Mariya Mansurova : L'IA Agentique Révolutionne l'Analyse Produit
Mariya Mansurova, Responsable de l’Analyse Produit, apporte plus de 12 ans d’expérience en analyse produit dans diverses industries, des moteurs de recherche à la fintech. Son parcours professionnel, enraciné dans l’ingénierie logicielle, les mathématiques et la physique, et complété par une expérience pratique en tant que cheffe de produit, offre une perspective complète sur la manière dont les équipes d’analyse peuvent aider les entreprises à prendre des décisions éclairées. Mansurova est animée par la recherche de nouvelles perspectives et de méthodologies innovantes, reflétant une conviction profonde que la curiosité alimente le progrès.
Un domaine important de son intérêt est le champ émergent de l’IA agentique. Initialement attirée par la curiosité et la discussion omniprésente autour des grands modèles de langage (LLM), Mansurova a rapidement reconnu le potentiel transformateur des systèmes agentiques. Elle pense que leur influence sur la vie quotidienne et les flux de travail professionnels ne fera que s’intensifier. Son engagement pratique s’étend de l’utilisation d’outils comme GitHub Copilot et Claude Desktop à la construction d’agents personnalisés avec des frameworks tels que smolagents, LangGraph et CrewAI. Pour Mansurova, le codage se distingue comme l’application la plus impactante de l’IA agentique. Alors que des recherches récentes ont débattu des gains d’efficacité exacts, elle observe personnellement une différence notable, estimant une augmentation de 20 % de la vitesse, en particulier pour les tâches répétitives (par exemple, le pivotement SQL) ou lorsqu’il s’agit de technologies inconnues (par exemple, la construction d’une application web en TypeScript). Cet élan, suggère-t-elle, représente un changement de paradigme, élargissant le champ de ce qui semble réalisable et créant potentiellement un écart d’efficacité entre ceux qui exploitent ces technologies et ceux qui ne le font pas. Pour l’avenir, elle est particulièrement enthousiaste à propos des agents de reporting automatiques, envisageant une IA capable de récupération de données, de visualisation, d’analyse des causes profondes et même de rédaction de présentations – une vision qu’elle a prototypée pour les narratifs de KPI.
Mansurova est également une fervente partisane des simulations informatiques en analyse de produits, un outil qu’elle estime encore largement sous-utilisé. Sa série “Simulations Informatiques Pratiques pour les Analystes Produit” vise à démontrer la puissance et l’accessibilité de cette approche. Les simulations fournissent une méthode quantitative et précise pour répondre aux questions de type “que se passerait-il si” – telles que l’estimation des besoins en agents opérationnels pour un nouveau contrôle ou la prédiction de l’impact du lancement d’une fonctionnalité sur un nouveau marché – même lorsque des données concrètes ne sont pas disponibles. Elle souligne l’efficacité des simulations pour gérer l’incertitude et les distributions, préférant souvent les méthodes de bootstrap aux formules statistiques complexes. L’avènement de la puissance de calcul moderne, permettant des milliers de simulations en quelques minutes seulement, a révolutionné les capacités de résolution de problèmes pour les analystes.
Lors du passage des applications LLM du prototype à la production, Mansurova observe un piège courant : sous-estimer l’écart substantiel entre les deux phases. Les prototypes, bien qu’excellents pour prouver la faisabilité et susciter l’enthousiasme, n’offrent aucune garantie inhérente concernant la cohérence, la qualité ou la sécurité dans des scénarios divers et réels. Un déploiement réussi en production, souligne-t-elle, repose sur une évaluation rigoureuse. Cela inclut la définition de métriques de performance claires (par exemple, précision, ton, vitesse) et leur suivi continu tout au long de l’itération. Par analogie avec le développement logiciel, elle affirme que les applications LLM exigent les mêmes tests systématiques. Ceci est particulièrement crucial dans les environnements réglementés comme la fintech ou les soins de santé, où la fiabilité doit être démontrée à la fois aux équipes internes et aux parties prenantes de la conformité, nécessitant souvent un temps de développement étendu pour la surveillance, les processus avec intervention humaine (human-in-the-loop) et les pistes d’audit.
Le travail de Mansurova intègre fréquemment les principes d’ingénierie aux meilleures pratiques en science des données et en analyse, reflétant sa conviction que les frontières entre les données et l’ingénierie s’estompent de plus en plus. Elle soutient que les analystes et scientifiques des données d’aujourd’hui nécessitent un ensemble de compétences multidisciplinaires englobant le codage, la gestion de produit, les statistiques, la communication et la visualisation. Son expérience précoce en programmation a considérablement amélioré son efficacité analytique, favorisé une meilleure collaboration avec les ingénieurs et lui a permis de construire des solutions évolutives et fiables. Elle encourage fortement les analystes à adopter les meilleures pratiques d’ingénierie logicielle telles que le contrôle de version, les tests et la revue de code pour améliorer la fiabilité des processus et fournir des résultats de meilleure qualité.
Adoptant une approche large et centrée sur le problème, Mansurova considère tous les outils d’analyse – des méthodes statistiques aux techniques modernes d’apprentissage automatique – comme faisant partie d’une seule boîte à outils. Faisant écho au sentiment de Robert Heinlein selon lequel “la spécialisation est pour les insectes”, elle décrit les analystes comme des “magiciens des données” qui sélectionnent les outils les plus appropriés pour résoudre les problèmes, qu’il s’agisse de construire un classificateur alimenté par LLM ou d’utiliser l’inférence causale pour des décisions stratégiques. Cette mentalité, soutient-elle, conduit non seulement à des résultats supérieurs, mais cultive également une culture d’apprentissage continu essentielle dans l’industrie des données en évolution rapide.
Ses écrits prolifiques, qui couvrent des sujets allant des embeddings de texte aux agents multi-IA, se caractérisent par leur cohésion et leur accessibilité. Mansurova écrit généralement sur des sujets qui l’enthousiasment actuellement, s’inspirant de nouveaux apprentissages, de discussions, de cours en ligne, de livres et de tâches quotidiennes. Elle tient constamment compte de son public, visant à créer un contenu véritablement utile, à la fois pour les autres et pour son futur moi. Son blog sert de base de connaissances personnelle, avec des articles qui se référencent souvent mutuellement pour illustrer l’interconnexion des concepts de données.
L’approche structurée de Mansurova pour écrire sur des sujets complexes est profondément ancrée. Elle adopte souvent un style de communication “concept-first”, commençant par les principes fondamentaux et progressant itérativement vers les conclusions. Lors de la participation à des cours en ligne, elle esquisse simultanément la structure, notant les nuances et les domaines à explorer davantage. Une partie clé de son processus implique d’appliquer de nouvelles connaissances à des exemples pratiques, car elle croit que la véritable compréhension n’émerge que lorsqu’on rencontre des cas limites et des points de friction du monde réel. Son processus d’écriture implique deux phases distinctes : une phase de rédaction initiale axée sur la capture d’idées et de code, suivie d’une phase d’édition méticuleuse pour affiner la structure, les visuels et les points clés. Les révisions finales, y compris les retours de son partenaire, garantissent l’exhaustivité et l’accessibilité.