Data scientists: vers une fin de la pénurie?

Depuis 2 ans, la demande en développeurs dotés de compétences en intelligence artificielle (IA) a doublé, révèle une étude de MMC Ventures intitulée «The State of AI 2019: Divergence». Alors que l'adoption de l'intelligence artificielle se généralise, les entreprises font face à une pénurie de talents en la matière. Vue comme le principal frein à l'adoption de l’IA par une entreprise sur quatre, cette disette explique aussi que les spécialistes du domaine sont particulièrement bien payés (Les data scientists de Suisse gagnent beaucoup plus que leurs confrères européens).

Le réservoir de talents est encore modeste

Le réservoir en spécialistes capables de développer des solutions exploitant l’IA est encore limité. Une situation qui s’explique notamment par la formation poussée qu’exige l’acquisition des compétences nécessaires en statistiques, informatiques et mathématiques avancées. Près de deux tiers des développeurs en IA sont titulaires d'un master ou d'un doctorat.

S'ajoute à ce savoir technique la demande croissante de se former dans un domaine d’activités particulier, histoire de pouvoir interpréter les données de façon appropriée et de formuler des recommandations pertinentes. Cette particularité fait des data scientists des profils aujourd’hui particulièrement recherchés (Data scientists: les héros du Big Data). Les entreprises attendent en outre des experts en IA et data science qu’ils bénéficient d’expériences en ingénierie et en management d’équipe, souligne l’étude de MMC Ventures.

Pourquoi la pénurie peut s’atténuer

La combinaison de compétences techniques, sectorielles et commerciales requises limite encore la taille du réservoir de professionnels en IA et science des données. Mais deux facteurs peuvent changer la donne. Tout d’abord, la prolifération des offres de formation en IA, proposées aussi bien par les entreprises technologiques que les universités (Un Bachelor en Data Science voit le jour en Suisse). Mais aussi via des ressources et cours en ligne: le data scientist typique a acquis plus de la moitié de ses connaissances en autoformation et via des cours en ligne. Deuxièmement, l’évolution des outils et langages de programmation utilisés pour développer des applications d’intelligence artificielle rend petit-à-petit cette activité accessible à un plus grand nombre de développeurs. En introduisant des niveaux toujours plus élevés d'abstraction, les environnements de développement ont progressivement réduit la charge pesant sur les développeurs, notamment avec l’apparition des bibliothèques Python (2010) et de TensorFlow (2015).

Toutefois, tout ne réside pas dans la formation comme nous le confiait James Larus, doyen de la faculté d’informatique de l’EPFL: «Entraîner un système de machine learning est davantage un art qu’une science. Il est difficile de l’enseigner. Il n’existe pas de corpus de connaissances indiquant comment procéder dans tel ou tel cas. Il faut donner des exemples aux étudiants et espérer qu’ils développent ce talent. C’est pourquoi il y a une si grande demande en experts en machine learning: on ne peut pas vraiment les former.»

Les firmes tech tirent leur épingle du jeu

Face à la disette en experts de l’IA et de la science des données, les entreprises jouent des coudes pour mettre la main sur ces perles rares. Et à ce jeu, certains secteurs d’activités s’en sortent mieux que d’autres. A commencer par celui des technologies, qui emploie près de la moitié des talents du domaine. Suivent loin derrière les services financiers (14%), la publicité et le marketing (9%) et le consulting (8%). Les entreprises qui sortent aujourd'hui leur épingle du jeu dans cette guerre des talents pourraient bien conserver leur avantage, fait observer l’étude de MMC Ventures: «Les sociétés de technologie et de services financiers accordent la priorité à l'intelligence artificielle, mobilisent des ressources et construisent des effets de réseau autour des employés et des données pour établir et étendre leur leadership dans ce domaine.»