Levannia Lildhar est une scientifique des données pour Siemens Healthineers basée à Ottawa. Membre de l'équipe d'ingénierie produit de l'entreprise, Levannia utilise des statistiques appliquées pour soutenir les travaux de surveillance des performances des biocapteurs sur le terrain, l'étalonnage et la validation de la nouvelle technologie de capteur de R&D.
Elle est titulaire d'une maîtrise en science des données de l'Université de la Colombie-Britannique et de 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 au quotidien.
Meg : Comme beaucoup d’entre nous aujourd’hui, votre cheminement de carrière a été en quelque sorte une évolution. Comment en êtes-vous arrivée à 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, contribuant 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 de manière complète. Nous avons également commencé à nous demander si nos modèles pourraient 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 passer mon master en data science. Maintenant, je suis de retour et je travaille en tant que data scientist, et j'espère vraiment élargir 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 s’intéressent à l’automatisation ou aux images, et pas seulement aux chiffres ?
Grâce aux connaissances que j'ai acquises et en collaboration avec l'équipe de science des données, nous avons réellement pu commencer à jeter les bases d'une culture des données plus large. Nous nous dirigeons vers « C'est ainsi que nous voulons examiner les données, et c'est le langage que nous utilisons lorsque nous examinons les données. »
Meg : Pensez-vous qu'avoir travaillé dans un rôle d'ingénierie produit avant de vous lancer dans 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 data scientist prend une décision, il peut la baser sur quelque chose auquel la fabrication ou l’ingénierie des procédés n’a pas nécessairement été exposée. 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 m'aide également un peu lorsqu'il s'agit de savoir sur quoi travailler ou sur quoi mettre l'accent. Il y a un dicton selon lequel 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 reste utile !
Meg : Étant donné les différences dans la manière dont les data scientists et les ingénieurs communiquent, avez-vous rencontré beaucoup de scepticisme ? Selon vous, quelles preuves de concept sont 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 car je pense que l’idée de la science des données dans le domaine de la santé est encore assez jeune. Nous sommes encore en train d'apprendre où nous pouvons nous situer et de le défendre, et nous rencontrons encore des individus 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, ce type d'approche prudente est donc certainement justifié et nécessaire !
Je dirais que dans l’ensemble, l’acceptation de techniques plus avancées peut prendre du temps. Nous devions montrer que si quelque chose n’allait pas, ce n’était pas la technique la plus avancée qui était à l’origine du problème. Vous pouvez avoir l'impression de toujours défendre les analyses. Mais après avoir suivi 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 précision 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.
À mesure que vous avancez dans vos techniques de modélisation, vous voulez vous assurer que vous communiquez ce qui se passe. Et il faut savoir qu'il existe 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 met aussi vraiment à l’épreuve. Mais en fin de compte, cela donne également lieu à des analyses et à des modèles beaucoup plus robustes, je suis donc également reconnaissant pour cet examen minutieux.
Enfin, il est utile de souligner qu’une approche statistique ou certaines analyses plus avancées peuvent faire gagner du temps, car les gens n’en ont jamais assez ! Nous pouvons créer des modèles et construire des outils qui nous feront gagner du temps… et ils sont souvent plus robustes. Ils peuvent également aider les gens à obtenir les informations dont ils ont besoin pour prendre des décisions plus rapidement.
Meg : La direction a-t-elle été favorable ?
Lévannie : Oui. Cependant, 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 [le leadership de Siemens Healthineers] nous donne la liberté de voir ce que nous pouvons faire. Et ils nous orientent dans la bonne direction, peut-être en nous proposant des problèmes intéressants à résoudre qui aideront également l’entreprise.
À l'heure actuelle, tout le monde – quel que soit le secteur dans lequel vous travaillez – 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 le secteur des soins de santé avec le COVID – nous avons dû augmenter notre production et réfléchir à la manière dont nous pouvons être plus efficaces. Même dans des domaines tels que la chaîne d’approvisionnement, les équipes réfléchissent à la manière dont les données peuvent être mieux utilisées.
Meg : Quel rôle la formation doit-elle jouer à mesure que le domaine évolue ?
Lévannie : Je ne pense pas qu'il soit nécessaire de suivre une formation formelle pour devenir data scientist. 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 dès le départ à ce que les gens veulent apprendre à faire avec leurs données : 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’avancer plus rapidement. Honnêtement, c'est l'un des meilleurs outils que j'ai vus pour la gestion 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 « maîtrise des données » et je me demande : quelle est votre vision pour Siemens Healthineers dans deux à cinq ans ?
Lévannie : J'espère pouvoir inciter ceux avec qui je travaille à réfléchir davantage à leurs données et à leur maîtrise des données. J'aimerais que ce soit davantage 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 qu’un simple bruit. Nous pouvons également 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 parvenez à déterminer quels indicateurs clés entraîneront une défaillance, vous pourrez comprendre les tendances avant qu’une défaillance ne se produise et procéder à des ajustements de manière proactive. À l’avenir, j’aimerais que notre site – ou l’ensemble de notre organisation – réfléchisse davantage à ses données. Pensez-y. Asseyez-vous avec lui un moment, peut-être, jouez avec, créez des graphiques, puis commencez à l'utiliser pour les aider à répondre aux questions. Et nous y arrivons.
Meg : Utilisez-vous une automatisation pour aider à normaliser les meilleures pratiques en matière d’approche et de réflexion sur les données ?
Lévannie : Oui, certainement. Sur notre site, deux ou trois équipes utilisent beaucoup 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 ailleurs. Et vous pouvez le partager avec d’autres personnes – ce qui contribue certainement à renforcer les capacités car, plutôt que de partir de zéro, vous disposez d’un processus automatisé prêt à démarrer. 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 car 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 système JMP] qui est toujours là pour vous aider et vous pouvez leur envoyer des données. Il y a aussi séminaires , et lorsque nous avons rencontré des problèmes avec JMP 16, le service client 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'aime que JMP partage cela avec nous, car vous avez l'impression qu'ils travaillent réellement sur vos problèmes.
J'ai également été surpris que vous puissiez nous contacter si souvent et que les commentaires soient presque immédiats dans de nombreux cas. Le [ Communauté en ligne JMP ] les forums nous ont été d'une grande aide au moment où nous avons commencé à faire davantage 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, quels conseils donneriez-vous à quelqu'un qui débute – dans sa carrière, chez JMP, peut-être même dans sa formation.
Lévannie : JMP fait un très bon travail avec ses ressources de formation. Il existe de très, très bonnes vidéos et formations en ligne – [ Pensée statistique pour la résolution de problèmes industriels (STIPS) ] est comme un système complet à votre disposition. En effet, 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 devenir 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 effectuent des travaux d’analyse de données sans s’en rendre compte. Quiconque souhaite prendre des décisions basées sur les données peut se qualifier de data scientist. Tout ce que vous avez à faire est de consacrer plus de temps à vos données. Et oui, vous devez également comprendre les outils et les techniques, et cela commence vraiment par 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 lorsque 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
