- Speaker #0
C'est quoi un Quantitative UX Researcher ?
- Speaker #1
Ça va être quelqu'un qui cherche toujours à prendre le point de vue de l'utilisateur. Moi, je me définirais un peu comme une sorte de généraliste.
- Speaker #0
Quelles sont les compétences d'IA qui sont indispensables pour l'utilisateur ?
- Speaker #1
C'est un peu le B.A.B. de la statistique. Après, il y a la compétence fondamentale informatique.
- Speaker #0
Aujourd'hui, je veux intégrer Google. Comment est-ce que je m'y prends ?
- Speaker #1
Il ne faut pas être trop mauvais dans aucun des domaines.
- Speaker #0
Est-ce que le fait d'avoir fait une grande école aide ?
- Speaker #1
Objectivement, les personnes qu'on va recruter à Google, en général, ce n'est pas des gens qui sortent d'école. En général, c'est des gens qui ont déjà un petit peu d'expérience.
- Speaker #0
Je sais que ça va de toi, par exemple. Qu'est-ce qui t'a le plus marqué quand tu as intégré Google ?
- Speaker #1
La première chose, honnêtement, c'est la nourriture gratuite.
- Speaker #0
Et plus globalement, si aujourd'hui j'intègre Google, quel type de rémunération je peux prétendre, par exemple ? Hello les amis, j'espère que vous allez bien. Aujourd'hui, c'est la reprise du podcast et franchement, ça m'avait tellement manqué de partager avec vous mes conversations avec vos mentors virtuels qui vous aident à progresser en data et en intelligence artificielle. Pour la reprise, on va commencer avec un épisode qui va certainement avoir de l'impact dans votre carrière. C'est le type de discussion que j'aurais aimé avoir lorsque j'ai commencé à travailler parce qu'en réalité, avec l'expérience, je me rends compte d'un point essentiel. Avoir de l'ambition, c'est un luxe. Avoir de l'ambition, c'est un risque que seules les personnes qui ont de l'expérience, qui ont la connaissance, peuvent se permettre. Raison pour laquelle ma mission sur la chaîne YouTube, sur le podcast, c'est de vous montrer que c'est possible. C'est de vous montrer le chemin des possibles. C'est de vous donner le maximum d'informations pour vous permettre de rêver, pour vous permettre justement de réaliser vos rêves. Lorsqu'on travaille dans la Data Elia, l'une des voies qui fait rêver, c'est de travailler chez Google. Mais malheureusement, sur Internet, on n'a pas beaucoup d'informations sur le sujet. Raison bloquée dans ce podcast ? Vous allez découvrir le parcours d'un data scientiste chez Google. Vous allez découvrir comment faire pour intégrer Google lorsqu'on est data scientiste. Vous allez découvrir les salaires dans la tech. Vous allez découvrir les différents métiers qu'on peut exercer dans la tech en tant que data scientiste. Pour en parler, j'ai le plaisir d'inviter sur le podcast Pierre Pécronan. Qui est Pierre Pécronan ? Pierre Pécronan, c'est un data scientiste qui a plus de 19 ans d'expérience. Et un point essentiel que vous devez savoir, c'est que quand moi, j'ai commencé à travailler, et une période où j'ai eu une perte de sens. Une période vraiment où je ne savais plus quoi faire. Et j'ai voulu, pendant cette période-là, intégrer Google. Je suis allée sur YouTube. Je n'ai pas vu beaucoup de contenu en français sur le sujet. Je suis allée sur LinkedIn. J'ai tapé Data Scientist sur Google. Et, résultat de la recherche, je suis tombée sur le profil de Pierre Péconon. J'ai pris le courage. J'ai écrit à Pierre. Et devinez quoi ? Pierre m'a répondu. Franchement, ça m'a tellement touchée parce qu'en réalité, Pierre m'a vraiment aidée. Pendant cette période où je me posais beaucoup de questions, pendant cette période où j'avais une paire de sens dans mon travail, Pierre m'a guidée, il m'a aidée, il était disponible. Et franchement, pour ça, je le remercie sincèrement. Et c'est même la raison pour laquelle j'invite Pierre sur le podcast, parce que j'aimerais que les discussions qu'on a eues soient bénéfiques pour le maximum des personnes. J'aimerais que vous également vous bénéficiez de cela, parce que c'est très rare d'avoir des personnes disponibles qui partagent justement leur expérience. Donc voilà la discussion que j'ai avec Pierre. Vous allez découvrir justement son parcours. Comment est-ce qu'il a fait pour intégrer Google ? J'ai déjà précisé qu'ici, Pierre ne parle pas au nom de Google. Pierre parle à son nom, donc ce n'est pas une discussion. Ce n'est pas Google qui parle, c'est Pierre qui parle. C'est un point important qu'il faut dire. Donc, dans le podcast, Pierre va vous partager son parcours. Comment est-ce qu'il a fait pour intégrer Google ? Il va vous montrer le processus de recrutement. Comment est-ce qu'on fait pour intégrer Google ? À quoi ressemble la vie des data scientists chez Google ? Et surtout, ce qui m'a marrée de le podcast, et ce que Pierre m'a fait découvrir à titre personnel, c'est le métier de Quantitative UX Researcher. Lorsqu'on est data scientiste, on pense seulement à candidater au poste de data scientiste. Mais la réalité, c'est qu'en entreprise, il y a plusieurs possibilités. Moi, par exemple, je travaille en banque en tant qu'analyste quantitatif. Pierre travaille en tant que Quantitative UX Researcher. Vous avez découvert à quoi correspond son métier. Qu'est-ce qu'on peut mettre en place pour pouvoir exercer ce métier lorsqu'on est data scientiste ? Quel est le parcours possible ? Donc, voilà l'essentiel de la discussion. Avant de vous laisser avec mon échange avec Pierre, permettez-moi de vous présenter le sponsor de ce podcast, LIA Advisory. LIA Advisory, c'est une entreprise de consulting et de formation que j'ai créée il y a un an, qui vous accompagne, qui vous permet justement de faire de la data et de l'IA votre avantage compétitif. Comment est-ce qu'elle peut vous aider ? Je vous aide à travers trois piliers. Le premier pilier, c'est le pilier consulting. Qu'est-ce que cela signifie ? Cela signifie que si aujourd'hui dans vos équipes, vous avez un projet data IA que vous souhaitez faire avancer rapidement, Je suis disponible. pour vous aider à mettre en place des solutions pertinentes pour répondre à votre problématique. Le deuxième pilier, qui est l'un des premiers piliers favoris, c'est mon coup de cœur, je vais dire ça comme ça, c'est parce qu'en réalité, j'aime beaucoup former. Le deuxième pilier, c'est le pilier formation. Pourquoi est-ce que j'aime autant former ? Parce que moi, j'ai compris que pour avoir un monde meilleur, il faut partager ses connaissances. Donc, c'est un plaisir pour moi de partager mes connaissances avec vos équipes. Si vous souhaitez que vos équipes montent en compétence en IAGNATIVE, par exemple, aujourd'hui, ça évolue tellement vite. Moi, tous les jours, je m'intéresse de très près à ce sujet-là. Vous pouvez faire des formations spécifiques, adaptées au métier de vos collaborateurs, que ce soit des comptables, des juristes, des avocats, quel que soit le profil. On discute ensemble et je mets en place un programme adapté. adapté à vos professions pour vous aider justement à faire de la data et l'IA votre avantage compétitif. Le troisième pilier clé également, c'est le pilier conférence. Aujourd'hui, vous avez un séminaire, vous avez des team building, vous souhaitez justement avoir des conférences pour vous donner l'actualité de la tech, l'actualité de l'IA. Vous souhaitez également que vos collaborateurs comprennent l'intérêt du personnel branding dans la tech parce qu'on va y croire fermement qu'une boîte qui réussit, une boîte dans laquelle chaque employé est la marque de l'entreprise en fait. Chaque employé est un camp d'entreprise et ça, Ça passe par le personal branding. Moi, ça fait plus de trois ans que j'interviens sur LinkedIn, sur YouTube. Je vous montrais justement tout ce que j'ai appris pendant trois ans dans des conférences bien déterminées pour vos collaborateurs. Donc, si ça vous intéresse, il y a un lien en description. Vous écrivez vos problématiques, vos besoins et tout. Je vous recontacte pour qu'ensemble, on arrive justement à faire de la data et de l'IA votre avantage compétitif. Un autre point essentiel avant de parler de podcast, n'oubliez pas les amis, moi, mon objectif, c'est qu'on crée ensemble. la plus belle communauté d'Alada et IA. On l'a déjà créée. Je veux qu'elle grandisse encore plus. Et pour grandir, ça passe par vos likes, ça passe par vos commentaires, ça passe par vos partages. Et surtout, mettez 5 étoiles sur toutes les plateformes d'écoute parce que c'est comme ça, justement, que les personnes qui ont de l'impact auront envie également de venir vous partager leurs expériences et surtout leurs histoires. Donc, likez, commentez, partagez. Et maintenant, place à ma discussion avec Pierre. Bonne écoute à vous. Alors, merci une fois de plus Pierre d'avoir accepté mon invitation dans le podcast. Aujourd'hui, on va parler de ton parcours dans le data. Tu as fait l'ENSAI, tu as fait Achievement chez Google. Bon, je vais te laisser te présenter pendant quelques minutes de la façon dont tu souhaites. Qu'est-ce qu'on peut savoir sur toi ?
- Speaker #1
Tout d'abord, merci de m'avoir invité. C'est un grand plaisir pour moi d'être là. Je m'appelle Pierre Petronin, j'ai 41 ans. Je vis ici à Zurich, en Suisse, depuis une dizaine d'années. Je travaille en tant que Quantitative UX Researcher à Google dans l'équipe qui s'appelle Géo, qui est responsable de produits comme Google Maps ou Google Earth. Ça fait une dizaine d'années que je suis là. J'ai démarré à Google en tant que Data Scientist et j'ai fait une conversion dans Quantitative UX Research.
- Speaker #0
Ah, une conversion. Ça me intéresse de comprendre pourquoi tu... On parle de conversion, mais avant cela, comment est-ce que tu as fait pour intégrer Google ? Quel est ton parcours avant de devenir quantitative UX researcher chez Google ?
- Speaker #1
Oui, alors comme tu as dit, moi j'étais à l'ENSAI, l'École Nationale de la Statistique et de l'Analyse de l'Information, en 2006. Ok. Oui, il y a un moment. Et j'ai commencé ma carrière en intégrant des sociétés de services en ingénierie informatique, donc en tant que consultant autour de Paris. Donc ça, ça m'a duré à peu près huit ans. J'étais au départ consultant, puis après j'étais responsable de consultant, responsable avant-vente ça s'appelle. Donc on recrute des consultants, on les forme, on essaye de trouver des contrats pour eux. Et puis au bout d'un moment, j'ai eu la chance d'être recruté par Google.
- Speaker #0
Ok, sympa. Ok, du coup, je veux bien que tu me parles un peu de... Pourquoi tu parles de reconversion ? Tu étais data scientist quand tu as... T'es Google la première fois. Tu es data scientist, c'est bien ça ?
- Speaker #1
Oui, alors, il faut savoir qu'historiquement, le titre de data scientist, il n'existait pas quand j'ai intégré Google en 2014. Ça s'appelait quantitative analyst. Donc, Google recherchait des profils avant tout de statisticiens. Et donc, c'est comme ça qu'ils avaient vendu leur poste en tant que quantitative analyst historiquement. Et puis, autour de 2014, il y avait quand même cette grande mouvance du terme data scientist. Donc, Pour recruter sur une plus grosse base, on a changé le titre en Data Scientist. C'est juste mon titre qui a changé. Je n'ai pas changé de fonction. Après, la fonction de Quantitative Analyst ou Data Scientist à Google, qu'est-ce que c'est ? Ce n'est pas forcément non plus ce qu'on appelle Data Scientist en dehors de Google. Je vais essayer d'expliquer un peu à ma manière ce que c'est. Il y a peut-être des gens de Google qui vont dire que ce n'est pas du tout ça, mais c'est mes mots à moi. Un Data Scientist, c'est quelqu'un qui... va produire des outils, des méthodes, des métriques dans le but que d'autres personnes réalisent des analyses. Ils vont réaliser quelques analyses de données eux-mêmes, mais avant tout, ils mettent en place... des systèmes pour que d'autres personnes, principalement des ingénieurs informaticiens, fassent les analyses. C'est vu comme une fonction support, ce n'est pas une fonction hyper répandue. Je crois qu'on est quelques centaines, dans une très grande entreprise de plusieurs centaines de milliers de personnes. Donc, ils essayent de mettre à disposition leurs compétences au plus grand nombre de cette manière-là.
- Speaker #0
D'accord.
- Speaker #1
Et ça, ça m'intéressait. Mais au cœur de ce que j'ai fait depuis longtemps, c'est que j'ai à cœur de comprendre les utilisateurs, les clients. Donc, moi, ce qui m'intéresse, ce n'est pas seulement de mettre en place des outils pour que d'autres personnes fassent des analyses, c'est aussi de faire des analyses moi-même et de gérer de la connaissance. Donc, c'est pour ça que j'ai fait une reconversion vers un poste qui s'appelle Quantitative UX Researcher. qui est quand même assez proche d'un point de vue de compétence. On est sur des compétences statistiques et informatiques, mais appliquées au domaine de user experience.
- Speaker #0
Il y a un point qui m'a marqué dans ta description de la data science. Donc côté Google, aujourd'hui, c'est vu comme un professionnel qui va mettre en place des premières analyses pour que les software engineers analysent. À ce niveau, je n'ai pas très bien compris, parce que pour moi, les software engineers étaient chargés de développer des outils. développer des solutions qu'on va mettre en hard scale. Et du coup, Data Scientist, mettre en place justement la partie Data Science qui est analysée et les softwares allaient utiliser les analyses pour pouvoir développer des solutions. Chez Google, ce n'est pas exactement la même vision.
- Speaker #1
À Google, on est une entreprise centrée sur les ingénieurs informaticiens. Comme une entreprise classique, on va avoir le département informatique qui est en support des fonctions principales. À Google, C'est l'inverse. La fonction principale, c'est la fonction d'ingénieur informaticien. Donc, ils font le développement des produits Google, mais ils font aussi beaucoup d'autres choses annexes. Donc, ils vont parfois réaliser les analyses eux-mêmes.
- Speaker #0
Ok, je comprends mieux. En fait, c'est parce que c'est dans les autres... Par exemple, moi, je viens du monde bancaire. Et en banque, l'informatique, c'est une fonction support. Donc, du coup, côté Google, comme le software engineer, c'est la fonction centrale. Toutes les autres fonctions sont des fonctions support pour aider justement les software engineers à réaliser leurs travaux.
- Speaker #1
C'est une version un peu simplifiée parce que je pense qu'il y a beaucoup de fonctions qui vont dire qu'elles ne sont pas fonctions support de l'informatique. Mais je pense qu'en gros, c'est vrai. Le rapport de force est un peu différent.
- Speaker #0
Il s'inverse. Là, je comprends mieux. Tu as parlé de reconversion. Quand tu parles de data science, quantitative UX researcher, comment s'est passée cette reconversion ? Et pourquoi tu parles de reconversion d'ailleurs ?
- Speaker #1
Parce que c'est deux jobs différents. ils n'ont pas le même titre et ils ont deux fonctions différentes dans l'organisation elles sont très proches du point de vue des compétences mais il faut passer par un process où on va être reconnu ou pas en tant que quantitative UX researcher il faut trouver une équipe qui accepte un quantitative UX researcher et quitter son ancienne équipe de data scientist et donc c'est un process qui se fait graduellement il n'y a pas des formations spécifiques Merci. Mais on peut faire des projets un peu sur notre temps libre pour accueillir un peu ce qui nous manque, en fonction de ce qui nous manque.
- Speaker #0
Ok. Et dans ce cas, en quoi consiste ? C'est quoi un Quantitative UX Researcher ?
- Speaker #1
Oui, alors, très bonne question. Un Quantitative UX Researcher, ça va être une sorte de data scientist de user experience.
- Speaker #0
D'accord.
- Speaker #1
C'est la version hyper simplifiée. Donc, ça va être quelqu'un qui cherche toujours à prendre le... point de vue de l'utilisateur. Ça va être quelqu'un qui se fait l'avocat de l'utilisateur dans toutes les discussions qu'on peut avoir avec tous nos partenaires et qui va le faire de manière en s'appuyant sur des données. Donc, ça va être quelqu'un qui va être beaucoup dans l'analyse quantitative de la perception de l'utilisateur des produits qui existent, mais aussi de fonctionnalités qu'on cherche à développer. Donc, on va faire, par exemple, des sondages. où on incorpore des fonctionnalités qui n'existent pas encore. On va peut-être juste décrire la fonctionnalité avec du texte, ou parfois on va intégrer des images qui représentent la fonctionnalité, ces images qui sont créées par nos designers, qui représentent l'interface, la vision de l'interface qu'ils ont. Et puis on va chercher à avoir du feedback de notre base d'utilisateurs potentiels au sujet de ces idées-là.
- Speaker #0
Donc en gros, ton travail au quotidien, c'est ? Comprendre les besoins d'utilisateurs et intégrer de nouvelles fonctionnalités dans les outils.
- Speaker #1
C'est ça.
- Speaker #0
Je comprends qu'il y a la partie sondage, donc vous mettez en place des enquêtes auprès des utilisateurs pour essayer de voir de quoi est-ce qu'ils peuvent avoir besoin. Est-ce que tu peux nous parler d'un projet concret, de façon hypothétique, que vous pouvez réaliser ? Un exemple concret pour qu'on comprenne.
- Speaker #1
Je ne peux pas parler de projet de Google pour des raisons de confidentialité, mais moi je travaille sur Google Maps. Imaginons qu'on ait cette idée de, je ne sais pas, par exemple, de donner la liberté à l'utilisateur quand ils utilisent Google Maps, de dire je veux éviter ce quartier. Dans toutes les requêtes de navigation ou pour tous mes itinéraires, je veux éviter ce quartier. Je ne sais pas, il y a mon ex qui habite là, je ne veux pas passer par là. Ou alors, je pense que ce n'est pas un endroit sûr. Peu importe la raison. Ou alors, c'est en travaux et Google Maps ne le sait pas. Donc, on a cette idée-là et on veut savoir est-ce que ça vaut le coup d'investir des ressources de conception et de développement ? Dans cette idée-là, plutôt que dans toutes les autres idées qu'on peut avoir.
- Speaker #0
Ok.
- Speaker #1
Alors, qu'est-ce qu'on peut faire ? Déjà, on peut voir dans le feedback au niveau du produit lui-même, aujourd'hui, dans les sondages qui existent, est-ce que c'est une idée qui revient dans le feedback des utilisateurs ? Est-ce qu'il y a des problèmes qu'ils rencontrent aujourd'hui qui pourraient être résolus par cette idée ? Après, ce qu'on peut faire, c'est un sondage où on va mettre toutes les idées qu'on a en compétition. Oui. Donc, le problème souvent, c'est qu'on a beaucoup d'idées. et on n'a pas assez de gens pour les développer. Et on ne peut pas montrer 50 idées dans un seul sondage. Ce n'est juste pas possible. Donc, on va avoir des méthodes de type modèle de choix discret où dans un sondage, on va peut-être présenter à une personne le choix entre 4 à 6 idées. Ils vont nous faire un premier choix. Après, on peut raffiner ça en le remontrant une deuxième fois. Et après, on utilise des méthodes statistiques pour inférer les préférences globales. Ça, c'est une méthode qu'on peut faire très en amont. Après, une fois que l'idée est passée à ce stade et on sait qu'on va travailler dessus, on va développer des interfaces. Là, on va utiliser encore des sondages, on va intégrer ces interfaces dans les sondages. Tout au bout du cycle, il y a les ingénieurs informaticiens qui ont intégré cette idée dans le produit et qui vont faire un lancement. Et là, en général, il y a un test AB. Donc, on va prendre un échantillon de gens qui, eux, vont avoir accès à la fonctionnalité, un autre échantillon qui, eux, ne vont pas avoir accès encore à la fonctionnalité et on va comparer leurs comportements. On va comparer leur comportement dans les traces utilisateurs, de manière hyper agrégée. On va regarder, OK, ceux qui ont la nouvelle fonctionnalité, ils ont tendance à rester plus longtemps dans Google Maps ou rester moins longtemps, à revenir plus ou moins, à cliquer plus ou moins sur ci, sur ça. Et ça, ça fait aussi partie de notre job, de savoir aussi comment les fonctionnalités qu'on a accompagnées tout au long de la conception vont être perçues. aussi au moment du lancement.
- Speaker #0
D'accord, ok.
- Speaker #1
Après, on reboucle parce qu'effectivement, la fonctionnalité a été lancée. Donc maintenant, on a du feedback qui nous vient des utilisateurs qui fait partie du feedback produit.
- Speaker #0
Et tout ce process-là, déjà descendant jusqu'au test AB pour valider l'idée. Une fois que c'est validé, on lance l'idée à Tskiri. Je suppose que pendant toute la phase, l'idée n'est pas donnée à tout le monde. C'est ce que tu disais d'ailleurs. C'est une partie des utilisateurs qui ont accès à la fonctionnalité. Une fois que vous faites vos tests, où vous voyez que la fonctionnalité est valide, on la rend disponible pour tout le monde. C'est bien ça ?
- Speaker #1
Oui, c'est un processus d'évaluation progressif. À tout moment, on peut décider qu'on arrête tout. Parce qu'à tout moment, il peut y avoir un problème ou il peut y avoir un changement de priorisation. Effectivement, à la fin, au final, dans l'idéal, à la fin du cycle de développement, on a quelque chose qui atteint la population générale.
- Speaker #0
Et ce cycle-là, ça peut durer combien de temps ?
- Speaker #1
Ça dépend entièrement de la complexité, de la fonctionnalité. Parce que c'est un cycle qui est vrai au niveau de la fonctionnalité. C'est un cycle qui est vrai aussi du point de vue d'un produit. Quand un produit est créé, c'est aussi le même cycle. C'est aussi le même cycle pour l'ingestion de nouvelles données. Par exemple, quand on a des nouvelles données à propos de la planète, sur Google Maps. On peut aussi faire des choses Quelque chose qui est un peu similaire à ce cycle-là. Donc ça dépend beaucoup. Ça peut prendre quelques semaines pour quelque chose de très simple, très rapide. Ça peut prendre plusieurs mois, plusieurs années.
- Speaker #0
Et justement, comment est-ce qu'on arrive à savoir qu'un projet a eu un succès ?
- Speaker #1
Ah !
- Speaker #0
Lorsqu'on met en place, on a une nouvelle idée. Comment est-ce que vous vous dites qu'en fait, on a réussi notre projet ? Quels sont les mecs que vous mettez en place ?
- Speaker #1
Comme on est Quantity View X Researcher, on veut vraiment avoir le point de vue de l'utilisateur. Donc, on va avoir des mesures les plus directes possibles. Ça va venir en général de sondage. Même quand on fait des tests AB, on peut faire des sondages au sein de chaque bras de l'expérience.
- Speaker #0
Et là, peut-être que je comprends ce que ton métier, c'est beaucoup de sondages, beaucoup de statistiques. Et quand on préparait cette interview, tu me disais que tout le monde dans la data science, on pense uniquement à la data science, mais il y a des métiers qui sont aussi intéressants, voire plus intéressants que la data science, qu'on n'explore pas souvent. Comment tu as connu ce métier-là et quelles sont les compétences essentielles pour réussir en tant que Quantitative UX Researcher ?
- Speaker #1
Je pense que la façon dont je l'ai connu, c'est entièrement une coïncidence. C'est uniquement parce que les projets vers lesquels je me portais moi, on m'a dit « Ah, mais ce que tu fais, ce n'est pas tellement reconnu comme Data Science. » Et ça ressemble plus à Quantitative UX Researcher. J'ai dit « Quantitative UX quoi ? » J'ai commencé à me renseigner sur ce que faisaient ces gens-là, qui étaient assez fonctionnellement différents. Et puis aussi, c'est aussi très différent par rapport aux gens avec lesquels on travaille. Pour schématiser très rapidement, un data scientist à Google va travailler avec les ingénieurs informaticiens, il va être plutôt dans la fin du cycle, et avec des product managers. Et le quantitative UX researcher, il va être beaucoup plus en début du cycle. Il va être plus dans l'évaluation de l'idée. Si on court. Hyper schématique ce que je dis. Et donc, on va travailler plutôt avec des gens qui sont dans la branche UX de Google. Donc, ça va être beaucoup des designers. D'accord. Donc, c'est des gens qui ont des compétences de design, de graphisme, et qui sont complètement différents. Une autre fonction qu'on est amené à rencontrer beaucoup en tant que quantitative UX researcher, c'est la fonction de UX researcher. Un UX researcher, quand il n'y a pas le quantitative devant, ça veut dire qualitative UX researcher. Il y a beaucoup plus de qualitative UX researcher qu'il y a de quantitative UX researcher à Google. Et que font ces gens ? C'est aussi des gens qui sont les avocats de l'utilisateur, mais qui vont utiliser des méthodes plus qualitatives, qui vont faire des interviews comme aujourd'hui, avec des utilisateurs ou des utilisateurs potentiels. Donc, c'est des gens qui vont être plus, ils vont interviewer peut-être entre 5 et 10 personnes pour un sujet donné, mais ça va être beaucoup plus profond que ce que moi je suis capable d'obtenir avec un sondage de 1000 personnes.
- Speaker #0
D'accord. et ça me pousse à te demander en fait au delà de ce poste de Quantitative UX Researcher est-ce que tu as vu est-ce que c'est une spécificité de Google ou bien toutes les boîtes de la tech ont ce poste là et est-ce qu'il y a d'autres postes comme ça qui n'est pas forcément qualifié de data scientiste une personne qui a des compétences en statistique, en informatique peut réaliser dans la tech alors bonne question,
- Speaker #1
je sais que Quantitative UX Researcher c'est pas unique à Google parce que par exemple il y a une conférence annuelle qui s'appelle Quant UX Con qui a lieu au mois de novembre, qui a commencé il y a quelques années et qui regroupe tous les quantitative UX researchers qui peuvent exister dans différentes industries, dans la tech ou souvent des côtés adjacents un peu à la tech. Donc, ce n'est pas unique à Google. Je pense, je ne sais pas si je dis une bêtise, je pense que ça a été inventé à Google. Je pense que les créateurs du job et du titre étaient à Google. pour répondre aux besoins dans UX s'il n'y avait pas de data science. Après, sur la question est-ce qu'il y a d'autres rôles un peu spécialisés qui ressemblent à la data science ? Ok, je pense que oui. Je ne les connais pas tous, mais je sais que, par exemple, on a des économistes à Google qui ont aussi ce socle de connaissances statistiques et d'informatique. Je sais qu'on a des gens qui sont spécialisés dans le marketing quantitatif.
- Speaker #0
D'accord.
- Speaker #1
Je sais qu'on a d'autres gens qui sont spécialisés dans ce qu'on appelle trust and safety. Donc, c'est par exemple les gens qui vont être sur des problématiques de fraude et de spam, qui ne vont pas être ni des data scientists, ni des quantitative UX researchers, ils vont être spécialisés dans ce domaine-là. Il y a de la spécialisation, ça c'est sûr.
- Speaker #0
Super, ok. donc moi je vais regarder aussi d'un côté c'est intéressant ok bah du coup dans ton métier quelles sont les compétences data et IA donc je vous mets ma fiche de question là ok quelles sont les compétences data et IA qui sont indispensables pour ton métier alors j'ai
- Speaker #1
envie de dire c'est un peu le B.A.B. de la statistique on fait beaucoup de sondages donc qui dit sondage dit échantillonnage et comment on fait de l'échantillonnage on veut avoir des mesures de l'incertitude sur nos estimations. Donc, c'est beaucoup de statistiques inférentielles. Après... Pour tout ce qui est exploration de données, on va avoir méthode d'analyse factorielle, segmentation, comprendre une base d'utilisateurs. C'est un peu les mêmes méthodes que dans les départements de connaissances clients un peu plus classiques. Après, avoir un peu de connaissances en modélisation, ça ne fait jamais de mal. On a des problématiques qui parfois se rapprochent un peu d'inférences causales. Après, ça dépend un peu parce qu'il y a des compétences de base que j'ai envie de dire, tous les quantités de UX Research on va avoir et puis après y avoir des... des spécialisations même au sein de Quantitative UX Research. Ça, c'est la compétence fondamentale mathématique. Après, il y a la compétence fondamentale informatique, manipulation de données. On a des données de tous types, des données qui viennent de sondages qui sont assez propres, entre guillemets, mais qui peuvent aussi contenir du texte. On a des réponses à des questions ouvertes. Donc, on va avoir souvent avec l'IA, il y a eu beaucoup de développement sur comment on peut classifier des réponses à des questions ouvertes qui viennent de sondage. Donc, il faut avoir cette compétence-là. Qu'est-ce qu'on peut dire d'autre ? Du point de vue de l'informatique, comment on va faire l'analyse de traces de comportement utilisateur ? Là, ça peut devenir hyper complexe parce que nos bases de données de traces d'utilisateurs, elles sont hyper complexes. C'est moins une question d'aptitude technique plutôt qu'une connaissance métier qui s'apprend petit à petit à naviguer des systèmes complexes.
- Speaker #0
Donc finalement, aujourd'hui, si j'ai des compétences de base en stats, la partie métier, je suppose que je vais l'apprendre sur le terrain.
- Speaker #1
Alors, idéalement, non.
- Speaker #0
Non ? Du coup, voilà.
- Speaker #1
Parce que, par exemple, quand on fait passer des entretiens en tant que Quantity Fiscal Researcher, on s'attend quand même à ce que la personne soit capable d'adresser des problématiques. Toutes les problématiques que j'ai pu mentionner auparavant qui font partie du cycle de vie. C'est-à-dire, en entretien, je pourrais demander comment est-ce que tu pourrais aborder ce problème-là. Donc, c'est quand même mieux d'avoir, comment dire, dans son vécu, des projets qui peuvent se rapporter à ça.
- Speaker #0
Et toi, pour intégrer... Bon, tu étais là chez Google. Tu as fait des projets perso en parlant de ton travail ?
- Speaker #1
Non. Pour le recrutement lui-même ?
- Speaker #0
Oui.
- Speaker #1
Non. Je pense que j'ai eu un peu de la chance dans mon parcours. C'est qu'en tant que... J'avais fait huit ans de consulting. Oui. J'ai vu... Et puis à la fin, ce n'était plus des missions qui duraient six mois. C'était des missions qui duraient deux semaines. Donc, j'ai vu... Beaucoup de sujets dans beaucoup d'industries différentes. Et il y a quand même certains sujets qui se rapprochaient, alors pas de Quantitative X Research, parce que ce n'est pas ça que j'ai fait au début, c'était qu'ils se rapprochaient des problèmes de Data Science à Google. Il y a eu beaucoup de similarités parce que j'avais eu cette chance d'avoir cette diversité de sujets. Donc, j'ai pu répondre à des questions un peu comme si j'avais été un Data Scientist.
- Speaker #0
D'accord.
- Speaker #1
Moi, je me définirais un peu comme une sorte de généraliste. D'accord. J'aime pas trop les étiquettes. Moi, je suis flexible entre quantitative researcher, data scientist, quantified analyst, statisticien, data miner, on peut m'appeler ce qu'on veut. C'est pas un problème, je peux naviguer ça. Et moi, ce que j'aime bien, c'est aussi la diversité des sujets. Donc, c'est quelque chose que je recherche. J'ai toujours recherché, plutôt que de chercher à me spécialiser dans un seul domaine. Et je pense que ça aide, spécialement quand de... on cherche un poste qui n'est pas forcément hyper proche de celui d'où on vient. Ok, oui. Donc, je n'ai pas cherché à développer des projets spécialement pour devenir data scientist.
- Speaker #0
C'est plus les concours de circonstances que tu as découvert d'autres. Et d'ailleurs, ce que je veux savoir, et beaucoup de personnes dans ma communauté veulent savoir, Google, c'est une grosse boîte. C'est l'une des plus grandes boîtes qui a le plus d'impact dans le monde. Que ce soit avec Google Maps, que tout le monde utilise, Google Search. que tout le monde a déjà utilisé et qui l'utilise d'ailleurs, de me savoir comment s'est passé ton process de recrutement sur Google ? Ou plus globalement, si aujourd'hui je veux intégrer Google, comment est-ce que je m'y prends ?
- Speaker #1
On a un process qui est le même, qui n'a pas beaucoup changé en dix ans. Il y a un premier filtre au niveau du CV. Après, il y a un premier entretien. Historiquement, c'était un entretien téléphonique. Maintenant, c'est devenu un entretien par visioconférence. et puis il y a Donc cet entretien là qui porte un peu sur tous les sujets. Et puis si on passe ce stade là, on va avoir, ça dépend un peu de la fonction, en quantitative UX research, on va avoir une présentation devant un panel. et ensuite un entretien avec chaque personne du panel de manière individuelle. Chaque entretien va être sur une compétence.
- Speaker #0
statistiques ou manipulation de données.
- Speaker #1
Donc, j'ai mon CV, j'ai l'interview en ligne visuelle et pour chaque personne qui était dans mon interview visuelle...
- Speaker #0
Oui, alors il n'y a pas 10 milliers de personnes, il y a 3 personnes.
- Speaker #1
C'était la question que j'avais à te poser.
- Speaker #0
Il y a 3 personnes et on fait tout le même jour. On essaye de mettre tout le même jour la présentation et chaque entretien.
- Speaker #1
Chaque entretien qui est ciblé sur une compétence bien précifique. Et les 3 doivent donner d'accord pour que... qu'on soit...
- Speaker #0
Non, ça dépend. Ensuite, il y a un autre panel de gens qui vont faire une review du feedback et du CV de tout. Moi, quand j'interview un candidat, ce n'est pas moi qui prends la décision. C'est un panel de gens encore plus expérimentés et qui va faire la part des choses aussi. Parce que... Il se peut que, par exemple, un interviewer soit assez, je ne sais pas, peu expérimenté. On va dire, ah, OK, peut-être il y a eu un mauvais feedback qui vient de cette personne-là, mais on a eu ce super positif feedback de cette personne qui est très expérimentée en interview. Ça va peut-être jouer en sa faveur.
- Speaker #1
OK.
- Speaker #0
Il n'y a pas besoin d'un consensus universel. C'est mieux, c'est sûr. Quand on peut avoir ça, c'est mieux. Mais c'est beaucoup plus nuancé que ça.
- Speaker #1
D'accord, OK. Donc si je résume le process, j'ai vraiment mon CV, si j'ai retenu interview avec un premier panel ?
- Speaker #0
Non, il y a une première interview avec une seule personne. Ensuite, après, le dernier round, c'est avec les trois personnes qui incluent une présentation.
- Speaker #1
D'accord, trois personnes qui incluent une présentation. Ensuite...
- Speaker #0
Ça, c'est pour Quantitative UX Research. Ah, c'est pas général ?
- Speaker #1
Non. Ah, d'accord.
- Speaker #0
Le process, il est similaire en fonction des rôles, mais il n'y a pas toujours une présentation.
- Speaker #1
D'accord, ok.
- Speaker #0
Par exemple.
- Speaker #1
Parce qu'on m'avait dit qu'il y avait le coding game Est-ce que c'est une pratique qui est courante chez Google ?
- Speaker #0
On appelle pas ça coding game Mais je vois ce que tu veux dire Pour valider la compétence Technique de programmation Il y a un exercice de codage En live
- Speaker #1
Ok Et du coup c'est quel type de questions ? Ce sont des questions très C'est quel type de questions qu'on peut poser ?
- Speaker #0
Pour le code
- Speaker #1
En commençant par le code ouais euh euh
- Speaker #0
Ça va être des problèmes... Comment je peux expliquer ça sans révéler les questions ? C'est des problèmes qui vont chercher à valider des compétences. Et les compétences, c'est quoi ? C'est être capable d'écrire une fonction, être capable de produire un algorithme simple, avec des boucles, avec des conditions, pour répondre à un problème exprimé en langage naturel.
- Speaker #1
D'accord.
- Speaker #0
Ça peut être de la manipulation de données, tout ce qui a trait à, je ne sais pas, quand on a un vecteur, on a une table, on veut la trier dans un sens, la trier dans l'autre, la reformater de horizontale à verticale, ce genre de choses.
- Speaker #1
En gros, c'est un peu de la logique algorithmique qu'on veut tester. Oui,
- Speaker #0
on ne cherche pas à avoir une syntaxe hyper précise. C'est mieux si le code fonctionne à la fin. Mais ce n'est pas forcément l'objectif. La compétence principale, c'est est-ce que cette personne est capable de raisonner à partir d'un problème donné et de produire un code qui pourrait fonctionner.
- Speaker #1
D'accord. Est-ce que la personne est experte en Python, en R ?
- Speaker #0
Non, parce que si on voulait des experts en Python et en R, on chercherait, je ne sais même pas. Si c'était vraiment des experts informaticiens, ce serait sur des jobs de software engineering.
- Speaker #1
D'accord.
- Speaker #0
Et là, les interviews sont beaucoup plus poussées, c'est sûr.
- Speaker #1
Ok. Pour les jobs de data scientist, data analyst, on veut voir la logique, si j'ai raison, et ta capacité à créer des solutions à partir de code. Et sur la partie technique du métier, partie stats ?
- Speaker #0
C'est la même chose. On va avoir des questions de connaissances fondamentales. Est-ce que la personne est capable d'expliquer telle ou telle méthode ? ou d'expliquer tel ou tel concept. Et puis, on va avoir des problèmes, on va avoir des questions ouvertes sur soit une problématique, on va leur demander dans leur passé est-ce qu'ils ont eu ce genre de problème et comment ils l'ont résolu. Ou alors, on va avoir hypothétiquement, si vous aviez tel problème, telle personne vient vous voir et vous dit qu'il a besoin de ça aussi, comment est-ce que vous pourriez le résoudre ?
- Speaker #1
D'accord, ok. En fait, tel que tu l'as décrit, j'ai l'impression... que ce n'est pas un processus qui est super compliqué, entre guillemets, mais statistiquement, ce n'est pas très évident d'intégrer Google. Est-ce qu'il y a des astuces qui permettent de sortir du lot ?
- Speaker #0
Pour sortir du lot, je ne sais pas. Ce que j'ai envie de dire, c'est que... Il ne faut pas être trop mauvais dans aucun des domaines. OK. On cherche des gens qui sont bons un peu dans tous ces aspects-là.
- Speaker #1
D'accord.
- Speaker #0
Et c'est OK d'avoir un point qui fonctionne un peu moins bien parce que forcément, en fonction de notre parcours, quelqu'un qui est informaticien à la base, ça va forcément être son point fort et la statistique va être probablement son point fait. C'est OK. Mais il faut quand même qu'ils atteignent un certain niveau pour tout.
- Speaker #1
OK.
- Speaker #0
Voilà. Après, c'est vrai qu'il y a beaucoup de candidats, il n'y a pas beaucoup de postes. Comment se différencier ? Je ne sais pas. Je ne sais pas. Je n'ai pas de réponse à ça. Je n'ai pas de réponse à ça.
- Speaker #1
Je pose aussi la question parce que je suivais récemment un podcast d'une personne qui prépare des personnes à intégrer Google. Et il disait justement, pour lui, l'une des astuces pour pouvoir sortir du lot, c'était d'avoir un parrainage.
- Speaker #0
Parrainage, ok.
- Speaker #1
Est-ce que c'était ça le nom ? Cooptation, en gros, avant de candidater, j'aimerais avoir une cooptation. Qu'est-ce que toi tu penses de ça ?
- Speaker #0
Alors les cooptations, ça aide à passer le stade du CV. Donc ça aide à décrocher un entretien. Après un entretien, ça n'aide plus tellement parce qu'en fait, on est dans l'évaluation de compétences techniques en fonction de ce que la personne nous dit. En plus de ça, la cooptation pour être vraiment utile, à mon avis, il faut que ce soit une cooptation sérieuse. D'accord. Parce que moi, si je coopte quelqu'un aujourd'hui, je vais devoir fournir une justification. Comment est-ce que je connais cette personne et qu'est-ce qu'elle est capable de faire ? Donc si je dis, j'ai rencontré cette personne il y a cinq minutes sur LinkedIn, ça ne va pas vraiment aider. Honnêtement, ça ne va pas vraiment aider. J'ai déjà fait ça, j'ai été honnête, j'ai dit non, je ne connais pas vraiment cette personne. Et puis en général, ça n'aide pas beaucoup à passer le stade du CV.
- Speaker #1
D'accord, ok. Donc une computation sérieuse.
- Speaker #0
Une sérieuse, c'est-à-dire que On peut dire, voilà, j'ai connu cette personne parce que j'ai travaillé plusieurs années avec elle. Elle se dégageait vraiment du lot. On a eu tel ou tel projet en commun. Ou alors, on a eu une relation mentor pendant un tel temps. Ce genre de choses, c'est des arguments beaucoup plus valides du point de vue du recruteur. Ce qu'il faut convaincre, c'est le recruteur pour passer le stade du CV. après Après, honnêtement, je pense que ce n'est plus un facteur une fois qu'on arrive aux entretiens.
- Speaker #1
Donc, ça peut aider effectivement pour sortir son épingle du jeu dans les milieux de CV que vous retenez. Mais après, c'est l'entretien qui fait la différence.
- Speaker #0
En réfléchissant encore à ta question sur ce qui peut différencier quelqu'un, j'ai l'impression qu'ayant vu beaucoup de candidats, là où il y a le plus de différence, c'est sur la communication.
- Speaker #1
D'accord.
- Speaker #0
On va avoir des gens qui, a priori, savent très bien résoudre des problèmes mais ne sont pas capables d'expliquer la façon dont ils vont les résoudre.
- Speaker #1
Ok.
- Speaker #0
Donc ces gens-là vont tendance à être un peu filtrés.
- Speaker #1
Ok. Donc s'il y avait un conseil aujourd'hui que tu donnerais à ceux qui veulent réussir c'est d'améliorer la communication.
- Speaker #0
Je sais que ce n'est pas facile. Je ne sais pas s'il y a une solution, genre une formation miracle en communication. Mais ça se travaille, c'est-à-dire qu'il faut être capable de revenir sur son parcours, de dire est-ce que je suis capable d'expliquer à quelqu'un qui n'y connaît rien, en termes assez clairs, ce que j'ai fait à ce moment-là et quelle a été ma contribution. C'est aussi pour ça qu'on a une présentation dans le process en tant que quantitative researcher, c'est parce que notre métier est axé beaucoup sur la communication. Il faut être très bon en communication pour comprendre les besoins de l'équipe dans laquelle on est. Il faut aussi être bon pour communiquer les résultats de manière à convaincre les gens autour de soi.
- Speaker #1
Ok. Donc là, ça rejoint beaucoup ce que j'ai dit aussi souvent, c'est que les compétences techniques sont très bien. Ça te permet en tout cas de...
- Speaker #0
C'est absolument requis.
- Speaker #1
C'est le minimum requis pour faire le travail. Mais pour exceller dans ce qu'on fait, c'est la communication qui va permettre de distinguer finalement.
- Speaker #0
Entièrement d'accord.
- Speaker #1
Et j'avais aussi une question pour toi. ça c'est une question qui revient souvent dans ma communauté c'est Natacha, est-ce que les grandes écoles est-ce que le fait d'avoir fait une grande école par exemple pour Google, si vous intégrez Google aujourd'hui, est-ce que le fait d'avoir fait une grande école aide ? Est-ce que c'est important ?
- Speaker #0
Alors honnêtement je pense qu'avoir fait une grande école c'est un atout du point de vue de la formation en général c'est des formations de qualité il n'y a pas de problème avec ça après, objectivement les personnes qu'on va recruter à Google Merci. En général, ce ne sont pas des gens qui sortent d'école. En général, ce sont des gens qui ont déjà un petit peu d'expérience. Qu'est-ce qui va compter ? C'est la façon dont vous avez pris ce que l'école vous a enseigné et comment vous l'avez appliqué. Parce qu'on a aussi des gens qui sortent de grandes écoles et qui n'ont rien fait du tout de ce savoir, qui sont partis dans une direction complètement différente et qui ont perdu le savoir. Au bout de quelques années, ça se perd si ça ne s'entretient pas. Donc, je pense que de ce point de vue-là, ça nous donne une bonne base qu'ensuite il faut compléter. Après, le nom lui-même de la grande école, je ne pense pas que ça intéresse vraiment Google. Parce que je pense que déjà, à Google, dans les processus de recrutement, je ne pense pas qu'il y ait de connaissances spécifiques du système français. Peut-être qu'il y a certaines écoles réputées américaines qui vont vous permettre de vous différencier. Mais je ne pense pas que l'ENSEI, une très bonne école de très bonne réputation en France, je ne pense pas qu'elle soit si connue que ça par Google.
- Speaker #1
Ok. Donc finalement...
- Speaker #0
Non, je ne pense pas que ce soit requis.
- Speaker #1
Ok. Et là, tu as dit un point important que moi, je ne savais pas personnellement. Donc, pour intégrer Google, c'est le nombre d'années d'expérience qui joue.
- Speaker #0
Ce n'est pas juste le nombre d'années, c'est ce qu'on a fait.
- Speaker #1
Du moins, ce que tu veux dire, c'est qu'on ne cherche pas forcément ceux qui sortent de l'école.
- Speaker #0
Moi, je ne connais pas beaucoup de profils qui sont hyper juniors. Voilà. En général, c'est des gens qui ont fait au moins une thèse. et peut-être même un post-doc, ou alors des gens qui sortent d'un master ou équivalent et qui ont eu quelques années d'expérience après.
- Speaker #1
Ok, donc, ouais, je comprends très bien. Et c'est vrai que même avec ces personnes-là, il faut quand même rester bon techniquement pour pouvoir intégrer le process. Super. Alors, maintenant, je veux qu'on parle d'un sujet aussi que je vois dans ma communauté. Avant de parler, c'est beaucoup de personnes, en fait, quand elles commencent à travailler, elles accumulent les certifications. Parce qu'on croit que quand on veut être data scientist, peu importe le métier, il faut avoir des badges pour montrer qu'on est crédible. Est-ce que côté Google, les certifications sont valorisées ?
- Speaker #0
Honnêtement, je ne pense pas. Je pense que si les grandes écoles ne sont pas valorisées, les certifications ne vont pas être plus valorisées non plus. Après, je ne connais pas beaucoup les certifications. J'ai vu un peu comment quelques-unes fonctionnent. En général, moi, ça ne m'impressionne pas. beaucoup. C'est bien, en général, elle couvre bien des connaissances théoriques. Et puis, peut-être, il y a un aspect projet ou quelque chose d'un peu plus appliqué. Ça reste quand même souvent assez éloigné de problèmes qu'on va rencontrer. Et puis, comme je disais un peu avant, ce qui aide beaucoup, je pense, dans le processus de recrutement, c'est d'avoir vu un grand nombre de situations différentes dans sa vie. je pense qu'il faudrait accumuler un grand, grand nombre de certifications avant que ça fasse vraiment une différence. Je pense qu'entre ne pas faire une certification et faire une certification, peut-être faire une certification, c'est un peu mieux. Je ne pense pas que ça fasse une grande différence.
- Speaker #1
Donc finalement, en fait, pour toi, c'est l'expérience qui joue.
- Speaker #0
C'est hyper difficile à remplacer.
- Speaker #1
Exact. Ok. Je vais parler d'un autre sujet maintenant. On a compris, grande école. On est bien formé, c'est bien, mais finalement, ce qui compte, c'est l'expérience, les situations de vie, les situations réelles auxquelles on était confronté et ce qu'on peut apporter. La communication, je comprends également que c'est la clé pour réussir chez Google. Google est très connue comme étant l'une des meilleures encore plus au monde au niveau des traitements de ses employés. Est-ce que toi, après, ça fait combien d'années que tu es chez Google ?
- Speaker #0
Ça fait 11 ans.
- Speaker #1
11 ans, après 11 ans. Est-ce que tu as le même sentiment ? Et plus globalement, si aujourd'hui j'étais Google, quel type de rémunération j'ai pu pritendre,
- Speaker #0
par exemple ? Moi, ça fait 11 ans que je suis là et j'y suis encore. T'as l'avis de quelqu'un qui est biaisé, par rapport à quelqu'un qui serait parti.
- Speaker #1
C'est sûr.
- Speaker #0
Après, non, on n'a pas à se plaindre du point de vue compensation, avantages divers. Après, je ne peux pas parler de compensation dans des chiffres précis qui viennent de moi. Mais récemment, Je suis allé sur une plateforme qui s'appelle levels.fy, en français. C'est un site web, mais c'est aussi une application. C'est un peu comme Glassdoor, mais un peu spécialisé dans les entreprises de la tech. Donc, vous pouvez trouver des références de salaires et de compensations pour Amazon, Google, Meta, Netflix et j'en passe. Ce que j'ai pu voir, c'est qu'ils donnent des salaires médians en fonction des années d'ancienneté et du marché. c'est que par exemple à Autour de Paris, un data scientist qui gagne à peu près autant qu'un software engineer, qui commencerait à Google, donc encore une fois quelqu'un, pas qui sort d'école, mais quelqu'un qui a peut-être déjà quelques années d'expérience, gagne au total à peu près 90 000 euros brut par an. Avec un salaire d'autour de 70 000 et une part variable d'autour de 20 000.
- Speaker #1
Et en faisant mes recherches, il y a aussi des systèmes de... Comment on appelle ça ? Intérêt ? J'ai oublié le nom. Capital ?
- Speaker #0
On n'a pas d'intéressement. Et participation ? Non, ça ne fonctionne pas pareil. En général, les entreprises de la tech...
- Speaker #1
Stock options, voilà.
- Speaker #0
Ce ne sont pas des stock options techniquement. Ça s'appelle des Restricted Stock Units. Donc ça, c'est un package auquel on a droit, mais qui se débloque progressivement.
- Speaker #1
D'accord.
- Speaker #0
Donc, par rapport à une option, une option, ça juste donne le droit d'acheter à un prix donné. Une Restricted Stock Unit, c'est qu'on y acquiert les actions progressivement. En général, ça se débloque progressivement sur quatre ans.
- Speaker #1
D'accord.
- Speaker #0
Avec un refresh chaque année.
- Speaker #1
Ok. Donc, si on commence à 90 000, comment ça évolue ? Est-ce que chaque année... Les augmentations sont systématiques ?
- Speaker #0
Non, il n'y a pas d'augmentation systématique. Ce qu'on peut dire, encore une fois, en se basant sur les chiffres de levels.fy, c'est qu'en supposant quelqu'un qui a une bonne performance, pas forcément exceptionnelle, mais quand même bonne, pas hyper mauvaise, et qui, on va se dire, peut-être a été promue au moins une fois sur cinq ans, ce n'est pas impossible. on peut avoir une augmentation sur cette période de 5 ans d'à peu près 50%. Mais tout ça, c'est basé sur le mérite. Les entreprises que j'ai pu voir, les entreprises de la tech, les entreprises américaines, sont vraiment basées sur le mérite. Il n'y a pas une augmentation de X% donnée à tout le monde. Non, non, c'est... En fonction de la performance.
- Speaker #1
On n'essaye pas de... J'ai souvent vu ça, de mettre tout le monde au même niveau pour garder l'esprit. Parce qu'on peut créer des différences au sein de l'équipe. Ce n'est pas la même vision.
- Speaker #0
Non, parce que les gens qui méritent plus, c'est reconnu. C'est-à-dire qu'on a un système de promotion, on a des niveaux avec des chiffres et tout. Il y a un process, de la même manière qu'il y a un process pour recruter les gens, il y a un process pour promouvoir. pour que ce soit fait de la manière la plus faire possible. Mais il y a quand même de la variabilité entre les parcours de quelqu'un pour lequel ça n'aurait pas bien fonctionné et pour lequel ça va très bien fonctionner.
- Speaker #1
Et je sais que ça va toi, par exemple. Qu'est-ce qui t'a le plus marqué quand tu as intégré Google ? Parce que tu as fait d'autres boîtes avant, tu as fait le conseil, tu as intégré Google. Quelle est la première chose qui t'a marqué ?
- Speaker #0
La première chose qui m'a marqué ? La première chose, honnêtement, c'est la nourriture gratuite. C'est vrai. C'est tellement... C'est peut-être un truc très français de dire ça. D'avoir une cantine et tu rentres dans la cantine, tu peux prendre ce que tu veux et tu n'as pas de caisse. Et ce que tu manges est bon et c'est varié. Je pense que ça change tellement la vie. Et ce n'est pas que la nourriture au lunch. C'est-à-dire qu'on a des... On a le petit déjeuner, le lunch, on peut avoir le dîner parfois. Et puis, on a des micro-kitchens. Je ne sais pas, moi, personnellement, c'est ce qui m'a marqué. C'est l'accès à la nourriture plutôt que d'aller à la machine à café et de mettre ses 30 centimes dans la machine. J'avoue que ça change quand même. C'est cette attitude vis-à-vis du salarié. Ça envoie un message qu'on veut que vous soyez bien.
- Speaker #1
Oui, ok. Ah, super, la cantine.
- Speaker #0
C'est la nourriture en général. Moi, ça me parle. On dit souvent, quand tu rejoins Google, on dit les Google 15, c'est les 15 pounds. On gagne en gros 7 kilos quand on rejoint Google. Parce qu'on a accès illimité à la nourriture et pour beaucoup de gens, ça change complètement la vie.
- Speaker #1
On n'a plus besoin de cuisiner à la maison. Parce qu'à ce point quand même.
- Speaker #0
Ouais, ouais.
- Speaker #1
Super, ok. Très clair. Et en termes de mindset ?
- Speaker #0
Ouais. Ah, c'était ça la question.
- Speaker #1
La nourriture, c'est très bien. Franchement, j'aime manger. Il y a une conférence, j'étais sur LinkedIn au mois de mars. Et ce qui m'a marquée aussi, c'est que les salariés avaient accès à la nourriture. Tu vois,
- Speaker #0
tu vois. Important la nourriture.
- Speaker #1
Exactement.
- Speaker #0
Il faut noter aux employeurs, donner de la nourriture gratuite.
- Speaker #1
On note ça, donner de la nourriture gratuite, ok. Et en termes de mindset, parce qu'ils pensent que les boîtes-à-boîtes fonctionnent différemment, au niveau de la nourriture, ok.
- Speaker #0
On va avoir du mal à partir de ça.
- Speaker #1
Maintenant, le mindset. Qu'est-ce qui t'a... La culture de la boîte.
- Speaker #0
Ah, la culture.
- Speaker #1
Peut-être pas la culture, mais voilà, en termes de façon de travailler, qu'est-ce qui t'a impressionné quand tu es arrivé ?
- Speaker #0
Déjà, le niveau de compétence autour de moi qui était très élevé. Je pense que, du point de vue du recrutement, tout est fait pour qu'on garde des gens qui soient plutôt très bons. On peut avoir des discussions sur beaucoup de sujets très intéressants, professionnellement ou pas professionnellement, parce que globalement, tous les gens autour de soi sont hyper compétents et ont des intérêts divers dans la vie. Après, je pense que du point de vue de la culture, c'est une culture qui promouvoit une sorte de responsabilité individuelle. Il ne faut pas attendre qu'un projet nous tombe tout cuit dans le bec, qu'on ne va pas nous dire exactement quoi faire. Il y a beaucoup de choses où il faut un peu se débrouiller tout seul et chercher des opportunités par soi-même. Ça, c'est assez valorisé. Parce que la tech, on voit bien, surtout en ce moment, c'est un environnement hyper dynamique. Mais ça veut dire qu'il y a aussi parfois un certain manque de clarté par rapport à l'avenir. Sur quoi on doit bosser dans six mois, dans un an, ce n'est pas toujours hyper clair. Et donc, parfois, c'est à nous-mêmes de chercher les opportunités. et de les pitcher autour de soi pour dire, je pense qu'on devrait vraiment travailler sur ce projet-là. Et en convainquant et en obtenant les ressources, on peut faire avancer des choses. Donc, c'est un aspect un peu leadership.
- Speaker #1
Ok, ok. Faire preuve d'initiative, avoir une vision et y croire et partager sa vision autour de soi.
- Speaker #0
Quand on démarre, ce n'est pas évident parce qu'on ne peut pas avoir une vision Quand on ne connaît rien à l'environnement. Donc au début, c'est un peu difficile. Il faut vraiment prendre son temps, essayer d'aller parler à un maximum de gens pour comprendre comment l'organisation fonctionne et quelles sont ses priorités.
- Speaker #1
Et en termes de travail, comment est-ce que vous travaillez côté Google ? Est-ce qu'il y a des temps de travail imposés ? Est-ce que le cliché de « dans la tech, on bosse beaucoup » ?
- Speaker #0
Ah bon, c'est le cliché ? J'ai l'impression que parfois le cliché, c'est l'inverse. Ça dépend de qui on parle.
- Speaker #1
Ah ouais, ça dépend de la boîte aussi.
- Speaker #0
Ouais, ça dépend de la boîte.
- Speaker #1
Ça dépend de la boîte. En fait, Google, concrètement, est-ce qu'il y a des horaires de travail imposés ? Est-ce qu'il y a un rythme de travail spécifique ?
- Speaker #0
Non, non, pas... Après, je pense que ça dépend aussi beaucoup des législations. La législation va être différente en Suisse. Le contrat qu'on va avoir en Suisse est différent du contrat qu'on peut avoir en France ou aux États-Unis. Donc, ils s'adaptent forcément aux législations locales. Après, de manière globale... sur des postes, plus on va avoir de responsabilités, plus on va avoir une certaine flexibilité. Dans mon travail, je travaille avec des gens qui sont en Australie, je travaille avec des gens qui sont à New York, je travaille avec des gens qui sont en Californie. Bon, pas en même temps, c'est pas possible d'avoir tous ces gens-là en même temps. Donc, ce matin, avant de faire cette interview, j'étais avec quelqu'un qui était en Australie, on a fait notre première réunion autour de 9h. Et c'était déjà tard pour lui. Ok. Et pareil, si je fais des réunions avec des gens qui sont en Californie, ça va peut-être être autour de 6 heures le soir. Bon, c'est un peu à moi de gérer mon temps de manière personnelle pour faire ce qui est attendu de moi, mais sans me ruiner la santé. OK. Donc, il y a une certaine attente de flexibilité qui aussi dépend de ce qu'on peut fournir en tant que flexibilité. Je pense que le volume est tout à fait acceptable. Sinon, on ne peut pas faire 11 ans avec un volume... démentiel, c'est pas possible, on peut pas faire 80 heures enfin je sais pas, moi je peux pas faire 80 heures pendant 10 ans sans mourir d'une crise cardiaque je pense qu'on a des horaires qui sont raisonnables on peut avoir des pics de demandes un peu comme partout on peut avoir du crunch parce qu'il y a des deadlines après je pense que vu la perception extérieure de Google c'est quand même plutôt positif de ce point de vue équilibre entre la vie personnel et la vie professionnelle.
- Speaker #1
Ok, super. Donc, je pense qu'on a pas mal parlé de l'intégration de Google. Je comprends que l'équilibre vip et soi est très valorisé.
- Speaker #0
En tout cas, pour moi, c'est important. Ça aussi dépend des limites de chacun.
- Speaker #1
Ouais,
- Speaker #0
ok. Quand on a une famille, moi j'ai deux enfants, j'ai deux filles, j'ai une femme. Et pour moi, c'est des choses importantes. Donc, il y a des moments où je dis non.
- Speaker #1
Ouais, je comprends. Ok, c'est super cool. Donc maintenant, on a parlé de ton métier, Quantitative User Researcher, on a parlé de quoi d'autre ? Intégration de Google, j'ai compris que...
- Speaker #0
On a parlé de la nourriture.
- Speaker #1
La nourriture, oui, effectivement, j'allais revenir là-dessus, la nourriture. C'est vrai ? Et le leadership aussi, qui est très important. Maintenant, je veux qu'on parle, aujourd'hui, Google à Gemini, qu'on parle de l'IAG Native, il faut qu'on parle, tu es au cœur justement du réacteur, je veux m'avoir ton retour, ça fait il y a deux ans, trois ans, depuis novembre 2022, qu'on parle beaucoup de l'IAG Native. Oui. ça a commencé avec ChatGPT bien sûr, Google a commencé avec le papier Attention is all you need, c'était en 2017 donc Dans ton métier à toi, Quantitative UX Researcher, comment est-ce que le lien génatif a changé ton quotidien et celui des utilisateurs des applis que tu développes ?
- Speaker #0
On a beaucoup de fonctionnalités à base de Large Language Models qui sont en développement, même dans Google Maps. Donc, une partie du travail du Quantitative UX Researcher, ça va être l'évaluation de ces nouvelles fonctionnalités. Moi, ce que je trouve intéressant, c'est que On n'est pas assez d'un métier où, en gros, quand on faisait de l'analyse de ce que les utilisateurs faisaient, on analysait souvent des interactions type clic ou peut-être parfois des requêtes qu'ils faisaient dans la barre de recherche sur Google Maps. Maintenant, on va se porter sur de l'analyse de conversation entière. Ça, c'est quelque chose qui est en train de changer. Donc, on se pose beaucoup de questions de ce que ça implique. Après, en tant qu'utilisateur nous-mêmes d'un agent d'intelligence artificielle pour améliorer nos performances dans nos métiers, ça va être Je pense assez similaire à d'autres métiers de la gestion de la connaissance. Comme je te dis, on passe beaucoup de temps à communiquer, donc beaucoup d'emails. Maintenant, j'écris un email vite fait, je demande à Gemini de me faire des révisions, et de me l'embellir. Je pense que ce n'est pas super unique, mais c'est important parce qu'on passe beaucoup de temps à faire ça. Rédaction de documents, review de documents, rédaction de code, review de code. Il y a quand même une grande partie de notre métier qui est à base de texte. Après, il y a des choses qui sont plus spécifiques au métier de Quantity Viewer Researcher. Comme on travaille beaucoup avec des données de sondage, encore une fois, moi j'aime beaucoup ces questions ouvertes. C'est super riche comme format de questions. Donc, on va utiliser l'IA pour classifier les réponses. Maintenant, c'est devenu quasiment standardisé. D'accord. Parmi d'autres choses. Moi, ce qui m'intéresse... personnellement, qui n'est pas du tout le cas de tous les autres quantitatives UX researchers, c'est un intérêt personnel. Moi, ce qui m'intéresse, c'est l'intersection entre le quantitative UX researcher et le qualitative UX researcher. Par là, je veux dire, on a historiquement des sondages qui étaient quand même relativement statiques, où c'est le même contenu qui est délivré à 1000 personnes. Et à côté de ça, on avait des interviews qui étaient dynamiques où les questions sont générées à partir d'un script, mais aussi improvisées. Et en fait, on peut avoir un modèle hybride où on a un sondage dont une partie est statique et une partie est dynamique. C'est-à-dire que maintenant, le Large Language Models peut créer des questions de sondage pertinentes en fonction des réponses précédentes. Il peut créer des questions ouvertes, des nouvelles questions ouvertes. Donc, on peut avoir une mini-conversation. Mais il peut aussi créer des questions fermées. Donc, par exemple, s'il y a une question ouverte, quel est votre job ? Quantitative UX Research. Dans ma base de données, je n'ai pas Quantitative UX Research, je n'ai pas 200 catégories. Et je veux savoir quel est le meilleur match. Le Large Language Model est capable de faire le match en temps quasiment réel et ensuite de créer une question fermée pour demander une validation. Quantitative UX Research, est-ce que ça se rapproche plus de UX Design ou est-ce que ça se rapproche plus de Data Science ou de comptable ? Et comme ça, on peut avoir une classification en temps réel.
- Speaker #1
Automatique,
- Speaker #0
oui. Automatique et qui vient de l'utilisateur. Parce qu'auparavant, qu'est-ce qu'on faisait ? On faisait ça un peu après que les données soient collectées. Et on allait chercher, soit manuellement, soit par des algorithmes, quel était le meilleur match. Mais on n'était pas sûr à 100% parce qu'on n'est jamais dans la tête de la personne qui répond.
- Speaker #1
Ok, donc du coup, aujourd'hui, il y a déjà l'interview qui est faite par l'IA, ça vous aide à la classification et les tâches classiques. Une des tâches que tu as décrites, en fait, je lisais récemment un rapport d'IBM qui montra, non pas IBM, c'était Microsoft, qui avait essayé d'analyser les usages de l'IA dans le monde de l'entreprise. Et ce qui revenait, c'était 4. Quatre grandes catégories. C'est ce que tu décris. J'ai des informations.
- Speaker #0
Ils m'ont demandé à moi d'abord. Pardon ? Ils m'ont demandé à moi avant d'écrire le rapport.
- Speaker #1
Ça confirme ce que tu disais. La rédaction, les emails. Il y avait quoi d'autre ? Les emails, l'enseignement aussi. Quand on enseigne, par exemple, pour avoir les questions-réponses. Et le conseil. Récemment, j'avais besoin d'un studio à Zurich pour tourner. J'ai demandé à Lya de m'aider à trouver ce studio dans lequel on est. Donc, ça montre un peu l'évolution. Ok, donc maintenant, je veux également avoir ta vision sur un sujet. Ça, c'est l'une des questions qui revient tout le temps. Je pense que tout le monde pose la question. Est-ce que mon job va disparaître avec l'IA ?
- Speaker #0
Je ne sais pas.
- Speaker #1
Quelle est ta vision aujourd'hui de l'IA ? Quelles sont les compétences qui sont cruciales dans un monde où l'IA commence à être très performant ? Qu'est-ce pour toi les compétences pour être compétitif ?
- Speaker #0
Très difficile de se prononcer sur ce qui va se passer à la vitesse où les choses changent. C'est très, très, très difficile. Moi, j'ai l'impression qu'on va avoir besoin de compétences supplémentaires. Parfois, on pense que l'IA sait le faire, donc je ne suis pas obligé de savoir le faire. Je ne sais pas si ça va être complètement vrai parce que tu dis l'IA devient hyper performante. Pour certaines choses, c'est vrai. Pour certaines choses, c'est du 50% parfois ou du 90%. Et 90%, même parfois, ce n'est pas suffisant. Si je demande à l'IA de me fournir un code pour faire une analyse et que dans 10% des cas, ça va me créer un problème, soit elle ne va pas être capable de le faire, soit elle ne va le faire pas de la manière correcte, je suis quand même ultimement responsable de ce qu'elle produit. Je ne peux pas dire que c'est l'IA qui a créé le problème. Je suis responsable. Donc, on va devoir continuer à avoir ces compétences de base, même si l'IA va être capable de produire du code et produire beaucoup de choses pour nous. On doit être capable de reprendre les manettes quand il y a besoin, juste pour des questions de responsabilité. Après, je pense qu'il va se passer un peu la même chose qu'il s'est passé quand moi, j'ai commencé il y a très longtemps. c'est à dire que il y a une question Culture IA, ce n'est pas forcément une compétence spécifique technique qu'on peut apprendre comme ça, c'est une culture. C'est un peu de la même manière que quand Internet s'est démocratisé, il y avait des gens qui savaient utiliser un moteur de recherche et d'autres gens qui ne savaient pas. Et certaines personnes qui essayaient et qui cliquaient sur le premier lien, qui leur donnaient des informations fausses. Et donc, il y avait beaucoup de scepticisme à propos de ce qu'il y avait sur Internet qui est complètement validé. Mais en fait, ce qui manquait, c'était la capacité à faire le tri dans les informations. Donc, il y aura cette compétence-là qui est un peu de faire le tri entre ce que l'IA me dit, est-ce que c'est ça que je veux, est-ce que ce n'est pas ça que je veux. Il y aura une compétence certainement, encore une fois, sur la communication, sur la capacité, sur tout ce qui est au format conversationnel, à donner des instructions claires. Ou au moins, à donner des instructions qui auront plus tendance à produire des bons résultats. On a spéculé il y a deux ans, il y aura un nouveau métier de prompt engineer.
- Speaker #1
Exactement.
- Speaker #0
Je ne pense pas qu'il y aura un nouveau métier de prompt engineer. Il y aura une compétence de prompt engineering que tout le monde devra avoir.
- Speaker #1
Mais juste sur ce point anthropique, il me semble qu'ils avaient recruté des prompt engineers. C'est même d'ailleurs à cause de cela que tout le monde a dit que ce sera un métier.
- Speaker #0
Mais peut-être que c'est un métier. Je ne sais pas, mais je ne pense pas que ce sera le métier que 90% des gens font. Oui, ok. Il y aura quand même une compétence. Comme aujourd'hui, on est quand même supposé être capable d'utiliser un moteur de recherche et trouver des informations sur Internet. Et je dis ça, ça a l'air complètement évident. J'imagine que c'est complètement évident pour votre public. Et qu'est-ce qu'il raconte ? Pourquoi il nous dit ça ? Parce qu'en fait, comme moi, j'ai démarré encore une fois, ce n'était pas des compétences que tout le monde avait. Et je me souviendrai toujours d'un client, je ne vais pas dire dans quelle entreprise. qui, lui, ne savait pas faire un copier-coller. Pourquoi ? Alors, ça nous paraît complètement inimaginable.
- Speaker #1
C'était quand l'année ?
- Speaker #0
C'était fin des années 2010.
- Speaker #1
Oui, copier-coller, ok.
- Speaker #0
Oui, alors que, bon, même à l'époque... de cette préhistoire, le copier-coller, c'était quand même censé être quelque chose d'assez répandu. Mais il y avait encore une fraction de la population qui n'était pas capable de faire ça. C'est bizarre encore plus de dire ça à un public parce que c'est un public qui regarde un podcast. C'est un public déjà curieux et qui a probablement déjà cette culture-là. Mais ce qu'il réalise, ce public, c'est que ils sont probablement déjà en avance mais ils vont devoir conserver cette avance. Donc, juste... continuer un peu à faire ce que vous faites déjà, à rester informé sur les développements parce qu'il faut réaliser que je ne sais pas si toi, tu parles aux gens autour de toi, dans ta famille, mais moi, je parle à des gens de ma famille. Il y a des gens qui n'ont encore jamais vraiment utilisé, même ChatGPT.
- Speaker #1
Oui, dans ma famille, c'est sûr. Mes parents étaient chez moi, c'était quand ? Récemment, déjà l'année passée, j'ai leur montré ChatGPT. Pour eux, c'était... Mais ouais ! Ils n'arrivent même pas à croire que c'était possible d'avoir un outil qui se tâche. Donc, effectivement, il y a encore une bonne partie de la population, même aujourd'hui, qui ne savent même pas. Je parle de mes parents, ils n'ont pas forcément fait des études. Mais même en entreprise, je suis toujours surprise, il y a encore des personnes qui ont fait des écoles d'ingénieurs qui n'ont pas étudié le Ausha pour des raisons particulières.
- Speaker #0
Et puis, il y a une différence entre la personne qui a étudié le Ausha une fois. ou qui l'a utilisé juste pour rédiger des emails. Et puis, la personne qui a utilisé des fonctionnalités plus avancées et qui va chercher à... Comment est-ce que je peux utiliser JGPT ou d'autres outils pour réaliser un gain de temps dans ma vie ? Et peut-être qu'ils vont même l'utiliser de manière programmatique. C'est-à-dire qu'ils ne vont pas forcément utiliser l'interface, mais qu'ils vont avoir du code qui appelle l'interface.
- Speaker #1
Oui, c'est ça. C'est fou. En tout cas, merci. Donc, on garde la culture IA.
- Speaker #0
La culture, je pense que c'est... Et la capacité de communiquer, de donner des instructions claires. Parce qu'en fait, on sera un peu tous des chefs d'orchestre ou des directeurs artistiques d'une certaine manière. Donc, il va falloir être capable d'exprimer la vision qu'on a avec tout le contexte qu'il faut pour que le travail soit bien fait. Super.
- Speaker #1
Donc, tout le monde est prompt engineer.
- Speaker #0
Il faut avoir ça, en plus de tout le reste.
- Speaker #1
Exact. On arrive déjà à la fin du podcast. Pierre, franchement, c'était très intéressant. Merci encore d'avoir accepté mon invitation. Vous avez là un épisode, c'est une masterclass, donc n'hésitez pas à vous abonner, à liker, pour que j'invite d'autres personnes de qualité sur le podcast. Alors, on arrive sur la fin. Je suis curieuse de savoir, quelle a été la plus grande leçon apprise depuis ton entrée chez Google ?
- Speaker #0
On a beaucoup parlé d'utiliser de la data de plein de manières différentes, mais en fait, ce que j'ai réalisé, c'est qu'on peut mesurer plein de choses, mais ce n'est pas forcément ce qui va compter. Donc tout ce qu'on mesure ne compte pas forcément. Et il y a des choses qui comptent qui ne sont pas mesurables. Et ça, c'est une leçon que j'ai apprise et que j'essaye un peu d'enseigner autour de moi. C'est-à-dire qu'on a vraiment une culture de la mesure qui est quasiment systématique parfois. Et on se dit, ok, c'est parce que je vais faire un dashboard et je vais mesurer, je ne sais pas, le sentiment utilisateur, comment ça varie au cours du temps. Et puis ça va m'informer sur qu'est-ce qui a marché et qu'est-ce qui n'a pas marché. Il y a un peu de vrai, ce n'est pas une mauvaise idée de le faire en soi, mais dans un signal comme la satisfaction utilisateur, il y a beaucoup de choses. Il y a ce qui se passe dans le monde peut affecter la courbe de satisfaction. Et donc, ça ne va pas forcément être hyper facile de valider le succès d'un produit juste en utilisant cette approche, par exemple. Donc ça, tout ce qui se mesure ne se compte pas. Et à l'inverse, ce qui parfois serait nécessaire pour répondre à cette question, parfois il faut admettre que ce n'est pas mesurable ou alors ça coûterait un nombre de ressources inimaginables pour le mesurer.
- Speaker #1
Donc tout ce qui compte ne se mesure pas forcément.
- Speaker #0
Tout ce qui compte ne se mesure pas et tout ce qui se mesure ne compte pas forcément.
- Speaker #1
Les deux sont vrais.
- Speaker #0
C'est un diagramme de veine entre ce qui compte et ce qui se mesure.
- Speaker #1
Trouver l'équilibre entre les deux. Et si tu devais résumer en une phrase ton parcours chez Google,
- Speaker #0
qu'est-ce que tu m'écoutais ? En une phrase ?
- Speaker #1
En un mot aussi.
- Speaker #0
En un mot. En une phrase, un mot. J'étais très content de tout ce parcours-là et j'y suis encore et je pense que j'espère pouvoir y rester le plus longtemps possible.
- Speaker #1
Super. Alors, c'est parti pour les questions flash. Je vais te poser cinq questions. Cinq questions rapides. La première, s'il y avait un livre ou une réponse qui t'a le plus marqué ? et que tu aimerais offrir à tout le monde cette année ce serait lequel ?
- Speaker #0
alors je pense un site web un produit Google s'appelle AI Studio qui permet de faire des prototypes de la technologie d'applications dans le navigateur de manière extrêmement rapide. Ils ont aussi des templates qu'on peut utiliser pour modifier les applications existantes. Ça, quand j'ai essayé ça, ça m'a bluffé d'être capable de produire des prototypes en quelques minutes hyper rapidement. Et c'est gratuit, donc je peux l'offrir à tout le monde.
- Speaker #1
Oui, donc, le lien en description est IC2. Allez-y, testez l'outil. En gros, ça permet de créer... J'ai jamais testé ça la dernière fois qu'on discutait. Effectivement, c'est bluffant. Vous pouvez créer des applications à partir des applications existantes. Je vais mettre le lien en description. Deuxième question, Flash. L'erreur que tu vois le plus souvent dans des projets IA, quelle est l'erreur ?
- Speaker #0
Je veux dire que ce n'est pas forcément spécifique à l'IA. Ça se rapporte un peu à ce que je me disais avant sur ce qui compte et ce qui se mesure. Pour des projets de type quantitatif, ça va être de mettre en place toute une usine à gaz pour mesurer quelque chose sans garantie que vraiment ça réponde au problème.
- Speaker #1
OK. Et comment est-ce qu'on peut résoudre ça ?
- Speaker #0
Comment est-ce qu'on peut résoudre ça ? En fait, encore une fois, ça se rapporte à l'expérience, avoir un peu d'intuition sur... Il faut vraiment focaliser sur le problème que l'entreprise est en train de résoudre plutôt que la solution. Parce que nous-mêmes, on est super tentés souvent de mettre en place des solutions parce que c'est notre job de mettre en place des solutions. Et puis, on aime faire ça. Parfois, il faut être capable de dire « Ah non, mais je pense que même là, ça ne va pas marcher. »
- Speaker #1
D'accord. Commencez pas le problème avant de penser aux petites technologies, ça va. Alors, troisième question. Ta plus grande fierté depuis que tu es chez Google ?
- Speaker #0
Ma plus grande fierté professionnelle, ça va être d'avoir fait cette conversion en Quantity View Axe Researcher. D'accord. Je pense que ce n'était pas... Ce n'était pas un pari gagné. Finalement, je suis très content dans ce poste-là.
- Speaker #1
Super. Si tu devais partir de zéro au début de 2025, qu'est-ce que tu ferais différemment ?
- Speaker #0
Honnêtement, pas grand-chose. Je suis assez content de 2025. Je n'ai pas de regrets.
- Speaker #1
OK. Voilà, il faut terminer. Un sujet IA que tout le monde sous-estime, selon toi, aujourd'hui ?
- Speaker #0
Un sujet IA, c'est difficile parce que…
- Speaker #1
Peu importe le sujet d'IA. Oui,
- Speaker #0
mais même un sujet… IA que les gens sous-estiment, alors qu'on a tendance à dire que l'IA est surestimée. Ce n'est pas facile. Moi, j'ai envie de dire qu'il y a deux sujets qui, moi, m'intéressent personnellement. Ça va être cette intersection entre le monde qualitatif et le monde quantitatif. On en a discuté. Donc, est-ce qu'on est capable d'utiliser les Large Range Models pour obtenir du feedback d'utilisateurs de manière plus dynamique ? Le deuxième sujet... qui est un peu de la science-fiction pour moi, c'est la création de données synthétiques. C'est-à-dire que c'est l'idée que finalement, on n'a plus besoin d'humains pour répondre à tous ces sondages qu'on envoie, mais qu'on pourrait demander à Large Language Model de créer, je ne sais pas, 1000 utilisateurs synthétiques avec des profils variés et d'administrer le sondage à ces 1000 utilisateurs synthétiques.
- Speaker #1
Mais si les utilisateurs sont synthétiques, comment est-ce qu'on arrive à voir que les utilisateurs réels vont aimer le produit final ?
- Speaker #0
C'est ça le problème, c'est qu'on n'a pas de garantie de validité. C'est ça qui m'inquiète. On peut avoir des benchmarks qui nous disent, en général, à quel point ces systèmes de génération synthétique se rapprochent de la vérité qu'on obtient des humains. Mais est-ce qu'on sera capable de dire à quel point, pour ce sondage en particulier, on est proche ou pas ? Je ne sais pas.
- Speaker #1
Ok, super. Merci Pierre pour l'échange. Merci. Est-ce qu'il y a des sujets que tu aimerais... Est-ce qu'il y a des points que j'ai oubliés ou un message que tu aimerais faire passer pour la fin ?
- Speaker #0
Intéressez-vous au monde de Quantity View Ex-Researcher. Encore une fois, par exemple, il y a cette conférence annuelle. Vous n'êtes pas obligé d'aller à la conférence, mais rien que sur le site web de la conférence, il y a déjà plusieurs publications de ce qui s'est passé les années précédentes. Ça peut aussi vous donner une idée un peu plus précise du métier.
- Speaker #1
Super. donc Vous aurez le lien de la conférence, le lien de l'ensemble des ressources. Likez, commentez, partagez, surtout prenez bien soin de vous. Et on se dit à très bientôt pour un autre podcast. Merci Natacha. Merci Pierre. Au revoir. Au revoir.
