{"id":77176,"date":"2020-04-08T13:42:19","date_gmt":"2020-04-08T11:42:19","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza"},"modified":"2020-04-08T13:42:19","modified_gmt":"2020-04-08T11:42:19","slug":"data-engineer-i-data-scientist-kakaya-voobshhe-raznicza","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza","title":{"rendered":"Data Engineer et Data Scientist : quelle est la diff\u00e9rence ?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Les professions de Data Scientist et de Data Engineer sont souvent confondues. Chaque entreprise a sa sp\u00e9cificit\u00e9 dans le traitement des donn\u00e9es, des objectifs d'analyse diff\u00e9rents et une conception vari\u00e9e de la r\u00e9partition des t\u00e2ches entre ces sp\u00e9cialistes, ce qui entra\u00eene des exigences distinctes.\u00a0<\/p>\n<p>Nous clarifions la diff\u00e9rence entre ces sp\u00e9cialistes, les t\u00e2ches commerciales qu'ils accomplissent, les comp\u00e9tences qu'ils poss\u00e8dent et leurs niveaux de salaire. Le document \u00e9tant cons\u00e9quent, nous l'avons divis\u00e9 en deux publications.<\/p>\n<p>Dans le premier article, Elena Gerasimova, responsable du d\u00e9partement \u00ab<noindex><a rel=\"nofollow\" href=\"https:\/\/netology.ru\/navigation\/?direction=data-science?utm_source=habr&amp;utm_medium=externalblog&amp;utm_campaign=bds_all_ou&amp;utm_content=07042020_dataengscientist\">Data Science et analytique<\/a><\/noindex>\u00bb chez Netology, explique la diff\u00e9rence entre Data Scientist et Data Engineer et les outils qu'ils utilisent.<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Comment se diff\u00e9rencient les r\u00f4les des ing\u00e9nieurs et des data scientists<\/h2>\n<p>\nLe Data Engineer est un sp\u00e9cialiste qui, d'une part, con\u00e7oit, teste et maintient l'infrastructure de traitement des donn\u00e9es : bases de donn\u00e9es, entrep\u00f4ts de donn\u00e9es et syst\u00e8mes de traitement de masse. D'autre part, il s'occupe de nettoyer et de structurer les donn\u00e9es pour les rendre utilisables par les analystes et les data scientists, c'est-\u00e0-dire il cr\u00e9e des pipelines de traitement des donn\u00e9es.<\/p>\n<p>Le Data Scientist cr\u00e9e et entra\u00eene des mod\u00e8les pr\u00e9dictifs (et d'autres) \u00e0 l'aide d'algorithmes d'apprentissage automatique et de r\u00e9seaux neuronaux, aidant les entreprises \u00e0 d\u00e9tecter des sch\u00e9mas cach\u00e9s, \u00e0 pr\u00e9voir des \u00e9v\u00e9nements et \u00e0 optimiser des processus commerciaux cl\u00e9s.<\/p>\n<p>La principale diff\u00e9rence entre le Data Scientist et le Data Engineer r\u00e9side dans le fait qu'ils ont g\u00e9n\u00e9ralement des objectifs diff\u00e9rents. Tous deux travaillent pour que les donn\u00e9es soient accessibles et de qualit\u00e9. Cependant, le Data Scientist cherche des r\u00e9ponses \u00e0 ses questions et teste des hypoth\u00e8ses dans l'\u00e9cosyst\u00e8me de donn\u00e9es (par exemple, sur une base Hadoop), tandis que le Data Engineer cr\u00e9e le pipeline de maintenance de l'algorithme d'apprentissage automatique \u00e9labor\u00e9 par le data scientist, au sein du m\u00eame \u00e9cosyst\u00e8me Spark.\u00a0<\/p>\n<p>Le Data Engineer apporte de la valeur \u00e0 l'entreprise en travaillant en \u00e9quipe. Sa t\u00e2che consiste \u00e0 \u00e9tablir un lien crucial entre les diff\u00e9rents acteurs : des d\u00e9veloppeurs aux consommateurs d'analyses, et \u00e0 accro\u00eetre la productivit\u00e9 des analystes \u2013 qu'ils soient en marketing, en d\u00e9veloppement produit ou en Business Intelligence.\u00a0<\/p>\n<p>Le Data Scientist, quant \u00e0 lui, participe activement \u00e0 la strat\u00e9gie de l'entreprise et \u00e0 l'extraction d'insights, \u00e0 la prise de d\u00e9cisions, \u00e0 la mise en \u0153uvre des algorithmes d'automatisation, de mod\u00e9lisation et \u00e0 la g\u00e9n\u00e9ration de valeur \u00e0 partir des donn\u00e9es.<br \/>\n<img decoding=\"async\" alt=\"Data Engineer et Data Scientist : quelle est la diff\u00e9rence ?\" src=\"\/wp-content\/uploads\/2020\/04\/1ce3e892eb7a354b106dc2f6398ec5e7.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLe travail avec les donn\u00e9es est soumis au principe GIGO (garbage in \u2014 garbage out) : si les analystes et les data scientists manipulent des donn\u00e9es non pr\u00e9par\u00e9es et potentiellement incorrectes, les r\u00e9sultats, m\u00eame avec les algorithmes d'analyse les plus sophistiqu\u00e9s, seront erron\u00e9s.\u00a0<\/p>\n<p>Les ing\u00e9nieurs des donn\u00e9es r\u00e9solvent ce probl\u00e8me en construisant des pipelines pour le traitement, le nettoyage et la transformation des donn\u00e9es, permettant ainsi aux data scientists de travailler avec des donn\u00e9es de qualit\u00e9.\u00a0<\/p>\n<p>Il existe de nombreux outils sur le march\u00e9 pour travailler avec les donn\u00e9es, couvrant chaque \u00e9tape : de l'apparition des donn\u00e9es \u00e0 leur affichage sur le tableau de bord du conseil d'administration. Il est important que la d\u00e9cision de les utiliser soit prise par un ing\u00e9nieur, non pas parce que c'est \u00e0 la mode, mais parce qu'elle aidera r\u00e9ellement les autres participants au processus.\u00a0<\/p>\n<p>En gros, si une entreprise doit faire collaborer BI et ETL \u2014 le chargement des donn\u00e9es et les mises \u00e0 jour des rapports, voici une base h\u00e9rit\u00e9e typique avec laquelle un Data Engineer devra traiter (id\u00e9alement, il y aura aussi un architecte dans l'\u00e9quipe).<\/p>\n<p><b>Responsabilit\u00e9s du Data Engineer<\/b><\/p>\n<ul>\n<li>Conception, construction et maintenance de l'infrastructure de travail avec les donn\u00e9es.<\/li>\n<li>Gestion des erreurs et cr\u00e9ation de pipelines de traitement des donn\u00e9es fiables.<\/li>\n<li>Transformation des donn\u00e9es non structur\u00e9es provenant de diverses sources dynamiques en un format requis pour le travail des analystes.<\/li>\n<li>Fournir des recommandations pour am\u00e9liorer la coh\u00e9rence et la qualit\u00e9 des donn\u00e9es.<\/li>\n<li>Assurer et maintenir l'architecture des donn\u00e9es utilis\u00e9e par les data scientists et les analystes de donn\u00e9es.<\/li>\n<li>Traitement et stockage des donn\u00e9es de mani\u00e8re s\u00e9quentielle et efficace dans un cluster distribu\u00e9 de dizaines ou de centaines de serveurs.<\/li>\n<li>\u00c9valuation des compromis techniques des outils pour cr\u00e9er des architectures simples mais robustes capables de r\u00e9sister aux pannes.<\/li>\n<li>Contr\u00f4le et maintenance des flux de donn\u00e9es et des syst\u00e8mes associ\u00e9s (configuration de la surveillance et des alertes).<\/li>\n<\/ul>\n<p>\nIl existe une autre sp\u00e9cialisation au sein du parcours Data Engineer \u2014 l'ing\u00e9nieur ML. En r\u00e9sum\u00e9, ces ing\u00e9nieurs se sp\u00e9cialisent dans le d\u00e9ploiement de mod\u00e8les d'apprentissage automatique en conditions industrielles. Souvent, le mod\u00e8le fourni par le data scientist fait partie d'une recherche et peut ne pas fonctionner dans des conditions r\u00e9elles.<\/p>\n<p><b>Responsabilit\u00e9s du Data Scientist<\/b><\/p>\n<ul>\n<li>Extraction de caract\u00e9ristiques \u00e0 partir des donn\u00e9es pour l'application des algorithmes d'apprentissage automatique.<\/li>\n<li>Utilisation de divers outils d'apprentissage automatique pour pr\u00e9voir et classifier des motifs dans les donn\u00e9es.<\/li>\n<li>Am\u00e9lioration des performances et de la pr\u00e9cision des algorithmes d'apprentissage automatique gr\u00e2ce \u00e0 l'ajustement fin et \u00e0 l'optimisation des algorithmes.<\/li>\n<li>Formulation d'hypoth\u00e8ses \u00ab fortes \u00bb en accord avec la strat\u00e9gie de l'entreprise, qui doivent \u00eatre v\u00e9rifi\u00e9es.<\/li>\n<\/ul>\n<p><\/p>\n<blockquote><p>\u00c0 la fois le Data Engineer et le Data Scientist contribuent de mani\u00e8re significative au d\u00e9veloppement d'une culture de traitement des donn\u00e9es, permettant \u00e0 l'entreprise d'augmenter ses profits ou de r\u00e9duire ses co\u00fbts.<\/p><\/blockquote>\n<p><\/p>\n<h2>Avec quels langages et outils travaillent les ing\u00e9nieurs et les scientifiques des donn\u00e9es<\/h2>\n<p>\nAujourd'hui, les attentes vis-\u00e0-vis des sp\u00e9cialistes du traitement des donn\u00e9es ont chang\u00e9. Auparavant, les ing\u00e9nieurs r\u00e9digeaient de grandes requ\u00eates SQL, \u00e9crivaient manuellement des MapReduce et traitaient des donn\u00e9es \u00e0 l'aide d'outils tels qu'Informatica ETL, Pentaho ETL, Talend.\u00a0<\/p>\n<p>En 2020, un sp\u00e9cialiste ne peut se passer de la connaissance de Python et des outils modernes de calcul (comme Airflow), ainsi que de la compr\u00e9hension des principes de travail avec les plateformes cloud (en les utilisant pour \u00e9conomiser sur le mat\u00e9riel tout en respectant les principes de s\u00e9curit\u00e9).<\/p>\n<p>SAP, Oracle, MySQL, Redis \u2014 ce sont des outils traditionnels pour les ing\u00e9nieurs de donn\u00e9es dans les grandes entreprises. Ils sont bons, mais le co\u00fbt des licences est si \u00e9lev\u00e9 qu'il n'est logique d'apprendre \u00e0 les utiliser que dans des projets industriels. Il existe n\u00e9anmoins une alternative gratuite comme Postgres \u2014 il est gratuit et convient non seulement pour l'apprentissage.\u00a0<\/p>\n<p><img decoding=\"async\" alt=\"Data Engineer et Data Scientist : quelle est la diff\u00e9rence ?\" src=\"\/wp-content\/uploads\/2020\/04\/8a002b86ee3a18d5b232c5232a62dd3e.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nHistoriquement, il y a souvent eu une demande pour Java et Scala, bien que, avec l'\u00e9volution des technologies et des approches, ces langages passent au second plan.<\/p>\n<p>Cependant, le Big Data hardcore : Hadoop, Spark et le reste du zoo ne sont plus des conditions indispensables pour un ing\u00e9nieur de donn\u00e9es, mais plut\u00f4t un ensemble d'outils pour r\u00e9soudre des probl\u00e8mes qui ne peuvent \u00eatre r\u00e9solus avec un ETL traditionnel.\u00a0<\/p>\n<blockquote><p>Les services sans besoin de conna\u00eetre le langage dans lequel ils sont \u00e9crits (par exemple, Hadoop sans connaissance de Java) sont \u00e0 la mode, ainsi que la fourniture de services pr\u00eats \u00e0 l'emploi pour le traitement des donn\u00e9es en continu (reconnaissance vocale ou d'images sur vid\u00e9o).<\/p><\/blockquote>\n<p>\nLes solutions industrielles de SAS et SPSS sont populaires, tandis que Tableau, Rapidminer, Stata et Julia sont \u00e9galement largement utilis\u00e9s par les data scientists pour des t\u00e2ches locales.<\/p>\n<p><img decoding=\"async\" alt=\"Data Engineer et Data Scientist : quelle est la diff\u00e9rence ?\" src=\"\/wp-content\/uploads\/2020\/04\/cf18b6b4fe45d9286f2ec6d14418d28c.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nLa possibilit\u00e9 de construire soi-m\u00eame des pipelines est apparue pour les analystes et les data scientists il y a seulement quelques ann\u00e9es : par exemple, il est d\u00e9j\u00e0 possible d'acheminer des donn\u00e9es vers un stockage bas\u00e9 sur PostgreSQL avec des scripts relativement simples.\u00a0<\/p>\n<p>En g\u00e9n\u00e9ral, l'utilisation de pipelines et de structures de donn\u00e9es int\u00e9gr\u00e9es reste entre les mains des data engineers. Mais aujourd'hui plus que jamais, la tendance des sp\u00e9cialistes en T \u2014 avec des comp\u00e9tences larges dans des domaines connexes \u2014 est forte, car les outils se simplifient continuellement.<\/p>\n<h2>Pourquoi Data Engineer et Data Scientist doivent-ils travailler ensemble<\/h2>\n<p>\nEn collaborant \u00e9troitement avec les ing\u00e9nieurs, les Data Scientists peuvent se concentrer sur l'aspect recherche, en cr\u00e9ant des algorithmes de machine learning pr\u00eats \u00e0 l'emploi.<br \/>\nEt les ing\u00e9nieurs peuvent se concentrer sur l'\u00e9volutivit\u00e9, la r\u00e9utilisation des donn\u00e9es et s'assurer que les pipelines d'entr\u00e9e et de sortie des donn\u00e9es dans chaque projet r\u00e9pondent \u00e0 l'architecture globale. <\/p>\n<p>Une telle r\u00e9partition des t\u00e2ches assure une coh\u00e9rence d'action entre les groupes de sp\u00e9cialistes travaillant sur diff\u00e9rents projets de machine learning.\u00a0<\/p>\n<p>La collaboration aide \u00e0 cr\u00e9er efficacement de nouveaux produits. La rapidit\u00e9 et la qualit\u00e9 sont atteintes gr\u00e2ce \u00e0 un \u00e9quilibre entre la cr\u00e9ation d'un service pour tous (stockage global ou int\u00e9gration de tableaux de bord) et la r\u00e9alisation de chaque besoin ou projet sp\u00e9cifique (pipeline sp\u00e9cialis\u00e9, connexion \u00e0 des sources externes).\u00a0<\/p>\n<p>Le travail \u00e9troit avec les data scientists et les analystes aide les ing\u00e9nieurs \u00e0 d\u00e9velopper des comp\u00e9tences analytiques et de recherche pour \u00e9crire un code de meilleure qualit\u00e9. L'\u00e9change de connaissances entre les utilisateurs de stockages et de lacs de donn\u00e9es s'am\u00e9liore, rendant les projets plus flexibles et assurant des r\u00e9sultats durables \u00e0 long terme.<\/p>\n<p>Dans les entreprises qui visent \u00e0 d\u00e9velopper une culture de travail des donn\u00e9es et \u00e0 construire des processus commerciaux sur cette base, les Data Scientists et les Data Engineers se compl\u00e8tent et cr\u00e9ent un syst\u00e8me d'analyse de donn\u00e9es complet.\u00a0<\/p>\n<p>Dans le prochain article, nous allons parler de l'\u00e9ducation requise pour les Data Engineers et les Data Scientists, des comp\u00e9tences qu'ils doivent d\u00e9velopper et de la structure du march\u00e9.<\/p>\n<h2>De la r\u00e9daction de Netology<\/h2>\n<p>\nSi vous envisagez une carri\u00e8re en tant que Data Engineer ou Data Scientist, nous vous invitons \u00e0 d\u00e9couvrir nos programmes de cours :<\/p>\n<ul>\n<li>La profession \u00ab<noindex><a rel=\"nofollow\" href=\"https:\/\/netology.ru\/programs\/data-engineer?utm_source=habr&amp;utm_medium=externalblog&amp;utm_campaign=bds_deg_ou&amp;utm_content=07042020_dataengscientist\">Ing\u00e9nieur Data<\/a><\/noindex>\u00bb.\u00a0\u00a0<\/li>\n<li>La profession \u00ab<noindex><a rel=\"nofollow\" href=\"https:\/\/netology.ru\/programs\/data-scientist\/?utm_source=habr&amp;utm_medium=externalblog&amp;utm_campaign=bds_ds_ou&amp;utm_content=07042020_dataengscientist\">Data Scientist<\/a><\/noindex>\u00bb.<\/li>\n<\/ul>\n<p>Source : <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/netologyru\/blog\/496082\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u0438 Data Scientist \u0438 Data Engineer \u0447\u0430\u0441\u0442\u043e \u043f\u0443\u0442\u0430\u044e\u0442. \u0423 \u043a\u0430\u0436\u0434\u043e\u0439 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 \u0441\u0432\u043e\u044f \u0441\u043f\u0435\u0446\u0438\u0444\u0438\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438, \u0440\u0430\u0437\u043d\u044b\u0435 \u0446\u0435\u043b\u0438 \u0438\u0445 \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438 \u0440\u0430\u0437\u043d\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435, \u043a\u0442\u043e \u0438\u0437 \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0441\u0442\u043e\u0432 \u043a\u0430\u043a\u043e\u0439 \u0447\u0430\u0441\u0442\u044c\u044e \u0440\u0430\u0431\u043e\u0442\u044b \u0434\u043e\u043b\u0436\u0435\u043d \u0437\u0430\u043d\u0438\u043c\u0430\u0442\u044c\u0441\u044f, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0438 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044f \u043a\u0430\u0436\u0434\u044b\u0439 \u043f\u0440\u0435\u0434\u044a\u044f\u0432\u043b\u044f\u0435\u0442 \u0441\u0432\u043e\u0438.\u00a0 \u0420\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f, \u0432 \u0447\u0451\u043c \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u044d\u0442\u0438\u0445 \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0441\u0442\u043e\u0432, \u043a\u0430\u043a\u0438\u0435 \u0437\u0430\u0434\u0430\u0447\u0438 \u0431\u0438\u0437\u043d\u0435\u0441\u0430 \u043e\u043d\u0438 \u0440\u0435\u0448\u0430\u044e\u0442, \u043a\u0430\u043a\u0438\u043c\u0438 \u043d\u0430\u0432\u044b\u043a\u0430\u043c\u0438 \u043e\u0431\u043b\u0430\u0434\u0430\u044e\u0442 \u0438 \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u0430\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u044e\u0442. \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":77177,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-77176","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u0438 Data Scientist \u0438 Data Engineer \u0447\u0430\u0441\u0442\u043e \u043f\u0443\u0442\u0430\u044e\u0442.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"fr_FR\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47Data Engineer \u0438 Data Scientist: \u043a\u0430\u043a\u0430\u044f \u0432\u043e\u043e\u0431\u0449\u0435 \u0440\u0430\u0437\u043d\u0438\u0446\u0430? | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u0438 Data Scientist \u0438 Data Engineer \u0447\u0430\u0441\u0442\u043e \u043f\u0443\u0442\u0430\u044e\u0442.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-04-08T11:42:19+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-04-08T11:42:19+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Data Engineer et Data Scientist : quelle est la diff\u00e9rence ? | ProHoster","description":"Les professions de Data Scientist et de Data Engineer sont souvent confondues.","canonical_url":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"fr_FR","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47Data Engineer \u0438 Data Scientist: \u043a\u0430\u043a\u0430\u044f \u0432\u043e\u043e\u0431\u0449\u0435 \u0440\u0430\u0437\u043d\u0438\u0446\u0430? | ProHoster","og:description":"\u041f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u0438 Data Scientist \u0438 Data Engineer \u0447\u0430\u0441\u0442\u043e \u043f\u0443\u0442\u0430\u044e\u0442.","og:url":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-04-08T11:42:19+00:00","article:modified_time":"2020-04-08T11:42:19+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"77176","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 17:22:32","updated":"2022-09-28 20:49:23","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/77176","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=77176"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/77176\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media\/77177"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=77176"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=77176"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=77176"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}