Hello,
Bienvenue dans l’édition #161 de la newsletter DataGen ! 👋
L’agenda de la semaine :
🔍 Zoom sur le fonctionnement de l’équipe Research Science chez Meta
🎙 Le podcast avec Alexandra, Research Scientist chez Meta
📚 Les ressources recommandées par Alexandra
🎙 Comment automatiser ses développements Data & Analytics avec des agents IA
C’est parti !
🔍 Zoom sur le fonctionnement de l’équipe Research Science chez Meta - 3 min
Ce zoom est tiré de mon échange avec Alexandra, Research Scientist Applied Artificial Intelligence chez Meta dans la Silicon Valley.
Son parcours avant de rejoindre Meta
Après une prépa à Paris, Alexandra a intégré CentraleSupelec avant de faire un double diplôme à l’Université d’Oxford en Angleterre, spécialisé en Machine Learning.
Elle a commencé sa carrière à Londres en startup en tant qu’ML Engineer puis Senior Data Scientist et est devenue rapidement Head of Research.
En 2019, elle a rejoint Meta en tant que Research Scientist à Londres et en 2022, elle a rejoint le bureau de San Francisco.
Après 7 ans chez Meta, Alexandra nous partage son retour d’expérience.
Les 3 grandes équipes tech et IA chez Meta
1) Les équipes Produit
On y retrouve des ML Engineers, Software Engineers, Data Scientists, Data Engineers etc. Ils ont la responsabilité d’un produit de la boîte (ex : engin de recommandation).
Ces équipes se concentrent plutôt sur les enjeux et les optimisations à court-terme.
2) Les équipes de Recherche Appliquée (dont fait partie Alexandra)
Elles travaillent sur une timeline plus long-terme pour développer des solutions qui seront ensuite mises en place par les équipes Produit.
“Par exemple, une équipe produit a besoin d’un algorithme plus puissant, elles va faire appel à une équipes de recherche en interne comme la mienne.”
Il y a 2 approches :
Deep Collaboration : ils se concentrent sur le problème d’une seule équipe Produit et proposent une solution un peu comme une équipe de conseil.
Platform : lorsque plusieurs équipes Produit partagent un même problème fondamental en maths, en stats, en ML ou en IA, ils vont proposer une solution générique qui va résoudre ce problème.
“Par exemple, on va créer une plateforme qui peut être aussi simple qu’un package Python. Les équipes Produit pourront importer la librairie qui intègre toute la recherche qu’on a développé.”
3) Les équipes de Recherche pure (comme FAIR)
Ils fonctionnent comme des Laboratoires de Recherche qu’on retrouve en milieu académique. Les chercheurs utilisent des bases de données externes, se confrontent à des problèmes beaucoup plus abstraits et plus long-terme.
“Leur objectif n’est pas forcément que leurs projets soient appliqués par les équipes Produit mais plutôt de faire avancer la recherche.”
Une culture data-driven extrêmement forte
La culture data-driven chez Meta repose sur 3 éléments concrets.
1) Une infrastructure de test solide
Depuis le premier jour, Mark Zuckerberg a construit Meta sur une conviction : tout doit être testable. Chaque bouton, chaque fonctionnalité peut faire l’objet d’un A/B test, et chaque ingénieur peut lancer un test de manière autonome.
“Tu as vraiment une culture du test très forte et l’infrastructure qui va avec. Chaque ingénieur peut réalises ses A/B tests pour décider si les implémentations qu’il a créées sont productives sur la métrique qu’il veut optimiser.”
2) Un alignement sur les métriques à optimiser
Dans chaque équipe Produit, il y a un Data Scientist qui a une mission précise : définir une seule métrique à optimiser. Un seul chiffre. Si ça monte, tout le monde est content. Si ça descend, il faut réagir.
“Pour les ingénieurs de l’équipe, c’est beaucoup plus facile d’avoir un chiffre à optimiser plutôt que 10. Le Data Scientist s’assure que si ce nombre monte, c’est bénéfique sur le revenu général de la boîte à terme.”
3) Une concentration de profils techniques
Tous les profils sont très techniques, y compris les Product Managers, et parlent la même langue.
“Les décisions s’appuient toujours sur la donnée et des arguments scientifiques. Les discussions se concentrent sur le fond des sujets plutôt que sur un tel a dit ça donc il faut le faire.”
🎙 Le podcast avec Alexandra, Research Scientist chez Meta
On aborde :
Le parcours d’Alexandra (cf. zoom)
Les 3 grandes équipes tech et IA chez Meta (cf. zoom)
Le quotidien d’un Research Scientist : choix des sujets, responsabilités
La culture data-driven de Meta (cf. zoom)
L’adoption de l’IA en interne
Les plus grosses difficultés qu’a rencontrées Alexandra
“En 2025, il y a eu une accélération massive de l’adoption de l’IA en interne chez Meta.”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify
📚 Les ressources recommandées par Alexandra
“C’est un condensé des news sur la technologie et l’intelligence artificielle, tous les matins. C’est très court, mais tu as le lien pour creuser sur chaque nouvelle si tu veux.”
“C’est un bon podcast pour en savoir plus sur l’histoire des boîtes.”
🎙 Comment automatiser ses développements Data & Analytics avec des agents IA (Claude Caude)
J’ai reçu Frédéric Forest qui est expert Data Analytics et Directeur Général de Datatorii, un cabinet de conseil data qui s'est récemment spécialisé sur Claude Code.
On aborde :
Pourquoi automatiser ses développements Data & Analytics avec des agents IA : gains de productivité et changement de paradigme
Comment se lancer : charte d’usage, choix de l’outil, 1ers cas d’usage
La métaphore de l’équitation pour comprendre le développement agentique
Ce à quoi ressemble le quotidien d’une équipe mature sur le sujet
Comment on scale : livrables à produire (le fameux harnais) et nouveaux rôles
Les difficultés et les risques à anticiper : shadow IT, perte de maîtrise, coût des tokens…
“On vit un changement de paradigme comme on n’en vivra probablement pas d’autres aussi majeurs dans notre carrière. D’ici 12 à 24 mois, plus personne ne codera.”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify
Vraiment impressionnant ! Mais pas trop de soucis pour la paperasse ? Et même pour la retraite elle ... sera américaine alors non ? hummm