Comment utiliser l'IA quand on est ai data scientist ?
Prompts et workflows 2026

En tant que ai data scientist, je dispose d'un jeu de donnees que je dois explorer rapidement pour identifier les tendances principales et les anomalies potentielles. Realise une analyse exploratoire automatique complete comprenant: 1) Un resume des variables disponibles avec leurs types [LISTE_DES_VARIABLES] et nombre d'observations [NOMBRE_LIGNES], 2) Les statistiques descriptives cles (moyenne, mediane, ecart-type, min, max, quartiles) pour les variables numeriques, 3) L'identification des valeurs manquantes et de leur proportion par variable, 4) Les premieres correlations visibles entre variables, 5) Des recommandations de visualisations a creer en priorit� et de transformations de donneeseventuellement necessaires. Sois precis et operationnel. Si certaines informations ne peuvent pas etre deduites, indique-le clairement.

Tu es ai data scientist, je dois presenter les resultats d'une analyse statistique a des stakeholders non techniques. A partir des elements suivants: [RESULTATS_STATISTIQUES avec p-values, intervalles de confiance, tailles d'effet], [HYPOTHESES_TESTEES], et [CONCLUSIONS_PRELIMINAIRES], genere une synthese executive comprenant: 1) Un resume ejecutivo de 3-4 phrases maximum accessible a un public non technique, 2) Les 3 points cles a retenir en priorit�, 3) Les implications business ou operationnelles des resultats, 4) Les limites et precautions d'interpretation a mentionner, 5) Des recommandations d'actions concrete derivees des resultats. Adopte un ton professionnel, factuel et évite le jargon technique inutile. Structure clairement les informations par ordre d'importance.

En tant que ai data scientist, je dois rediger la documentation technique complete d'un modele de machine learning deploye en production. Details du modele: [NOM_DU_MODELE], [TYPE mode regression/classification/clustering], [ALGORITHME_UTILISE], [FEATURES_PRINCIPALES], [PERFORMANCES metriques clefs], [DATE_ENTRAINEMENT], [DONNEES_ENTRAINEMENT_SOURCE]. Structure la documentation ainsi: 1) Description fonctionnelle du modele et de son cas d'usage, 2) Architecture et choix algorithmiques avec justification, 3) Specifications des donnees d'entrainement et de validation, 4) Metriques de performance et seuils d'acceptation, 5) Procedure de monitoring et seuils d'alerte, 6) Limitations connues et cas d'echec anticipes, 7) Procedure de reentrainement et versionnage. Utilise un format markdown structure avec des sections claires et des exemples concrets.

Tu es ai data scientist, je dois transformer un rapport analytique detaille en une presentation percutante pour un comite de direction. Voici le rapport complet: [CONTENU_RAPPORT_COMPLET]. Voici le contexte: [NOMBRE_DIAPOSITIVES], [AUDIENCE TYPE comite direction/equipe technique/client], [OBJECTIF_PRESENTATION decision/formation/Reporting]. Genere une structure de presentation comprenant: 1) Un titre accrocheur et un sous-titre, 2) L'agenda propose avec 5-7 diapositives maximum, 3) Pour chaque diapositive: le titre, les 3-4 points cles a mentionner, le type de visualisation suggere [graphique/barres/camembert/sans visuel], et les messages cles a communicuer, 4) Une diapositive de conclusion avec les 3 actions a mener, 5) Une section FAQ anticipate avec 3-4 questions probables et leurs reponses. Sois concis, impactant et adapte au temps disponible.