Post de Aleksandra C.

[SPEAKER ANNOUNCEMENT] Nous sommes ravis d'annoncer que David Jayatillake, VP of AI de Cube sera présent en tant que speaker à la Forward Data Conference! Au cours de l'année dernière, nous avons assisté à une vague d'entreprises affirmant que les solutions de text-to-SQL pouvaient remplacer le besoin de Data Engineers et Data Analysts. Cependant, ces solutions rapides mènent souvent à des résultats inexacts et peu fiables qui ne fonctionnent tout simplement pas dans la vraie vie. La réalité est que les solutions basées sur l'IA nécessitent des bases solides en Data Engineering : des pipelines robustes, des transformations efficaces et des modèles de données bien structurés. Bien que les modèles de langage (LLMs) soient entraînés sur le langage naturel et aient une certaine exposition au code, ils ne remplacent pas encore le travail méticuleux des professionnels des données. David approfondira comment nous pouvons plutôt utiliser les LLMs pour interpréter les questions et déterminer ce qu'il faut demander, permettant à des systèmes déterministes de compiler la requête en SQL en utilisant le travail des équipes Data. C'est un honneur de t'avoir parmi les intervenants David Jayatillake ! Vous n'avez pas encore réservé votre billet pour la Forward Data Conference ? Réservez-le maintenant ici : https://lnkd.in/eM6PxKKP N'oubliez pas de suivre le compte de la Forward Data Conference pour plus de nouvelles à venir, et consultez le site web pour toutes les informations : https://lnkd.in/d7QANz5B

Chat2DB : un outil graphique de gestion de base de données piloté par une IA qui convertit le langage naturel en instructions SQL, il envisage de révolutionner la gestion des bases de données: https://lnkd.in/edSgKs_z

Petite lecture avant ce week-end prolongé pour beaucoup d'entre nous ! Je me prête au jeu de la rédaction d'article pour notre blog #KomeetTechnologies, sujet du jour "La self-service BI à l'heure des LLM" Le pitch : La Self-Service BI modifie fondamentalement le paysage des entreprises en permettant à chaque utilisateur de gérer directement ses propres données. Cette autonomie promet une prise de décision plus rapide, tout en présentant certains défis. Comment les Large Language Models (LLM) peuvent-ils aider à surmonter ces obstacles ? 🔗 https://lnkd.in/dJb-CKEK Bonne lecture à tous ! #BusinessIntelligence #DataAnalytics #LLM #DataGovernance #Tech #DataDriven #BI #KomeetTechnologies

Vous rencontrez des problèmes d'incohérences dans les indicateurs ? D'un accès compliqué des équipes métier aux données ? Le Semantic Layer peut vous aider ! Dans cet article, je vous propose de vous expliquer ce concept qui devient de plus en plus populaire. Notamment grâce à dbt qui a lancé son propre Semantic Layer. Je rentrerais dans le détail des différents outils qui permettent de l'implémenter à partir de la semaine prochaine ! Connaissiez-vous ce principe de Semantic Layer et l'avez-vous implémenté dans votre entreprise ? Je serais curieux d'avoir vos retours 😉

Extraction des règles d’association Ouh là là, je redécouvre SIPINA. On ne le sait pas non plus mais le pack contient plusieurs logiciels, SIPINA lui-même, mais aussi un outil dédié à l’extraction des règles d’association (ARS, association rule software, certes, certes, plus original c’est difficile…). On n’échappe pas aux phénomènes de mode, même dans la tech, ou surtout dans la tech, y compris sous son prisme scientifique. Cette méthode de data mining (là aussi l’appellation est vintage) a été très en vogue à moment donné, tout le monde voulait en faire, un peu comme le deep learning de nos jours. Le vent a tourné, mais elle n’en constitue pas moins une approche pertinente d’analyse exploratoire des données. Je l’inclus pour ma part dans mon cours sur les systèmes de recommandations en M2 Data Science. J’ai retrouvé une vidéo où je décris l’utilisation du logiciel ARS en conjonction avec le tableur Excel : importation des données ; extraction des règles pilotée par les paramètres support min (itemset fréquents), confiance min et cardinalités ; post-traitement des règles, mise en évidence avec le filtrage et le tri basé sur les mesures d’importance des règles. https://lnkd.in/eZ5srkfF

📊 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭𝐬 𝐞𝐭 𝐩𝐚𝐬𝐬𝐢𝐨𝐧𝐧é𝐬 𝐝'𝐈𝐀, 𝐜𝐞 𝐜𝐚𝐫𝐫𝐨𝐮𝐬𝐞𝐥 𝐞𝐬𝐭 𝐩𝐨𝐮𝐫 𝐯𝐨𝐮𝐬 ! Vous vous êtes déjà demandé si votre choix de format de fichier pouvait transformer votre projet en succès éclatant ou en casse-tête interminable ? 🤔 Découvrez dans ce carrousel les secrets des formats les plus utilisés en Data Science et Intelligence Artificielle. Faites défiler pour savoir quand opter pour le CSV classique, le JSON polyvalent ou le Parquet taillé pour le Big Data. Ne laissez plus vos données vous jouer des tours, choisissez le bon format et boostez votre efficacité ! 🚀 #DataScience #IA #BigData #FormatsDeFichier #Efficacité #AnalyseDeDonnées

J’ai terminé “L'analyse de données avec l'IA générative” de Vincent Terrasi ! Passionnant et instructif : https://lnkd.in/eSZRMhxW #analysedesdonnées, #intelligenceartificielle.

💥 𝗟𝗮 « 𝗠𝗼𝗱𝗲𝗿𝗻 𝗗𝗮𝘁𝗮 𝗦𝘁𝗮𝗰𝗸 » (𝗠𝗗𝗦) 𝗱𝗲́𝗺𝘆𝘀𝘁𝗶𝗳𝗶𝗲́𝗲 ! Début 2024, Tristan HANDY, CEO de dbt Labs, jetait un pavé dans la marre dans son article intitulé « Is the "Modern Data Stack" Still a Useful Idea? » (https://lnkd.in/dnnJaZum) en ouvrant le débat de la pertinence de la « Modern Data Stack » en 2024. Même si l’idée de la MDS n’est peut-être plus vue comme aussi utile en 2024 qu’il y a quelques années (voire mois), la MDS en elle-même n’en reste pas moins une architecture Data utile et donnant pleinement satisfaction au sein de nombreuses entreprises. 🔎 Redécouvrez notre article démystifiant la « Modern Data Stack » sur notre blog Data & AI ! En quelques minutes, cet article vous permettra d’appréhender les concepts fondamentaux de la MDS et de comprendre ses tenants et ses aboutissants. 😎 🔗 Lien de l’article en commentaire ! 👇 #AubayDataAI #Data #ModernDataStack #WeHelpDataPeople #YouDataPeople

Enfin, un projet open source pour les pros la data et de l'analytique ! Pas seulement de la tech 🛠 L'écosystème data regorge de repos et d'outils open sources : sckit learn, pandas, dbt, polars, dlt, etc Top ! Mais orienté tech : algo, API, gestion des erreurs, etc. Ni ma came ni mon coeur de métier. La data commence par le business, finit par le business, avec de la tech au milieu. Je veux travailler avec des données qui ont un contexte de collecte, une utilisation, puis dérouler la solution tech pour y arriver. Les données publiques sont parfaites pour cet exercice. Collectées dans un cadre connu et utilisées partout. Il y'a plus qu'à utiliser les bonnes technos au bon endroit ! C'est l'ambition de https://make-open-data.fr/ Venez nous aider à la transformer en produit data consommable par le maximum d'utilisateurs. Que vous soyez profanes en quête de votre premier group by sur un million de lignes, ou ceinture noire brûlant de soif de discussion ontologie ou CI/CD. Si vous êtes juste enthousiaste, n'hésitez pas à nous encourager avec une petite étoile sur GitHub : https://lnkd.in/dfT6nJq7 Si vous voulez les données nettoyées, les voici : https://lnkd.in/dZDx33CM

𝐨𝐮𝐭𝐢𝐥𝐬 𝐝𝐞 𝐒𝐩𝐚𝐫𝐤 𝐒𝐩𝐚𝐫𝐤 𝐒𝐐𝐋 : Exécute des requêtes SQL pour transformer les données avec facilité. 𝐒𝐩𝐚𝐫𝐤 𝐒𝐭𝐫𝐞𝐚𝐦𝐢𝐧𝐠 : Traite les données en temps réel pour des applications nécessitant une réponse instantanée. 𝐒𝐩𝐚𝐫𝐤 𝐆𝐫𝐚𝐩𝐡𝐗 : Analyse les données de graphes pour extraire des insights essentiels. 𝐒𝐩𝐚𝐫𝐤 𝐌𝐋𝐥𝐢𝐛 : Bibliothèque complète d'apprentissage automatique avec une variété d'algorithmes pour la classification, la régression et le clustering. #Spark #BigData #DataProcessing #DataAnalytics #RealTimeProcessing #CalculDistribué #dataEngineering #BI #data