Levannia Lildhar est une scientifique des données pour Siemens Healthineers basée à Ottawa. Membre de l'équipe d'ingénierie produit de la société, Levannia utilise des statistiques appliquées pour soutenir les travaux de surveillance des performances des biocapteurs sur le terrain, d'étalonnage et de validation de la nouvelle technologie de capteur R&D.
Elle détient une maîtrise en science des données de l'Université de la Colombie-Britannique et des diplômes de premier cycle de l'Université d'Ottawa en génie chimique et en biochimie. Ses recherches ont été publiées dans le Journal of Genome Biology and Evolution et le Journal of Biomedical Materials Research. Elle est également co-animatrice de La vie secrète des nombres , un podcast où elle évoque les chiffres de la vie de tous les jours.
Meg : Comme beaucoup d'entre nous aujourd'hui, votre cheminement de carrière a été une sorte d'évolution. Comment êtes-vous tombé sur la science des données après avoir débuté en génie chimique et en biochimie ?
Lévannie : J'ai commencé ma carrière en tant qu'ingénieur produit, ce qui est un rôle très classique. Nous construisions un produit, aidions à augmenter le rendement, à réduire les rebuts, à effectuer l'étalonnage - ce genre de choses. Mais au fil du temps, nous avons commencé à réaliser que nous perdions beaucoup d'informations en n'analysant pas nos données au maximum. Nous avons également commencé à nous demander si nos modèles pouvaient ou non être plus robustes et plus évolutifs.
À cette époque, cependant, je n'avais pas l'impression d'avoir les compétences nécessaires pour évaluer ou construire les modèles dont j'avais besoin. J'ai donc quitté Siemens Healthineers pendant 10 mois pour obtenir mon master en science des données. Maintenant, je suis de retour et je travaille en tant que scientifique des données, et j'espère vraiment étendre le champ d'action de l'équipe de science des données au-delà de sa portée actuelle : pouvons-nous créer des modèles qui aident la chaîne de fabrication ? Pouvons-nous créer des modèles qui examinent l'automatisation ou les images, pas seulement les chiffres ?
Grâce aux connaissances que j'ai acquises et avec l'équipe de science des données, nous avons vraiment pu commencer à jeter les bases d'une culture des données plus large. Nous nous dirigeons vers "C'est ainsi que nous voulons regarder les données, et c'est le langage que nous utilisons lorsque nous regardons les données."
Meg : Pensez-vous qu'avoir travaillé dans un rôle d'ingénieur produit avant de passer à la science des données vous donne une perspective différente de celle, disons, d'un statisticien traditionnel ?
Lévannie : Cela aide certainement à la communication. Par exemple, lorsqu'un scientifique des données prend une décision, il peut la baser sur quelque chose auquel la fabrication ou l'ingénierie des procédés n'ont pas nécessairement été exposés. Ils pourraient être plus préoccupés par le fait que le modèle fonctionne, pourquoi et quels paramètres clés ils doivent surveiller. Cela devient votre objectif lorsque vous décrivez le travail.
Ma formation d'ingénieur aide aussi un peu quand il s'agit de savoir sur quoi travailler ou sur quoi mettre l'accent. Il y a un dicton qui dit que tous les modèles sont mauvais d'une manière ou d'une autre, mais certains sont utiles. Ayant été ingénieur produit, je pense qu'il est plus facile de voir ce qui sera utile. Je peux donc faire un mauvais modèle qui est toujours utile !
Meg : Compte tenu des différences dans la manière dont les data scientists et les ingénieurs communiquent, avez-vous rencontré beaucoup de scepticisme ? Quelles preuves de concept trouvez-vous les plus convaincantes aux yeux des experts du domaine ?
Lévannie : J'aime penser que notre équipe de science des données est au service de toutes les autres équipes ; notre objectif est de servir l'ensemble de l'organisation. Nous sommes encore assez jeunes parce que je pense que l'idée de la science des données dans le domaine de la santé est encore assez jeune. Nous apprenons toujours où nous nous situons et nous le défendons, et nous rencontrons encore des personnes qui n'ont pas encore beaucoup confiance dans certaines des techniques les plus avancées que nous pouvons utiliser. Ils ont encore besoin de le voir en action - ce qui est juste parce que nous construisons des dispositifs de diagnostic médical qui affectent la vie des patients, donc ce type d'approche prudente est définitivement justifié et nécessaire !
Je dirais que dans l'ensemble, cela peut prendre du temps pour accepter des techniques plus avancées. Nous devions montrer que si quelque chose tournait mal, ce n'était pas la technique la plus avancée qui causait le problème. Vous pouvez avoir l'impression de toujours défendre les analyses. Mais lorsque vous êtes passé par ce processus à plusieurs reprises, vous avez la certitude, lorsqu'un problème survient, qu'il s'agit en fait d'un problème qui doit être résolu, et pas seulement d'une anomalie dans le modèle.
Dans de nombreux cas, nous examinons plusieurs situations et cas extrêmes. Et cela nécessite de passer du temps à rassembler les données et à développer la preuve qu'une nouvelle technique peut fonctionner à la fois avec exactitude et précision. Je dis cela en riant, mais parfois cela peut être frustrant lorsqu'on vous demande d'examiner une certaine situation et que vous vous dites : "Eh bien, bien sûr, un mannequin peut faire ça." Tout revient à la communication.
Au fur et à mesure que vous progressez dans vos techniques de modélisation, vous voulez vous assurer que vous communiquez ce qui se passe. Et vous devez réaliser qu'il y a des situations intéressantes qui vous seront présentées par des experts du domaine qui travaillent dans ce contexte depuis très longtemps. Il y a peut-être quelque chose auquel vous n'aviez pas pensé. Faire ce genre de travail vous teste vraiment aussi. Mais en fin de compte, cela se traduit également par des analyses et des modèles beaucoup plus robustes, donc je suis également reconnaissant pour l'examen minutieux.
Enfin, il est utile de souligner qu'une approche statistique ou certaines des analyses les plus avancées peuvent faire gagner du temps, car les gens n'ont jamais assez de temps ! On peut créer des modèles et construire des outils qui feront gagner du temps… et ils sont souvent plus robustes. Ils peuvent également aider les utilisateurs à obtenir les informations dont ils ont besoin pour prendre des décisions plus rapidement.
Még : La direction a-t-elle été favorable?
Lévannie : Oui. Bien que, comme pour toute équipe essayant un nouvel outil ou une nouvelle approche, la direction souhaite d'abord voir ce que vous pouvez faire. Nous en sommes encore au stade où [la direction de Siemens Healthineers] nous donne la liberté de voir ce que nous pouvons faire. Et ils nous orientent peut-être dans la bonne direction en nous donnant des problèmes intéressants à résoudre qui aideront également l'entreprise.
À l'heure actuelle, tout le monde - quel que soit votre secteur d'activité - apprend qu'il y a tellement de données partout, et que si vous les analysez correctement, vous pouvez faire beaucoup de choses : économiser de l'argent, devenir plus prévisible, devenir plus fiable…. Je pense qu'à mesure que les organisations se développent - et en particulier dans les soins de santé avec COVID - nous avons dû augmenter notre production et réfléchir à la façon dont nous pouvons être plus efficaces. Même dans des domaines comme la chaîne d'approvisionnement, les équipes réfléchissent à la manière dont les données peuvent être mieux utilisées.
Még : Quel rôle la formation doit-elle jouer dans l'évolution du domaine ?
Lévannie : Je ne pense pas que vous ayez besoin d'une formation formelle pour être un scientifique des données. Les gens faisaient de la science des données bien avant que nous ayons ce terme à la mode - c'est juste que nous l'avons étiqueté maintenant.
Cela dit, une partie de mon rôle consiste à soutenir la formation, et JMP est l'outil que nous utilisons. Pensez à ce que les gens veulent apprendre à faire avec leurs données dès le départ : ils veulent les visualiser, étiqueter les valeurs aberrantes, les représenter graphiquement, les tabuler. JMP fait tout cela très rapidement et facilement, et vous n'avez pas besoin de beaucoup de formation pour le faire !
Avec JMP, vous avez la possibilité d'aller plus vite. Honnêtement, c'est l'un des meilleurs outils que j'ai vus pour la lutte contre les données et la visualisation des données. Vous n'avez pas besoin de télécharger Python ou R, et vous n'avez pas besoin de comprendre comment coder.
Meg : Vous avez mentionné le terme « alphabétisation des données » et je me demande : quelle est votre vision pour Siemens Healthineers d'ici deux à cinq ans ?
Lévannie : J'espère pouvoir inspirer ceux avec qui je travaille à réfléchir davantage à leurs données et à réfléchir à leur culture des données - j'aimerais que ce soit plus un langage commun : nous utilisons les mêmes termes ; nous abordons les problèmes de la même manière ; nous comprenons ce que nous devons considérer.
Même avec quelque chose d'aussi simple que la visualisation de données, nous pouvons parfois comprendre beaucoup plus facilement la différence entre un problème et ce qui n'est que du bruit. De plus, nous pouvons intégrer cette façon de penser les données dans nos processus afin qu'elles soient toujours là en arrière-plan. Vous pouvez consulter les données du début à la fin d'un processus.
Par exemple, si vous pouvez déterminer quels indicateurs clés provoqueront une défaillance, vous pourrez comprendre les tendances avant qu'une défaillance ne se produise et effectuer des ajustements de manière proactive. À l'avenir, j'aimerais que notre site – ou toute notre organisation – pense davantage à leurs données. Pensez-y. Asseyez-vous avec lui un moment, peut-être, jouez avec, construisez des graphiques, puis commencez à l'utiliser pour les aider à répondre aux questions. Et nous y arrivons.
Még : Utilisez-vous une automatisation pour aider à normaliser les meilleures pratiques d'approche et de réflexion sur les données ?
Lévannie : Oui, certainement. Sur notre site, deux ou trois équipes utilisent intensivement JMP. Nous avons créé des scripts qui font un travail répétitif pour nous , et c'est très utile. Dans JMP, vous pouvez simplement enregistrer un script et l'exécuter à partir d'un autre emplacement. Et vous pouvez le partager avec d'autres personnes - ce qui contribue certainement à renforcer les capacités car, plutôt que de faire quelque chose à partir de zéro, vous disposez d'un processus automatisé prêt à l'emploi. C'est très utile.
Meg : Je suis curieuse de connaître votre expérience avec le Programme JMP Early Adopter .
Lévannie : J'ai rejoint il y a quelques années, et j'aime ça parce que vous pouvez voir les nouvelles fonctionnalités en cours de développement et commenter ces fonctionnalités. Parfois, vous voyez vos commentaires entrer en jeu dans les nouvelles versions de JMP. Et parfois, les choses que vous voulez ne sortent pas, et vous vous dites : « Euh, je suis un peu déçu » – ha !
Je pense que JMP fait un très bon travail pour maintenir la conversation. Il y a [l'équipe d'ingénierie des systèmes JMP] qui est toujours là pour vous aider, et vous pouvez leur envoyer des données. Il y a aussi séminaires , et lorsque nous avions des problèmes avec JMP 16, le Service Clients était très bon. Nous nous rencontrions et montrions des données, et vous pouviez comprendre de manière interactive ce qui se passait et signaler des bogues. J'apprécie le fait que JMP ait ce va-et-vient avec nous parce que vous sentez qu'ils travaillent réellement sur vos problèmes.
J'ai également été surpris que vous puissiez tendre la main si souvent et que la rétroaction soit presque immédiate dans de nombreux cas. Le [ Communauté en ligne JMP ] Les forums nous ont été d'une grande aide au moment où nous commencions à faire plus de scripts. En fait, je devrais probablement contribuer davantage à ces forums car ils m'ont beaucoup aidé et le font toujours.
Meg : Pour conclure, quel conseil donneriez-vous à quelqu'un qui débute ? Avec sa carrière, avec JMP, peut-être même avec sa formation ?
Lévannie : JMP fait un très bon travail avec ses ressources de formation. Il y a de très, très bonnes vidéos et formations en ligne - [ Pensée statistique pour la résolution de problèmes industriels (STIPS) ] est comme un système complet juste là pour vous. En fait, nous demandons à nos nouvelles recrues de commencer par passer par le STIPS. Si vous débutez avec JMP, c'est une très bonne base.
Si vous voulez être un data scientist, mon conseil est que vous n'avez pas besoin de formation formelle. La curiosité à propos de vos données est tout ce dont vous avez besoin. En fait, beaucoup de gens font du travail d'analyse de données sans s'en rendre compte. Quiconque se soucie de prendre des décisions basées sur les données peut se qualifier de data scientist. Tout ce que vous avez à faire est de passer plus de temps avec vos données. Et oui, vous devez également comprendre les outils et les techniques, et cela commence vraiment avec des outils comme JMP qui ont facilité la science des données. Surtout si vous n'avez pas de formation formelle.
En résumé, n'ayez pas peur de faire des choses intéressantes ou audacieuses avec les données pendant que vous les analysez, car vous ne savez pas quelles histoires elles peuvent vous raconter si vous ne les recherchez pas.
Développez l'excellence analytique dans votre organisation. Trouver comment: jmp.com/avocat
