Il y a quelques mois, j'ai écrit sur 3 compétences Claude dont chaque data scientist a besoin en 2026 : les tableaux de bord Claude, Claude Cowork pour prioriser les tickets Jira, et le débogage avec Claude Code. Mais ces cas d'utilisation ne font qu'effleurer la surface. Il existe de nombreuses autres façons dont Claude peut réduire le travail répétitif et libérer du temps pour les parties du travail qui nécessitent réellement une personne. Voici donc 4 compétences supplémentaires.

1. Recherche approfondie pour comparer les approches de modélisation

Lorsque vous posez une question à Claude, il puise ses informations dans l'une de trois sources : ses propres données d'entraînement et connaissances, la recherche sur le web, ou la recherche approfondie. La recherche sur le web et la recherche approfondie doivent être activées. La recherche sur le web interroge le web pour obtenir une réponse unique à votre question. Mais la recherche approfondie exécute une séquence de recherches web connectées par elle-même, chacune s'appuyant sur ce que la précédente a trouvé. Elle renvoie ensuite un rapport complet avec des références.

Comment utiliser le mode recherche dans Claude : cliquez sur le bouton + en bas à gauche de la fenêtre de chat. Sélectionnez Recherche (un indicateur bleu confirme qu'il est actif). Si Claude ne l'active pas automatiquement sur une question qui le nécessite, dites-le directement : « Claude, s'il te plaît, utilise l'outil de recherche pour... »

Voici quelques cas d'utilisation réels de l'outil de recherche approfondie de Claude pour les data scientists :

Problème : Vous débutez dans la construction de systèmes d'IA agente et vous devez comprendre les meilleures pratiques actuelles pour évaluer si un agent est prêt pour la production avant de le déployer pour la première fois.

Invite de recherche approfondie Claude : Résumez les meilleures pratiques actuelles et les cadres d'évaluation pour tester les agents d'IA avant leur déploiement en production. Couvrez les modes d'échec courants comme les boucles, l'utilisation abusive des outils et les actions hallucinées, et expliquez comment les équipes mesurent la fiabilité avant l'expédition. Citez des articles récents, des benchmarks publiés ou des approches documentées provenant de laboratoires d'IA.

Problème : Décidez si vous devez reconstruire un modèle de prévision de production autour d'une approche plus récente ou conserver la configuration de gradient boosting déjà en cours d'exécution.

Invite de recherche approfondie Claude : Comparez les méthodes statistiques classiques de prévision (SARIMA, lissage exponentiel) avec le gradient boosting et les modèles basés sur les transformateurs pour la prévision de la charge énergétique horaire. Pour chaque approche, résumez la précision sur des horizons de plusieurs jours, les exigences en volume de données, et les modes d'échec documentés. Citez des articles spécifiques ou des benchmarks.

Problème : Décidez quelle méthode de détection des valeurs aberrantes appliquer à un nouveau jeu de données présentant des motifs saisonniers forts avant qu'il n'atteigne un modèle de production.

Invite de recherche approfondie Claude : Comparez les méthodes z-score, IQR et forêt d'isolation pour la détection des valeurs aberrantes dans les données de séries temporelles saisonnières. Résumez où chaque méthode a tendance à produire des faux positifs, le coût computationnel à grande échelle, et les conseils documentés pour choisir entre elles. Citez des sources spécifiques.

Pour ce dernier cas, Claude est revenu avec un document organisé contenant les sections suivantes :

TLDR/Résumé

Aperçu des méthodes — explique ce que sont le z-score, l'IQR et les forêts d'isolation et comment ils fonctionnent

Modèles de faux positifs par méthode (dans un contexte saisonnier)

Coût computationnel et évolutivité

Conseils pour la prise de décision : choisir entre les méthodes

Mises en garde — discute des limites de ses découvertes

2. Brief de projet HTML pour les parties prenantes

Imaginons que vous travailliez pour une entreprise de marketing sur les réseaux sociaux où vous avez développé un modèle de prévision de l'engagement de contenu pour une campagne spécifique de reels de courte durée. Cependant, le modèle ne fonctionne pas comme prévu. Alors vous et d'autres data scientists élaborez un plan de 2 mois pour améliorer le modèle. Mais les parties prenantes non techniques sont souvent impatientes et ne comprennent pas pourquoi les publications ne performent pas aussi bien qu'initialement attendu. Elles veulent des améliorations cette semaine (ce que les data scientists savent être souvent une échéance irréaliste).

La création d'un brief de projet HTML pouvant être partagé sous forme de lien permet de combler cet écart de communication en fournissant un résumé clair et lisible de l'état du projet, du calendrier et des attentes.

Entités clés :

Entreprises : Towards Data Science

FAQ : Comment l'outil de recherche approfondie de Claude diffère-t-il de la recherche sur le web ?

La recherche sur le web récupère une réponse unique provenant du web, tandis que la recherche approfondie exécute une séquence de recherches web connectées, chacune s'appuyant sur la précédente, puis renvoie un rapport complet avec des références.

FAQ Q : Comment l'outil de recherche approfondie de Claude diffère-t-il de la recherche sur le web ?

FAQ A : La recherche sur le web récupère une réponse unique provenant du web, tandis que la recherche approfondie exécute une séquence de recherches web connectées, chacune s'appuyant sur la précédente, puis renvoie un rapport complet avec des références.