💬 PROMPT IA
DRIFT ALERT DESIGNER
Conçoit un pipeline de détection de dérive des données et modèles avec seuils, alertes et plan d'action automatisé. Prompt prêt à copier pour ChatGPT, Claude et Gemini.

Tu es Data Scientist senior spécialisé en MLOps et monitoring de modèles en production.

# RÔLE
Tu conçois des systèmes de surveillance automatisée de la qualité des données et de la performance des modèles de machine learning déployés en production, pour détecter toute dérive avant qu'elle n'impacte le business.

# CONTEXTE
L'entreprise [NOM DE L'ENTREPRISE] exploite un ou plusieurs modèles de ML en production dans le périmètre [PÉRIMÈTRE OU PRODUIT CONCERNÉ]. Aucune alerte automatique de dérive n'existe actuellement, ce qui expose à des dégradations silencieuses de performance détectées trop tard.

# OBJECTIF
Concevoir un pipeline de détection de dérive (data drift et concept drift) incluant les métriques à suivre, les seuils d'alerte, la fréquence de contrôle et le plan d'action associé, pour une mise en œuvre sur [OUTIL OU STACK TECHNIQUE UTILISÉ].

# DONNÉES
[COLLER ICI la description du modèle en production : type, variables d'entrée, fréquence de prédiction]
[COLLER ICI les métriques de performance historiques disponibles, si existantes]
[COLLER ICI toute information sur incidents de dérive déjà observés]

# MÉTHODE
1. Identifier les types de dérive pertinents pour ce cas d'usage : dérive des données d'entrée, dérive de la distribution de la variable cible, dérive de performance du modèle.
2. Pour chaque type de dérive, proposer une ou deux métriques statistiques adaptées, par exemple Population Stability Index, divergence de Kullback-Leibler, test de Kolmogorov-Smirnov, en justifiant le choix selon la nature des variables, numériques ou catégorielles.
3. Définir un seuil d'alerte chiffré pour chaque métrique, avec justification du seuil choisi, en distinguant seuil d'avertissement et seuil critique.
4. Définir la fréquence de contrôle, quotidienne, hebdomadaire ou par batch, selon le volume de prédictions et la criticité du cas d'usage.
5. Décrire le plan d'action déclenché à chaque niveau d'alerte, incluant les responsables à notifier et les actions correctives possibles, par exemple réentraînement, investigation, rollback.
6. Proposer un schéma d'architecture simplifié du pipeline de monitoring, décrivant les étapes de collecte, calcul, alerte et journalisation.
7. Lister les limites de l'approche proposée et les points nécessitant validation humaine ou données complémentaires.

# CONTRAINTES
N'invente aucun chiffre de performance, aucun seuil arbitraire sans justification méthodologique, ni aucune source. Si une information technique manque pour dimensionner précisément le seuil ou la fréquence, signale-le explicitement et propose une valeur par défaut documentée comme hypothèse à valider. Reste opérationnel et actionnable, sans jargon académique non expliqué.

# FORMAT DE SORTIE
Un document structuré avec les sections suivantes : résumé exécutif en 5 lignes, tableau des métriques de dérive avec seuils et fréquence, schéma textuel du pipeline, plan d'escalade par niveau d'alerte, liste des hypothèses et points à valider.

# CONTRÔLE QUALITÉ
Vérifie que chaque métrique proposée est adaptée au type de variable concerné, que chaque seuil est justifié et non arbitraire, que le plan d'escalade couvre tous les niveaux d'alerte définis, et que toute hypothèse non confirmée par les données fournies est clairement signalée comme telle.

Remplace les [CROCHETS] par tes infos, puis lance.
#Prompt #IAgénérative #DATAISTUDIO

📊 USE CASE DATA & IA
Un copilote génératif pour instruire les dossiers de crédit en 5 minutes

🎯 Problème : Les chargés d'étude en crédit à la consommation passent une part importante de leur journée à compiler des informations éparses : relevés bancaires, justificatifs de revenus, historique client, scoring interne, pièces d'identité.

🧠 Méthode : OCR et extraction d'entités sur documents (bulletins de salaire, avis d'imposition) Modèle de classification pour détecter pièces manquantes ou incohérentes RAG avec reranking sur la base documentaire réglementaire et historique …

📈 Gains : Si 30 % du temps de rédaction et de vérification peut être absorbé par la synthèse automatique, le délai moyen d'instruction pourrait baisser sensiblement, avec un effet positif sur la conversion commerciale.

#UseCase #MachineLearning #DATAISTUDIO

🎨 MUSÉE IA
Armature Vibrante

Une échafaudage en métal robuste s'érige le long d'un mur de briques patiné, capturant l'énergie brute d'une ruelle new-yorkaise des années 90. Des aplats de couleurs vives et des gestes abstraits transforment cette structure temporaire en une œuvre d'art spontanée. L'œuvre explore la capacité de l'environnement urbain à devenir un canevas pour l'expression artistique éphémère.

#ArtIA #DATAISTUDIO

▶️ IA EN ACTION
Prompt ChatGPT pour analyser un CSV d’avis clients

Apprends à transformer un export CSV d’avis clients en tableau de priorités avec un prompt ChatGPT clair, exploitable et vérifiable.

#IA #Productivité #DATAISTUDIO

🎨 MUSÉE IA
Signaux Dormants du Quai

Des structures algorithmiques lumineuses semblent s'écouler le long d'un mur de quai de métro abandonné, où le béton ébréché révèle des strates de rouille et de graffitis effacés. Cette vision juxtapose la décrépitude urbaine à l'émergence éthérée de la donnée, invitant à contempler les flux invisibles sous la surface de la ville.

#ArtIA #DATAISTUDIO

📊 USE CASE DATA & IA
Recouvrement B2B grande distribution : prioriser et encaisser plus vite

🎯 Problème : Les enseignes de grande distribution gèrent des flux de créances B2B complexes : marchés de gros, ventes à la restauration collective, grossistes partenaires, loueurs de corners en galerie marchande.

🧠 Méthode : Modèle de survie de Cox : estimation du délai avant impayé par compte XGBoost avec contrainte de monotonie : probabilité de recouvrement à 30/60/90 jours Clustering k-prototypes : segmentation des comptes par profil de paiement m…

📈 Gains : Si 15 à 20 % des créances aujourd'hui traitées par ancienneté uniforme sont en réalité à faible risque, la priorisation libérerait du temps credit management pour les dossiers critiques.

#UseCase #MachineLearning #DATAISTUDIO

💻 R UNDERGROUND
xgboost en R : pourquoi le patch Python ne doit pas rassurer sur le reste

Si vos modèles xgboost tournent en R, un patch côté Python ne garantit pas que votre pipeline est couvert. Réflexe immédiat : figer la version avec renv, sauvegarder avec le modèle les paramètres, la version xgboost/R et un jeu de validation de référence. À chaque montée mineure ou majeure, comparez AUC, log-loss, temps d’entraînement et prédictions avant mise en prod.

#RStats #Data #DATAISTUDIO

🎨 MUSÉE IA
Mosaïque de Mythes Urbains

Une toile surchargée révèle une fresque urbaine où des icônes inventées de la culture populaire s'entrechoquent. Super-héros, robots et créatures imaginaires se mêlent aux rames de métro stylisées et gratte-ciel, créant un commentaire visuel sur la frénésie consumériste et le foisonnement narratif contemporain.

#ArtIA #DATAISTUDIO

📈 DASHBOARD
Épargne Post-Covid : La Grande Fonte

Un cas utile pour analyser la consommation américaine post-Covid : l’épargne accumulée pendant la pandémie a-t-elle réellement été absorbée ? À exploiter pour croiser comportements ménages, inflation, crédit et signaux macro, et affiner vos lectures de demande dans les modèles prévisionnels.

#DataViz #OpenData #DATAISTUDIO

💬 PROMPT IA
DATA CLEANING PLAYBOOK

Un dataset brut peut vite contaminer toute la chaîne d’analyse : KPI, modèles, décisions. Ce prompt transforme un échantillon de données en playbook de nettoyage : diagnostic, règles de détection, ordre d’exécution, script adapté à l’outil choisi et checklist de validation. Utile pour cadrer un nettoyage pandas, SQL ou Excel sans oublier doublons, manquants, formats et aberrants. 🧹

# RÔLE
Tu es data analyst senior, spécialiste de la préparation et du nettoyage de données pour des analyses décisionnelles fiables.

# CONTEXTE
L'entreprise [NOM DE L'ENTREPRISE] dispose d'un jeu de données brut destiné à une analyse sur [PÉRIODE ANALYSÉE]. Ce jeu de données contient probablement des doublons, valeurs manquantes, formats incohérents et valeurs aberrantes qui faussent toute analyse en aval.

# OBJECTIF
Produire un plan de nettoyage structuré et actionnable, accompagné de scripts prêts à exécuter, permettant d'obtenir un jeu de données propre, documenté et exploitable pour l'outil [OUTIL D'ANALYSE UTILISÉ, ex Python pandas, SQL, Excel].

# DONNÉES
Structure du jeu de données (colonnes, types attendus) : [COLLER ICI LA LISTE DES COLONNES ET TYPES]
Extrait représentatif de lignes (10 à 30 lignes) : [COLLER ICI UN ÉCHANTILLON DE DONNÉES]
Problèmes déjà identifiés ou suspectés par l'équipe : [COLLER ICI LES ANOMALIES CONNUES, le cas échéant]

# MÉTHODE
1. Analyser la structure et les types de données fournis, identifier les incohérences de format (dates, texte, numériques, unités).
2. Détecter les valeurs manquantes par colonne, estimer leur proportion et proposer une stratégie par colonne (suppression, imputation, valeur par défaut, signalement).
3. Détecter les doublons potentiels (exacts et quasi-exacts) et définir la clé de dédoublonnage.
4. Identifier les valeurs aberrantes ou incohérentes (hors plage logique, formats impossibles, incohérences croisées entre colonnes) et proposer un seuil de détection pour chacune.
5. Proposer un ordre d'exécution des opérations de nettoyage, du moins risqué au plus risqué.
6. Générer le script correspondant dans le langage ou l'outil indiqué, commenté étape par étape.
7. Lister les contrôles de validation à exécuter après nettoyage pour vérifier l'intégrité du résultat.

# CONTRAINTES
N'invente aucune donnée, aucun chiffre et aucune statistique qui ne figurent pas dans l'extrait fourni.
Si la structure ou l'échantillon sont insuffisants pour statuer sur un point, indique-le explicitement dans une section « Informations manquantes » plutôt que de supposer.
Ne propose jamais une suppression de données sans indiquer l'impact estimé sur le volume du jeu de données.
Adapte le script strictement à l'outil indiqué en [OUTIL D'ANALYSE UTILISÉ].

# FORMAT DE SORTIE
1. Diagnostic résumé : liste des problèmes détectés par catégorie (manquants, doublons, formats, aberrants).
2. Plan de nettoyage : tableau avec colonnes Problème, Colonne concernée, Règle de traitement, Risque associé.
3. Script de nettoyage commenté, prêt à exécuter.
4. Checklist de validation post-nettoyage.
5. Section Informations manquantes, si applicable.

# CONTRÔLE QUALITÉ
Vérifie que chaque règle de traitement proposée est justifiée par une observation concrète de l'échantillon fourni.
Vérifie que le script ne contient aucune fonction incompatible avec l'outil indiqué.
Vérifie que le volume de données estimé après nettoyage est cohérent avec l'échantillon initial.
Signale toute hypothèse formulée faute de données suffisantes.

Remplace les [CROCHETS] par tes infos, puis lance.
#Prompt #IAgénérative #DATAISTUDIO

💻 R UNDERGROUND
Exporter ses tableaux gt vers PowerPoint : la fin du copier-coller pour les comités

gt exporte désormais les tableaux R en PowerPoint natif : utile pour supprimer le copier-coller entre reporting et slides de comité. Construisez le tableau comme d’habitude avec gt(), formatez-le avec fmt_* / tab_* / cols_*, puis lancez `gtsave(tbl, "synthese.pptx")`. À tester sur un reporting récurrent avant intégration dans un pipeline Quarto ou Rmd.

#RStats #Data #DATAISTUDIO

📈 DASHBOARD
Santé et Conso de Base : Les Increvables

Une ressource utile pour challenger une allocation “défensive” avant un arbitrage. Elle pose la bonne question : santé et consommation de base protègent-elles réellement mieux que le marché lors des krachs ? À utiliser pour cadrer une analyse de drawdowns, de rotation sectorielle ou de construction de portefeuille.

#DataViz #OpenData #DATAISTUDIO