, avec le volonté de former des opérationnels. Dans une logique de montée en compétences à travers ces 3 programmes, l’idée est de garder le maximum d’harmonie entre eux, toujours selon les niveaux initiaux et les objectifs des élèves. C’est totalement possible de rejoindre un programme sans avoir fait le précédent, en fonction des pré-requis, ou de s’arrêter au premier et deuxième programme, si les objectifs professionnels sont atteints.

L’idée est de cocher au fur et à mesure toutes les cases permettant devenir un professionnel de la Data maîtrisant l’ensemble de la chaîne de valeur de la donnée.

Pourquoi le programme Fullstack a t-il été refondu en Juillet 2020 ?

Nous sommes partis d’une version dans laquelle la suite logique des modules n’était pas aussi bien pensée qu’aujourd’hui. Actuellement, dans chacun des programmes, nous suivons le pipeline Data.

La vraie différence dans la refonte du programme : le déploiement.

Aujourd’hui, l’ambition de permettre aux étudiants de publier une application web pouvant accueillir un nombre d’utilisateurs vraiment scalable. Dans ce cadre, des problématiques entrepreneuriales peuvent être affrontées par nos élèves, avec une partie déploiement et non plus seulement relative à la modélisation.

Comment qualifier le panel de professeurs dont Jedha dispose ?

La diversité des profils de nos élèves va de paire avec la diversité des profils des professeurs. On a des professeurs qui sont Business Analysts, Data Analysts jusqu’aux Data Scientists ou Software Engineers. Puis nous travaillons aussi avec des Data Engineers qui travaillent sur la partie back-end de la Data Science, enseignant également la partie Lead et certains modules de la Fullstack.

Et les TAs dans tout ceci ?

Depuis la 2e session Fullstack, on a mis en place un système de Teacher’s Assistants : ce sont des alumni du bootcamp qui viennent en support au professeurs sur toutes les parties pratiques afin de maximiser ce composant. Les TAs sont globalement très proches des mécanismes d'apprentissages des élèves : ce double regard permet de créer un lien de confiance plus fort avec les élèves en cours de formation.

Quels sont les typologies de projets des élèves ?

La diversité des projets a aussi énormément augmenté depuis nos débuts : des problématiques de data exploration, avec des modèles plus simples qui ont pour ambition d’expliquer un phénomène, sur des sujets d’économie publique ou humanitaire, nous allons jusqu’à de l’analyse de musique, de son, d’images, ou de textes.

On a par exemple eu un projet d’estimation de mouvement d’un objet (caméra ou drône) à partir de 2 images successives filmées. Cette diversité vient aussi du fait que l'on a des profils de parcours et d’expérience professionnelles très variés : médicales, psychologie, marketing, industrie, finance.
‍

Les objectifs des élèves sont aussi divers : la reconversion depuis des métiers non liés aux données. D’autres veulent monter en compétences dans certains métiers : des Business Analysts qui veulent devenir Data Analysts ou même Data Scientists. Nous avons également des profils d’élèves qui veulent retourner travailler dans leur entreprise pour laquelle la formation fait partie d’une montée en compétences. Nous avons également des entrepreneurs qui ont pu se lancer après la formation. Quelques étudiants en fin d’étude veulent compléter leur formation avec une composante technique. Et enfin d’autres profils plus orientés recherche veulent s’éloigner du monde académique et s’engager sur du pratique et de l’opérationnel.

Comment s'insère JULIE dans tout ceci ?

Une des dernières innovations dont on est très fier, c’est JULIE ! Une plateforme sur laquelle l’ensemble des étudiants ont accès à l’intégralité des contenus des programmes auxquels ils sont inscrits.

Cette plateforme a surtout le grand avantage d’intégrer l’ensemble des interfaces sur lesquelles ils vont pouvoir développer du code.

Cette plateforme est très importante pour nous, car nous souhaitons maîtriser l’expérience-utilisateur de nos élèves, afin de garantir le minimum possible de friction au niveau de l’apprentissage.
‍

Qu'en dis-tu : entre Bootcamps et formations plus académiques ?

Nous avons besoin de personnes qui font de la recherche avec des bagages solides en mathématique, en informatique théorique pour créer les outils de demain. Mais nous avons aussi un très fort intérêt à former des profils plus opérationnels du point de vue économique & social, des personnes qui savent maîtriser des outils, plutôt que de maîtriser de manière profonde leur théorie.

Ces 2 voies de formations sont 100% complémentaires.

Commencer par la pratique peut révéler des vocations plus fortes dans le cas où certains veulent se lancer dans une activité plus académique. C’est quelque chose de très fort de voir ce qu’une science peut faire.

‍

Quelle différence vois-tu entre la Data Science en France & au Etats-Unis ?

J’ai pu travailler dans la Silicon Valley, dans un marché beaucoup plus mature au niveau des technos et des métiers de la Data, même si c’était assez nouveau à ce moment.

C’est au niveau du management des profils Tech que j’ai vu beaucoup de différences entre les Etats-Unis et la France.

Aux Etats-Unis, on a un très bon leadership sur la manière de motiver des Data Scientists à pousser plus loin leurs analyses et faire mieux fructifier la donnée. C’est peut-être ce qui m’a manqué en rentrant en France.

C’est aujourd’hui une très belle opportunité française de former les Data Scientists de demain et leurs managers à des  compétences techniques.

La vision de l’entreprise devient de plus en plus claire dans la manière dont ils veulent faire fructifier leurs donnés.  L’idée est vraiment de former les élèves sur cette vision business oriented & recommandation stratégique.

Comment as-tu vu les métiers et le secteur de la Data évoluer ces 3 dernières années ?

Le secteur au niveau de ses métiers s’est autant segmenté qu’il s’est diversifié. Au moment où j’ai terminé mes études, on parlait du métier de Data Scientist pour définir tout métier vaguement lié aux données.

Aujourd’hui, les métiers sont beaucoup plus précisés, avec énormément de profils qui couvrent différents champs de compétences.

On a 3 grands profils pour lesquels nous avons des référence assez précises, mais il existe beaucoup d'autres :

• Data Analyst : il va conduire des analyses de données sur de la data déjà propre, ou sur des prédictions basées sur des modèles développés par les Data Scientists
• Data Scientist : il a une approche beaucoup plus scientifique, et a pour ambition de conseiller sur des prises de décisions. Il va ensuite créer des modèles prédictifs sur ces données, la modélisation n'est finalement qu'une petite partie d'un projet Data, même si le modèle reste son nerf de guerre.
• Data Engineer : c’est la personne en amont de tout ceci, elle va se charger de la collecte de la donnée, de son stockage, de son organisation et de la gestion de tout le flow de la donnée, jusqu’à son arrivée dans les systèmes utilisés pas les autres professionnels.
  

Comment est-ce que tu vois tout cela évoluer à l'avenir ?

Le secteur va devoir partager sa connaissance avec d’autres métiers qui sont beaucoup moins techniques.

La Data Science a une vrai potentiel à se démocratiser que ce soit auprès de managers, et de tout métier. L’idée n’est plus de devenir simple client de la donnée mais aussi acteur de la manière dont la donnée traitée va être transformée pour des fins d’analyse, de prédiction, d’aide à la décision.

C’est la grosse évolution que l’on verra ces futures années.

Pour plusieurs de nos élèves, l’idée n’est pas non plus de devenir professionnel du secteur mais d’ajouter une brique de compétences techniques qui leur servira dans leur métier quotidien pour faciliter leur prise de décision et analyses. Bien entendu, il faudra toujours des plus profils plus spécialisés et orientés R&D pour créer ces outils. Il reste à noter que la demande tend à avoir des opérationnels plus que des chercheurs.

‍

Que réponds-tu aux personnes comparant l'IA au Big Brother de 1984 ?

C’est un éternel débat dans la Data Science et dans énormément de sciences : nous vivons dans un monde où la communication est très rapide. La dimension éthique à apporter dans les Data Sciences est majeure, et on cite très souvent 1984, achevant tout vie privée. La Data Science comme toute science a besoin d’une déontologie, d’une éthique pour pouvoir être un outil bénéfique et non quelque chose de propice à détournement.

Derrière chaque modèle de prédiction, d'analyse de données, il faut commencer par comprendre qu’en tant qu’être humain, nous avons énormément de biais d’analyse. Décomposer et déconstruire ces biais avant de se lancer dans des manipulations techniques reste primordial.

A une époque où ces outils commencent à devenir omniprésents, c’est essentiel d’apprendre et de comprendre comment ces techniques marchent, sur quoi elles reposent, quelles sont leurs limites pour démystifier tout aspect alarmiste.

Le mot de la fin ?

La Data Science est un domaine qui évolue énormément dans lequel toute personne a toujours des choses à apprendre. Se remettre en question est très important dans le secteur : c’est aussi ce qui fait un bon scientifique d’une part et un bon décisionnaire de manière plus générale.

‍

Vous souhaitez vous lancer dans la Data ? Venez voir nos formations data adaptées à votre projet professionnel