# Dataiku's Secret to Scaling AI in Global Enterprises | Florian Douetteau, CEO, Dataiku **Date de l'événement :** 12/12/2024 * Publié le 01/07/2025 **Vide :** [Vidéo 1](https://www.youtube.com/watch?v=GYxQBqgiWAg) ## Description In this episode, we sit down with Florian Douetteau, co-founder and CEO of Dataiku, a global category leader in enterprise AI and a fixture on the Forbes Cloud 100 list and in the Gartner Leader Quadrant. Florian shares his journey from a Parisian student fascinated by functional programming to leading a global enterprise software company. We discuss how Dataiku bridges the gap between technical and business teams to democratize AI in the enterprise, the challenges of selling to enterprise clients, and how Dataiku acts as an orchestration layer for Generative AI, helping businesses manage complex data processes and control AI, so they can build more with AI. Dataiku Website - https://www.dataiku.com/ X/Twitter - https://twitter.com/dataiku Florian Douetteau LinkedIn - https://www.linkedin.com/in/fdouetteau X/Twitter - https://twitter.com/fdouetteau FIRSTMARK Website - https://firstmark.com X/Twitter - https://twitter.com/FirstMarkCap Matt Turck (Managing Director) LinkedIn - https://www.linkedin.com/in/turck/ X/Twitter - https://twitter.com/mattturck LISTEN ON: Spotify - https://open.spotify.com/show/7yLATDSaFvgJG80ACcRJtq Apple - https://podcasts.apple.com/us/podcast/the-mad-podcast-with-matt-turck/id1686238724 00:00 - Intro 02:08 - Florian's life before Dataiku 06:58 - Creation of Dataiku 12:08 - Secret behind the Dataiku's name 12:47 - How does Dataiku stay insightful about the future? 14:46 - Building a platform, not just a tool 17:26 - How to sell to the enterprise from the beginning 20:09 - Dataiku platform today 26:55 - Data is always the problem 28:50 - LLM Mesh 36:02 - Will Gen AI replace ML? 39:41 - Managing Gen AI and traditional AI on one platform 40:37 - Gen AI deployment in the enterprise 48:33 - Dataiku's roadmap 50:28 - What has changed with the company's growth? ### Date 12/12/2024 **Chaîne :** [The MAD Podcast with Matt Turck](https://www.youtube.com/channel/UCQID78IY6EOojr5RUdD47MQ) ### Tags `#startups` `#technology` `#big data` `#data science` `#venture capital` `#Dataiku` `#AI` `#Machine Learning` `#Generative AI` `#Enterprise Software` `#Data Science` `#Functional Programming` `#Business Intelligence` `#Data Orchestration` `#Predictive Analytics` `#LLMs` `#Data Democratization` `#AI Innovation` `#Enterprise AI` `#Data Collaboration` `#AI Governance` `#Tech Ecosystem` `#Startup Journey` `#Data Prep` `#AI Platforms` `#podcast on AI` `#AI podcast` ### Thème(s) `#Numérique et technologie` `#Intelligence artificielle (AI & GenAI)` ### Format `#Vidéo` `#Podcast` --- ### Média externe associé : https://www.youtube.com/watch?v=GYxQBqgiWAg #### Résumé du média **Titre résumé :** Dataiku : De la démocratisation de la data science à la gestion de l'IA générative en entreprise. **Résumé des grandes tendances :** * L'évolution de l'IA, avec une emphase sur l'intégration de l'IA générative aux côtés du machine learning traditionnel. * La nécessité d'une plateforme d'orchestration pour gérer la complexité croissante des modèles d'IA et des agents en entreprise. * L'importance de la collaboration entre les équipes techniques et métiers pour exploiter pleinement le potentiel de l'IA. **Sujets principaux :** * La genèse de Dataiku et sa vision de démocratisation de la data science. * L'évolution de la plateforme Dataiku pour répondre aux besoins changeants des entreprises en matière d'IA. * Les défis et opportunités liés à l'adoption de l'IA générative en entreprise, notamment la gestion des risques et des coûts. * L'importance de la gouvernance et du contrôle dans le déploiement de l'IA à grande échelle. **Expertise et vision de l'orateur :** Florian Duetto, CEO de Dataiku, apporte une perspective unique sur l'évolution du marché de l'IA, en mettant l'accent sur les besoins des entreprises et les défis liés à l'adoption de nouvelles technologies. Son expertise réside dans la construction de plateformes d'orchestration qui permettent aux entreprises de gérer l'ensemble du cycle de vie de l'IA, de la préparation des données au déploiement des modèles et des agents. Il anticipe une évolution vers une gestion centralisée des agents d'IA, avec un focus sur la sécurité, la gouvernance et le contrôle des coûts. #### Mots-clés du média `Dataiku` `machine learning` `AI` `enterprise AI` `data science` `generative AI` `LLM` `platform` `data` `models` `agents` `collaboration` `analytics` `automation` `workflows` #### Chapitres du média - **Introduction à Dataiku et son CEO, Florian Duetto** (0.32 - 19.126): Présentation de Matt Turk et de son invité, Florian Duetto, CEO de Dataiku. Discussion sur l'ascension de Dataiku, de ses débuts en France à son statut de leader mondial en IA d'entreprise. - (0.32): Présentation de Matt Turk et de son podcast. - (0.32): Présentation de Florian Duetto, CEO de Dataiku. - (0.32): Discussion sur l'évolution de Dataiku, de ses débuts en France à son statut de leader mondial. - **La vision de Dataiku : La science des données pour tous** (19.376 - 40.56): Dataiku vise à rendre la science des données accessible à tous, en particulier aux entreprises qui ne sont pas des entreprises technologiques. L'entreprise compte plus de 700 clients, dont de grandes entreprises comme Morgan Stanley et Michelin. - (19.376): La majorité des entreprises ne sont pas des entreprises technologiques. - (19.376): L'objectif est la science des données pour tous. - (19.376): L'entreprise travaille avec plus de 700 clients, incluant Morgan Stanley, Michelin, Novartis, Purdue Forms. - **Les nouveautés de Dataiku en matière d'IA générative** (40.672 - 57.453): Discussion sur les ajouts majeurs à la plateforme Dataiku en matière d'IA générative, notamment la gestion des agents. L'entreprise prévoit que les entreprises auront besoin de gérer un grand nombre d'agents. - (40.672): DataEco a ajouté des fonctionnalités d'IA générative, y compris la gestion des agents, au cours des 18 derniers mois. - (40.672): Les entreprises auront besoin de gérer un grand nombre d'agents. - (40.672): Une plateforme centralisée est nécessaire pour gérer et comprendre les interactions des agents avec les LLM. - **Présentation de Florian Duetto et de son parcours** (57.688 - 136.678): Présentation de Florian Duetto, son voyage récent en Asie et à San Francisco, et une discussion sur les bureaux de Dataiku. Conversation sur l'histoire de la fondation de Dataiku et le parcours de Florian. - (57.688): Florian est un PDG de classe mondiale et un fin connaisseur du marché de l'IA. - (57.688): Voyage récent à Tokyo, Sydney, Melbourne, SF et Vegas. - (57.688): Participation à la conférence privée de Goldman Sachs à Vegas. - (57.688): Intérêt pour la philosophie, la lecture, l'écriture, les mathématiques et la physique pendant ses études. - **Les débuts de Florian dans l'informatique et la programmation** (137.498 - 231.302): Florian raconte son intérêt précoce pour l'informatique et la programmation, à partir de l'âge de cinq ans avec un Amstrad CPC 6128. Il a exploré BASIC, C, C++ et la programmation fonctionnelle, en particulier OCaml. - (137.498): Premier ordinateur à l'âge de cinq ans. - (137.498): Programmation sur Amstrad CPC 6128 en BASIC. - (137.498): Passage au C et C++ sur PC à 10 ans. - (137.498): Intérêt pour la programmation fonctionnelle et OCaml en France. - **Le parcours académique de Florian et son passage aux startups** (231.614 - 285.548): Discussion sur l'expérience de Florian à l'ENS (École Normale Supérieure) et sa décision de quitter la recherche en mathématiques pour rejoindre une startup dans le domaine des moteurs de recherche. - (231.614): L'ENS est une grande école française très sélective, réputée pour la philosophie, les mathématiques avancées et la physique. - (231.614): Les étudiants de l'ENS sont extrêmement brillants, avec des attentes élevées en matière de recherche. - (231.614): Un des interlocuteurs a envisagé une carrière dans la recherche en mathématiques pures. - (231.614): L'interlocuteur s'est tourné vers les startups en 2000. - **L'expérience de Florian chez Exelid et l'évolution technologique** (285.798 - 410.104): Florian parle de son expérience chez Exelid, une entreprise française pionnière dans le domaine des logiciels d'entreprise, et de l'évolution rapide des technologies de stockage, de calcul et de modèles linguistiques. - (285.798): Concentration initiale sur la logique, les langages de programmation et les compilateurs. - (285.798): Passage à une startup dans le domaine des moteurs de recherche et intérêt pour la linguistique. - (285.798): Expérience chez Exelid, une entreprise française pionnière dans les logiciels d'entreprise. - (285.798): Période de changements importants dans le stockage, le calcul et les modèles de langage. - **La genèse de Dataiku et la démocratisation de la science des données** (410.338 - 553.288): Discussion sur la création de Dataiku en 2013, les motivations des quatre co-fondateurs et leur vision de démocratiser la science des données pour combler le manque de data scientists. - (410.338): Création de DEDAIKU en 2013. - (410.338): Expérience dans des petites entreprises et en freelance dans les plateformes de données. - (410.338): Nécessité de démocratiser la data science en raison d'un manque de data scientists. - (410.338): Création d'un logiciel simple pour rendre la data science accessible à tous. - (410.338): Début de Dataiku à l'époque du Big Data. - **L'intuition derrière Dataiku : Collaboration et accessibilité** (553.507 - 671.491): L'intuition principale était d'étendre les frontières de la science des données pour que les personnes en dehors de ce domaine puissent y participer. L'objectif était de faciliter la collaboration entre les équipes métier et les data scientists. - (553.507): Le concept de data scientist commençait à émerger. - (553.507): Le terme 'data scientist' a probablement été créé en 2011. - (553.507): Il fallait une plateforme pour que les data scientists travaillent et collaborent. - (553.507): Il est nécessaire d'élargir les frontières pour que des personnes extérieures à la data science puissent également en faire. - (553.507): Il y a un fossé de communication entre les équipes business et les data scientists. - (553.507): Il faut trouver un moyen pour que les personnes du business et les data scientists travaillent ensemble. - (553.507): Il faut utiliser le même outil au lieu de travailler en silos. - **Dataiku : Une plateforme de collaboration** (671.645 - 717.577): Dataiku est une plateforme de collaboration qui permet aux personnes techniques et aux personnes du monde des affaires de collaborer sur des problèmes de données, de science des données, d'apprentissage automatique et d'IA. - (671.645): Collaboration difficile entre développeurs et opérations. - (671.645): Nécessité d'une plateforme de collaboration. - (671.645): Tensions entre DevOps et développeurs sur leur rôle. - (671.645): Manque de compréhension mutuelle sur les contraintes de production. - **L'origine du nom Dataiku** (717.717 - 758.002): Le nom Dataiku est une combinaison de 'data' et 'haiku', un poème japonais court qui exprime beaucoup avec peu de mots. - (717.717): Combinaison de données (axées sur la taille) et de haïkus (poèmes japonais courts). - (717.717): Les haïkus sont des poèmes japonais en trois vers, 5, 7, 5 syllabes, qui disent beaucoup avec peu. - (717.717): Cette combinaison de données et de haïkus fonctionne bien. - **La vision à long terme de Dataiku** (758.225 - 868.965): Dataiku a eu une vision précise dès le début et continue de se concentrer sur la résolution du problème de la démocratisation de la science des données et de l'apprentissage automatique. - (758.225): Plateforme collaborative pour experts techniques et professionnels autour des données et de l'IA. - (758.225): Vision précise dès 2013, toujours d'actualité. - (758.225): Résoudre un problème de manière ouverte, démocratiser la science des données et l'apprentissage automatique. - (758.225): S'assurer que le problème résolu reste pertinent à long terme. - (758.225): Ambition large et pragmatisme grâce à l'expérience des cofondateurs. - **Dataiku : Une plateforme dès le début** (869.247 - 1049.798): Dataiku a été conçu comme une plateforme dès le début, offrant une couche d'orchestration sur les données, ce qui était controversé à l'époque, mais s'est avéré être une vision juste. - (869.247): Il est important d'être un outil avant d'être une plateforme pour pénétrer le marché. - (869.247): Dataiku était une plateforme dès le début. - (869.247): Il était nécessaire d'avoir une couche d'orchestration au-dessus des données, surtout avec le passage au Big Data. - (869.247): Les premiers utilisateurs de technologies Big Data avaient besoin d'une couche d'abstraction entre les équipes. - (869.247): Le marché était axé sur des outils spécifiques comme l'AutoML ou le Visual Dataprep. - (869.247): Les investisseurs étaient sceptiques car Dataiku n'était pas le meilleur dans des domaines spécifiques. - (869.247): Dataiku visait un marché plus grand plutôt que d'être le meilleur dans un domaine spécifique. - (869.247): L'isolement en France a aidé à adopter une approche non traditionnelle. - **La stratégie de vente de Dataiku : Cibler les entreprises** (1050.079 - 1196.67): Dataiku a choisi de cibler les entreprises plutôt que les entreprises technologiques, car les entreprises ont besoin d'une plateforme pour gérer leurs données et leurs projets d'IA. - (1050.079): Les entreprises technologiques préfèrent construire leurs propres solutions de données et d'IA. - (1050.079): Les entreprises non technologiques ont besoin de plateformes plus complètes en raison de leurs capacités de codage limitées. - (1050.079): La stratégie de l'entreprise était de se concentrer sur les entreprises non technologiques. - (1050.079): Il faut être patient face aux cycles de vente plus longs lors de la vente aux entreprises non technologiques. - **Dataiku aujourd'hui : Une plateforme d'orchestration de l'IA** (1197.029 - 1289.727): Dataiku est aujourd'hui une plateforme d'orchestration qui permet aux entreprises de construire, de maintenir et de gouverner tout type d'applications d'IA, avec des capacités de no-code, low-code et full-code. - (1197.029): La plateforme a évolué vers une quinzaine/vingtaine de fonctionnalités. - (1197.029): Deraiku est une couche d'orchestration pour construire, maintenir et gouverner des applications d'IA. - (1197.029): La plateforme supporte no-code, low-code et full-code. - (1197.029): La plateforme permet de mixer l'analytique, le prédictif et l'IA générative. - (1197.029): L'extensibilité et l'adaptation aux nouvelles technologies sont cruciales. - (1197.029): Le but est d'orchestrer, gouverner et permettre la collaboration autour de l'IA. - **L'intégration continue des nouvelles technologies dans Dataiku** (1289.946 - 1450.357): Dataiku intègre constamment de nouvelles technologies, telles que l'IA générative, pour offrir aux entreprises une plateforme à jour et pertinente. - (1289.946): De nouvelles technologies apparaissent fréquemment dans l'IA et l'analytique. - (1289.946): L'intégration de nouvelles technologies est un facteur de stress pour les entreprises. - (1289.946): Dataiku agit comme une plateforme d'orchestration pour intégrer ces technologies de manière progressive. - (1289.946): L'intégration constante de technologies est au cœur de l'ADN de Dataiku. - **Dataiku : Une plateforme de gestion du cycle de vie des données** (1450.638 - 1634.02): Dataiku suit l'ensemble du cycle de vie des données, de la préparation des données à la gestion des actifs, en passant par le déploiement et la maintenance des modèles. - (1450.638): L'orchestration implique de suivre le cycle de vie complet des données. - (1450.638): L'idée centrale est la démocratisation et l'utilisation d'actifs comme des Legos pour construire des solutions de science des données. - (1450.638): Les éléments d'analyse sont des actifs qui génèrent de la valeur à long terme pour l'entreprise. - (1450.638): Il est important de gérer le cycle de vie complet des actifs, de l'idéation à la production et au suivi. - (1450.638): La préparation des données est un élément central pour l'entreprise. - **L'importance de la préparation des données** (1634.381 - 1721.735): La préparation des données est un élément essentiel de tout projet d'IA, et Dataiku offre de solides capacités dans ce domaine. - (1634.381): Les outils d'auto ML et RAG peuvent être standardisés. - (1634.381): La difficulté réside dans la gestion continue des données et des cas limites. - (1634.381): Les problèmes de données sont souvent la cause d'échec des projets de science des données. - (1634.381): Il est crucial de construire de solides capacités de préparation des données. - (1634.381): L'objectif est de permettre une approche en libre-service. - **Le LLM Mesh de Dataiku : Un environnement pour construire des agents** (1722.475 - 1971.038): Le LLM Mesh de Dataiku fournit aux entreprises un environnement pour construire des agents, avec une connectivité facile aux modèles, une gestion des coûts et une sécurité renforcée. - (1722.475): La plateforme LLM Mesh permet de construire des agents en fournissant un environnement sous-jacent adapté. - (1722.475): Elle offre une connectivité et une abstraction faciles aux différents modèles et leurs versions. - (1722.475): Elle permet de basculer entre différents fournisseurs de modèles et clouds pour optimiser l'efficacité et les coûts. - (1722.475): Elle offre une gestion centralisée pour comprendre quels agents interagissent avec quels LLMs. - (1722.475): Elle ajoute des fonctionnalités de sécurité, de contrôle des coûts et de gestion du contenu pour assurer la conformité et la sécurité des agents. - (1722.475): La plateforme vise à centraliser la gestion des garde-fous pour éviter les implémentations multiples et faciliter les mises à jour. - (1722.475): La gestion des coûts, la sécurité et la gestion des attaques sont centralisées. - (1722.475): Les aspects humains, les processus, la gouvernance, le contrôle, la visibilité et la transparence sont importants. - **Les défis de l'IA à l'échelle de l'entreprise** (1971.538 - 2055.598): Les défis de l'IA à l'échelle de l'entreprise ne sont pas seulement liés à la qualité des modèles, mais aussi à la gestion des données, à la sécurité, aux coûts et à la gouvernance. - (1971.538): Le problème futur des agents IA ne sera pas la pertinence des modèles. - (1971.538): Les problèmes seront liés à la qualité et à la mise à jour des données (fraîcheur). - (1971.538): Des problèmes de sécurité et de fuites de données sont à prévoir. - (1971.538): La gestion des coûts et l'identification des utilisateurs à forte consommation seront cruciaux. - (1971.538): La qualité des modèles s'améliorera suffisamment. - (1971.538): La prochaine étape est le déploiement et la gestion des agents. - **L'avenir de l'IA : Combinaison de modèles et automatisation** (2055.756 - 2153.032): L'avenir de l'IA impliquera une combinaison de modèles d'apprentissage automatique traditionnels et d'IA générative, avec une automatisation accrue des tâches. - (2055.756): Les prochaines étapes concernent le déploiement, la maintenance et la construction continue sans consacrer la majorité du temps à la maintenance. - (2055.756): De nombreuses entreprises ont déjà des centaines de modèles d'apprentissage machine en production. - (2055.756): L'IA générative et les agents seront largement utilisés en production dans les entreprises. - (2055.756): Le facteur limitant n'est plus la création elle-même (codage), mais le contrôle autour de la génération. - (2055.756): Le contrôle de l'IA, incluant la qualité des données, les tests et la connectivité, sera le facteur limitant pour la création de plus d'IA. - **La complémentarité de l'IA prédictive et générative** (2153.571 - 2372.594): L'IA générative ne remplace pas l'IA prédictive, mais la complète. L'IA prédictive est utilisée pour optimiser les décisions commerciales, tandis que l'IA générative est utilisée pour automatiser les tâches. - (2153.571): L'IA générative n'est pas conçue pour fournir une cohérence statistique dans l'atteinte d'objectifs commerciaux. - (2153.571): Le machine learning optimise les décisions en tenant compte des risques et des probabilités pour atteindre un objectif commercial. - (2153.571): Les modèles de machine learning prennent en compte des milliers de décisions et sont construits pour optimiser la probabilité du meilleur résultat pour l'entreprise. - (2153.571): L'IA générative et le machine learning peuvent être combinés pour automatiser des tâches complexes. - (2153.571): Des agents peuvent être construits en utilisant des modèles de machine learning validés et des données pertinentes pour automatiser des décisions. - **Dataiku : Une plateforme pour gérer tous les types d'IA** (2372.893 - 2426.495): Dataiku offre une plateforme pour gérer tous les types d'IA, y compris l'IA prédictive et l'IA générative. - (2372.893): DataEquip gère l'IA prédictive et générative. - (2372.893): Il y a assez de cohérence dans la façon dont ces IA doivent être gérées pour pouvoir les gérer toutes les deux. - (2372.893): Besoin de plateformes intégrant l'analyse, la prédiction et les capacités génératives. - (2372.893): Avoir une vue claire et détaillée du passé grâce à l'analytique. - (2372.893): Construire des modèles prospectifs grâce aux capacités prédictives. - (2372.893): Construire des agents, automatiser les flux de travail et interagir avec le monde grâce aux capacités génératives. - **Les cas d'utilisation de l'IA générative chez les clients de Dataiku** (2426.714 - 2533.169): Les clients de Dataiku utilisent l'IA générative pour automatiser les tâches répétitives et améliorer la productivité. - (2426.714): Dataiku travaille avec plus de 700 entreprises clientes, incluant Morgan Stanley, Michelin, Novartis et Purdue Farms. - (2426.714): Ces clients modernisent leurs données et explorent l'utilisation de l'IA générative. - (2426.714): Il y a de l'enthousiasme pour l'IA, mais aussi une crainte et un besoin de comprendre les risques. - (2426.714): Les entreprises veulent comprendre comment construire et mettre à l'échelle des projets d'IA générative. - (2426.714): L'IA générative est utilisée pour automatiser des tâches répétitives ou très difficiles. - (2426.714): Les cas d'usage actuels incluent la recherche et les chatbots. - **Les cas d'utilisation prometteurs de l'IA générative** (2533.31 - 2786.555): Les cas d'utilisation les plus prometteurs de l'IA générative sont ceux qui automatisent les tâches difficiles et répétitives, telles que l'analyse de la brevetabilité et la génération de rapports quotidiens. - (2533.31): Il existe trois types d'innovation, et les plus intéressantes sont celles qui automatisent des tâches répétitives. - (2533.31): Les solutions bas de gamme comme les chatbots ont du mal à maintenir l'intérêt à long terme car leurs fonctionnalités finissent par être intégrées aux outils de productivité courants. - (2533.31): L'automatisation de tâches répétitives permet aux entreprises de se transformer en augmentant la productivité et en permettant aux employés de se concentrer sur des tâches plus importantes. - (2533.31): Des exemples incluent l'aide aux équipes juridiques pour l'analyse de brevets et l'automatisation de rapports quotidiens pour les opérateurs de grandes installations. - (2533.31): L'automatisation de ces tâches nécessite une compréhension approfondie du processus et une traduction précise des étapes en un système. - (2533.31): L'objectif est d'automatiser les tâches répétitives nécessitant la collecte d'informations et la vérification des faits, afin d'améliorer les emplois et de permettre aux employés de se concentrer sur les aspects les plus créatifs et importants de leur travail. - **L'avenir de l'IA : Combinaison de solutions prêtes à l'emploi et d'automatisation personnalisée** (2786.57 - 2905.278): L'avenir de l'IA impliquera une combinaison de solutions prêtes à l'emploi et d'automatisation personnalisée, avec une importance accrue accordée à la gouvernance et au contrôle. - (2786.57): Combinaison de modèles d'IA générative et d'agents. - (2786.57): Certains vendeurs fourniront de l'IA "in a box". - (2786.57): Beaucoup d'automatisation personnalisée développée en interne. - (2786.57): Les plateformes existantes intégreront des agents pour la productivité. - (2786.57): Les entreprises construiront leurs propres agents pour se différencier, surtout pour la prise de décision. - (2786.57): Les agents peuvent aider les entreprises à être plus intelligentes dans la prise de décision. - (2786.57): Il est important de ne pas déléguer son intelligence à un tiers. - **Les projets de Dataiku pour l'année à venir** (2905.468 - 2977.526): Dataiku prévoit de continuer à intégrer de nouvelles technologies et de nouveaux modèles d'IA pour aider ses clients à mettre en œuvre et à maintenir des solutions d'IA à grande échelle. - (2905.468): Intégration continue avec l'écosystème des agents et les nouveaux modèles. - (2905.468): Intégration des nouvelles technologies issues des grandes conférences. - (2905.468): Focus sur la réplication, la mise à l'échelle et la maintenance des cas d'utilisation de l'IA générative. - (2905.468): Aider les entreprises à concrétiser l'IA générative dans leur quotidien. - **Le parcours de Dataiku : Un marathon, pas un sprint** (2978.206 - 3019.479): La construction d'une grande entreprise prend du temps, et Dataiku est sur la bonne voie pour devenir un leader dans le domaine de l'IA. - (2978.206): L'entreprise a maintenant une durée de vie comparable au temps nécessaire pour qu'un enfant devienne financièrement indépendant (environ 20 ans). - (2978.206): Il faut environ 20 ans pour qu'une entreprise devienne adulte. - (2978.206): Comment avez-vous géré cette longue période depuis le début de l'entreprise et la vision initiale ? - **L'importance de l'équipe chez Dataiku** (3020.556 - 3140.973): Le succès de Dataiku est dû à son équipe talentueuse et à sa capacité à attirer de nouveaux talents. - (3020.556): L'entreprise est passée à des centaines de millions de dollars de revenus et 700 clients. - (3020.556): L'importance d'avoir d'excellentes personnes autour de soi. - (3020.556): L'embauche de nouveaux talents permet de faire évoluer la vision du marché et les opérations. - (3020.556): La croissance permet d'attirer davantage de talents. - (3020.556): Avoir des personnes compétentes permet de concrétiser les idées et de développer l'entreprise. --- ### Navigation pour IA - [Index de tous les contenus](https://weare.my-memory.io/llms.txt) - [Plan du site (Sitemap)](https://weare.my-memory.io/sitemap.xml) - [Retour à l'accueil](https://weare.my-memory.io/)