Présentation Eva Group 28 septembre 2021 Salon Big Data et IA

1. C1 - Public
©Tous droits réservés - Copyright EVA Group
Efficient and secure IT for
business
Panorama des
acteurs de la
data 2021
Méthodologie pour réussir vos projets
data
28 Septembre 2021
Paris

2. C1 - Public
2
©Tous droits réservés - Copyright EVA Group
SOMMAIRE
Qui sommes-nous ?
Point de départ !
Déroulement d'un projet data
Typologie de projets
À retenir

3. C1 - Public
3
©Tous droits réservés - Copyright EVA Group
Qui sommes nous ?
Responsable offre
Data & Decision
Consultant senior
Data
Valentin Bourget Bruno Seznec

4. C1 - Public
©Tous droits réservés - Copyright EVA Group
MA SUPER SECTION
Qui sommes-nous ?

5. C1 - Public
5
©Tous droits réservés - Copyright EVA Group
Qui sommes-nous ?

6. C1 - Public
©Tous droits réservés - Copyright EVA Group
Point de départ !

7. C1 - Public
7
©Tous droits réservés - Copyright EVA Group
Point de départ !

8. C1 - Public
8
©Tous droits réservés - Copyright EVA Group
Point de départ !
Les trois éléments clés:

9. C1 - Public
©Tous droits réservés - Copyright EVA Group
Déroulement
d'un projet data

10. C1 - Public
10
©Tous droits réservés - Copyright EVA Group
Déroulement d'un projet data : Les étapes
Le parcours est itératif et
incrémental !
Cadrage
Acquisition /
Organisation de la
donnée
Modélisation
Déploiement ,
ML Ops
Data
Modélisation
Déploiement
Bilan
Cadrage

11. C1 - Public
11
©Tous droits réservés - Copyright EVA Group
Déroulement d'un projet data : étape 1
 Qui : le métier, direction générale, Data Stewart, Data manager, CDO, CPO
 Comment : Séparer les aspects métiers et les aspects Data Science / Technique. Faire plusieurs réunions de faisabilité
et cadrage temps des sprints, Indicateurs clés , ROI potentiel…
 Méthodologie : Idéation, Design Thinking, Benchmarking
 Résultats : Matrice de décision entre plusieurs projets, Critère d’acceptation / réussite
Cadrage
Acquisition /
Organisation de la
donnée
Modélisation
Déploiement ,
ML Ops

12. C1 - Public
12
©Tous droits réservés - Copyright EVA Group
Déroulement d'un projet data : étape 2
 Qui : Data Engineer, Data Scientist, Data Owner, Data Steward, CDO, CPO
 Comment :
 Etape 1 Collecte ;
 Etape 2 Labellisation , Organisation , Feature Engineering
 Outillage : Data Catalogue , Feature Store, Versionning, Reproductibilité , Passage à l’échelle (Big Data), Batch ou
Streaming
 Résultats :Données normalisées , versionnées, lignage, conformes aux réglementations applicables, avoir une baseline
Cadrage
Acquisition /
Organisation de la
donnée
Modélisation
Déploiement ,
ML Ops

13. C1 - Public
13
©Tous droits réservés - Copyright EVA Group
Déroulement d'un projet data : étape 3
 Qui : Data Scientist, Data Engineer, Métier
 Comment :
 Etape 1 Sélection et entrainement de modèles ;
 Etape 2 Analyse de la performance, précision (ML supervisé), Analyse des erreurs (impact)
 Outillage : Librairies Open source ou propriétaires, Studio de Data Science,
 Résultats : Modèle entrainé, optimisé suivant les contraintes de déploiement, explicabilité
Cadrage
Acquisition /
Organisation de la
donnée
Modélisation
Déploiement ,
ML Ops

14. C1 - Public
14
©Tous droits réservés - Copyright EVA Group
Déroulement d'un projet data : étape 4
 Qui : ML Engineer, Data Engineer, Data Scientist , (Dev)Ops,
 Comment :
 Etape 1 Déploiement, API fication
 Etape 2 Connexion avec un le Data Product : App Mobile, App Web
 Etape 3 Monitoring et Maintenance (MLOps)
 Outillage : Librairies Open source ou propriétaires, Studio de Data Science,
 Résultats : Data Product et modèles instrumentés, ROI , KPI en dashboard
Cadrage
Acquisition /
Organisation de la
donnée
Modélisation
Déploiement ,
ML Ops

15. C1 - Public
©Tous droits réservés - Copyright EVA Group
Typologie de projets

16. C1 - Public
16
©Tous droits réservés - Copyright EVA Group
Typologies de projets / Stacks 2012

17. C1 - Public
17
©Tous droits réservés - Copyright EVA Group
Typologies de projets / Stacks 2021

18. C1 - Public
18
©Tous droits réservés - Copyright EVA Group
EVA Data Quadrant
Rapidité à
délivrer
Coûts : Logiciel,
Matériel, RH
On premise
FRAMEWORK OPEN SOURCE
Bare metal
SERVICE MANAGÉ
DATA STUDIO EN MODE SAAS
Openstack (Iaas)
Scikit-Learn
TFX
Pytorch
Tensorflow
Jupyter Lab Neptune.ai
Gradient / Paperspace
Weights&Biases
Kedro , kedro-viz
Hugging Face , Spacy
Data Robot
Domino datalab
Dataiku DSS
AWS Sagemaker
Azure ML
GCP Vertex.ai
CDAP , Google Fusion
Pachyderm

19. C1 - Public
19
©Tous droits réservés - Copyright EVA Group
Différentes manières d’implémenter une
solution data
John DEUF
Directeur des ventes
Eric HOCHET
Directeur des ventes
Vicky NÉPAMORE
Directrice des ventes

20. C1 - Public
20
©Tous droits réservés - Copyright EVA Group
Cadrage
1
• Nettoyage
• Normalisation
data
2 Développement
desModèles
3
• Déploiement
• MLOps
• Monitoring
4
Framework open source,
Développement à façon
Usecase: prévisiondesventes
John DEUF
Directeurdesventes

21. C1 - Public
21
©Tous droits réservés - Copyright EVA Group
Services managés
Vicky NÉPAMORE
Directrice des ventes
Use case : prévision des ventes
Cadrage
1
Configuration
des services
managés
2
Préparation des
données ou Data
Préparation
managée
3
Développe
ment de
modèle ou
Auto ML
4 Monitoring
managé
5

22. C1 - Public
22
©Tous droits réservés - Copyright EVA Group
Cadrage
1 Configuration
studio intégré
2
Déploiement
dans le studio
intégré
3
Typologie de projets / Studio de Data Science
EricHOCHET
Directeurdesventes
Usecase: prévisiondesventes

23. C1 - Public
©Tous droits réservés - Copyright EVA Group
À retenir

24. C1 - Public
24
©Tous droits réservés - Copyright EVA Group
À retenir
 Le Cadrage, un grand oublié du projet;
 L’ implication dès le lancement du projet de toutes les parties prenantes est la seule chance de succès;
 Le MLOps fait le buzz, ce sont souvent des questions de bon sens et des bonnes pratiques;

25. C1 - Public
25
©Tous droits réservés - Copyright EVA Group
Questions ? Suite
 Retrouvez nous sur le stand C20 pour la présentation de nos offres packagées au
forfait :
 AUDACE : Audit Data dans un Contexte Entreprise
 MONA : Monitoring pour l’IA