Stage en données et intelligence artificielle : partir d’une question utile

Ce que recouvre vraiment un stage data ou IA

Derrière les mots « données » et « intelligence artificielle » se cachent des métiers voisins mais distincts. L’analyste de données collecte, nettoie et interprète des chiffres pour éclairer une décision. Le data scientist construit des modèles statistiques ou d’apprentissage automatique pour prédire ou classer. L’ingénieur en apprentissage automatique met ces modèles en production et surveille leur comportement. Le data engineer, enfin, bâtit les circuits qui amènent des données propres jusqu’aux équipes qui les exploitent.

Un stage porte rarement sur toute la chaîne. Il s’agit plutôt d’un maillon : préparer un jeu de données, tester une idée de modèle, construire un tableau de bord, annoter des exemples pour entraîner un système. Savoir lequel de ces maillons vous attire permet de rédiger une candidature ciblée plutôt qu’un message générique adressé à toutes les équipes « data » d’une région.

Les structures d’accueil sont variées : services d’une grande entreprise, éditeurs de logiciels, cabinets de conseil, laboratoires de recherche, hôpitaux, collectivités, associations disposant d’un service statistique. Chacune offre un rythme et un encadrement différents, ce qui compte autant que l’intitulé de l’offre.

Les missions qu’on confie réellement à un stagiaire

Sur les premières semaines, les tâches ressemblent souvent à de l’investigation. On vous remet des fichiers issus de plusieurs systèmes, parfois incomplets, et il faut comprendre ce que chaque colonne représente, repérer les valeurs aberrantes, documenter les choix de nettoyage. Ce travail, peu spectaculaire, occupe couramment la moitié du temps d’un projet de données.

Viennent ensuite des missions plus visibles :

• produire des indicateurs et des visualisations lisibles par des non-spécialistes ;
• comparer plusieurs méthodes sur un même problème, en commençant par la plus simple ;
• tester un modèle de classification, de prévision ou de traitement du langage sur un périmètre restreint ;
• annoter ou contrôler la qualité d’exemples servant à entraîner un système ;
• rédiger une note expliquant la méthode, les limites et les erreurs observées.

Cette dernière mission est sous-estimée. Un résultat que personne ne peut relire ni reproduire a peu de valeur pour l’équipe. Montrer, dès l’entretien, que vous savez écrire et expliquer vous distingue de candidats qui ne présentent que des scores.

Compétences utiles : socle technique et qualités de travail

Le socle technique tient en quelques points. Il faut un langage de programmation courant en analyse, le plus souvent Python, parfois R, ainsi que SQL pour interroger des bases. Viennent ensuite les notions de statistique descriptive et inférentielle, la lecture d’une matrice de confusion, la différence entre corrélation et causalité, et la compréhension du risque de surapprentissage. Les bibliothèques de calcul et de visualisation s’apprennent vite si ces bases sont solides.

Pour l’IA proprement dite, des notions sur les réseaux de neurones, les modèles de langage ou la vision par ordinateur sont appréciées, mais un tuteur préfère souvent un candidat qui maîtrise bien les méthodes classiques et sait dire quand elles suffisent.

Les qualités de travail pèsent au moins autant :

• la rigueur, notamment pour séparer données d’entraînement et données de test ;
• la curiosité métier, car comprendre le terrain évite de répondre à la mauvaise question ;
• la clarté à l’oral et à l’écrit ;
• l’esprit critique face à un résultat trop beau pour être vrai.

Construire un projet de portfolio qui tient la route

Un projet convaincant part d’une question précise, pas d’un jeu de données choisi parce qu’il est célèbre. Par exemple : « Quels facteurs expliquent les retards d’un service de livraison ? » ou « Peut-on repérer automatiquement les avis clients qui signalent un défaut de sécurité ? » La question définit ce qui sera mesuré et ce qui comptera comme une réussite.

Voici une structure simple, utile pour un dépôt public ou un dossier PDF :

1. la question et son utilité pour un utilisateur concret ;
2. l’origine des données, leur licence, leurs lacunes connues ;
3. le nettoyage effectué et les lignes écartées, avec la justification ;
4. une solution de référence très simple, par exemple une moyenne ou une règle manuelle ;
5. le modèle retenu et la raison de ce choix ;
6. les erreurs observées, avec quelques exemples commentés ;
7. les limites et ce qu’il faudrait faire ensuite.

Les portails de données ouvertes permettent de travailler sur des sources réelles et documentées. Veillez simplement à lire la licence de réutilisation avant de publier vos résultats.

Données personnelles, éthique et cadre juridique du stage

Travailler sur des données impose des règles. Dès qu’un fichier concerne des personnes identifiables, le règlement européen sur la protection des données s’applique : finalité claire, minimisation, durée de conservation, droits des personnes. Une entreprise sérieuse vous indiquera quelles données vous pouvez manipuler, depuis quel poste, et ce que vous avez le droit d’emporter ou non à la fin du stage. Posez la question dès les premiers jours ; elle montre votre professionnalisme.

Les systèmes d’IA font aussi l’objet d’un cadre européen spécifique, appliqué progressivement. Pour un stagiaire, l’enjeu pratique est de savoir si l’outil concerné touche à des décisions sensibles (recrutement, crédit, santé) et de comprendre qu’il existe alors des exigences de documentation et de contrôle humain.

Sur le plan contractuel, le stage repose sur une convention tripartite signée avant le premier jour entre vous, l’organisme d’accueil et votre établissement. Elle précise les missions, la durée, la gratification éventuelle, le tuteur et les clauses de confidentialité. Lisez-la attentivement : ce sont ces clauses qui fixent ce que vous pourrez montrer ensuite dans un portfolio.

Durée, gratification et exemple chiffré à titre d’illustration

La durée d’un stage de données varie selon la formation : de quelques semaines en licence à quatre ou six mois en fin de master ou d’école d’ingénieurs. Au-delà de deux mois de présence dans la même structure, une gratification est obligatoire. Son montant minimal est fixé par la réglementation sous forme de pourcentage d’un plafond horaire de la Sécurité sociale, et il évolue : à vérifier auprès de l’établissement ou de l’organisme d’accueil, qui peut aussi dépasser le minimum.

Illustration avec des chiffres ronds et hypothétiques. Imaginons un stage de cinq mois avec une gratification de 1 000 euros mensuels. Le total perçu serait de 5 000 euros, avant déduction éventuelle de frais de transport. Si le même organisme propose 1 200 euros, l’écart sur la durée atteindrait 1 000 euros, mais il faut le comparer à la qualité de l’encadrement, à l’éloignement du domicile et au coût du logement, qui peuvent peser davantage que l’écart de gratification.

Dans le secteur de la recherche publique, les montants dépendent des règles propres à chaque organisme ; renseignez-vous auprès de lui avant de comparer des offres de nature différente.

Candidature : CV, lettre et entretien technique

Sur un CV de stage en données, la ligne « Python, SQL, machine learning » ne suffit pas. Associez chaque outil à une réalisation : « nettoyage de 40 000 lignes de ventes et construction d’un indicateur de saisonnalité » en dit plus que n’importe quelle liste. Ajoutez le lien vers votre dépôt de code seulement s’il est lisible, avec un fichier de présentation clair.

La lettre de motivation gagne à nommer un problème de l’organisme visé : une gestion de stock, un suivi de patients, un flux de documents. Montrez que vous avez regardé ses publications, son site, ses outils. Évitez les formules sur la « passion pour l’intelligence artificielle », qui n’apprennent rien au recruteur.

En entretien, attendez-vous à trois types de questions :

• une présentation détaillée d’un de vos projets, avec les choix et les échecs ;
• un petit exercice, par exemple commenter un graphique ou écrire une requête SQL ;
• des questions de bon sens : comment sauriez-vous que votre modèle se trompe ? Que feriez-vous si les données manquent ?

Savoir répondre « je ne sais pas, mais voici comment je chercherais » est mieux reçu qu’une réponse inventée.

Quand et où chercher, et comment choisir entre stage et alternance

Les offres de stage de fin d’études sont souvent publiées de l’automne au début du printemps, pour des départs au printemps ou en été. Les structures de recherche et les grandes entreprises demandent parfois plusieurs mois d’avance. Les petites équipes recrutent plus tard et plus vite. Déposer une candidature spontanée bien ciblée reste une voie utile, notamment auprès de services statistiques de collectivités ou d’associations.

Les écoles et universités disposent de services de stages et de réseaux d’anciens. Les plateformes d’offres des écoles et des sites d’emploi pour jeunes diplômés permettent de filtrer par mots-clés comme « data », « analyse » ou « apprentissage automatique ».

Quant au choix entre stage et alternance, tout dépend du rythme que vous voulez. Le stage est un contrat de formation encadré par une convention, avec un statut d’étudiant. L’alternance est un contrat de travail rémunéré, qui s’étale sur un à trois ans avec une alternance entre école et entreprise. Elle donne davantage de continuité sur un même sujet de données, mais demande de décrocher une entreprise d’accueil avant la rentrée.

Erreurs fréquentes à éviter

Plusieurs maladresses reviennent chez les candidats en début de parcours.

• Courir après le modèle le plus complexe sans l’avoir comparé à une solution simple. Les équipes veulent savoir ce que le modèle apporte en plus.
• Ignorer l’origine des données : un jeu de données publié sans description ne permet pas de garantir une conclusion fiable.
• Fuites de données : laisser entrer dans l’entraînement une information qui ne sera pas disponible au moment de l’utilisation réelle fausse toute évaluation.
• Présenter un seul chiffre de performance sans exposer les erreurs, les cas rares ou les populations mal traitées.
• Réutiliser des données de l’organisme d’accueil dans un portfolio sans autorisation écrite.

Un autre piège consiste à croire que le stage servira uniquement à apprendre un outil. Les tuteurs jugent surtout la capacité à poser des questions, à reformuler un besoin flou et à livrer, même modestement, quelque chose d’utilisable à la date prévue.