Data Science

Tu es un expert NFT et Web3. Je veux développer une marketplace NFT sur [ETHEREUM/POLYGON/SOLANA]. Marketplace NFT complète: 1. **Smart Contracts** : ERC-721/ERC-1155 implementation, marketplace logic, royalty distribution 2. **Frontend Web3** : React/Vue with ethers.js/Web3.js, wallet integration, meta transactions 3. **IPFS Integration** : File uploads, metadata storage, pinning services 4. **Payment Processing** : Crypto payments, fiat on-ramp, gas optimization 5. **User Features** : Profile creation, collection management, activity tracking 6. **Search & Discovery** : Filtering, sorting, trending algorithms 7. **Admin Dashboard** : Content moderation, analytics, fee management 8. **Security** : Re-entrancy protection, access control, audit trails 9. **Scalability** : Layer 2 integration, gas optimization, IPFS clustering 10. **Legal & Compliance** : KYC integration, terms of service, copyright protection Fournis les smart contracts Solidity, l'application frontend, les scripts de déploiement et la documentation technique.

Tu es un expert en architecture Data Fabric moderne. Conçois une solution intégrée pour : [ÉCOSYSTÈME DE DONNÉES ACTUEL ET OBJECTIFS D'INTÉGRATION] Architecture Data Fabric distribuée : 1. **Inventaire automatisé** : Cartographie complète assets données across多云 et on-premise 2. **Virtualisation données unifiée** : Abstraction couches techniques avec accès SQL/NoSQL transparent 3. **Orchestration pipelines intelligente** : Workflow ETL/ELT adaptatif selon volumétrie et latence 4. **Governance centralisée** : Politiques unifiées (qualité, sécurité, cycle vie) appliquées automatiquement 5. **Data marketplace interne** : Catalogue services données avec discovery et lineage 6. **Sécurité zero-trust** : Chiffrement bout-en-bout et contrôle accès granulaire par dataset 7. **Performance adaptive** : Optimisation auto requêtes et caches intelligents distribués 8. **Monitoring observabilité** : Métriques temps réel fiabilité, performance et qualité données 9. **Self-service data** : Interface visuelle pour business users avec gouvernance intégrée 10. **Migration progressive** : Stratégie phased rollout avec compatibilité legacy 11. **Scalabilité élastique** : Auto-scaling horizontal et optimisation coûts multi-cloud

Tu es un expert en architecture Data Mesh et gouvernance des données. Conçois une plateforme pour : [ORGANISATION ET BESOINS DATA] Architecture Data Mesh complète : 1. **Domain-driven data ownership** : Identification des bounded contexts data 2. **Data as product** : Discovery, observability, quality monitoring 3. **Self-serve data platform** : Infrastructure as code, automated provisioning 4. **Federated computational governance** : Policies, automated enforcement, monitoring 5. **Data product lifecycle** : Creation, evolution, retirement processes 6. **Interoperability standards** : Schema registry, data contracts, APIs 7. **Federated security model** : Authentication, authorization, encryption 8. **Quality and reliability** : SLOs, SLAs, monitoring, alerting 9. **Cost allocation** : Metering, chargeback, showback mechanisms 10. **Change management** : Evolution patterns, backward compatibility, migration

Tu es un expert en architecture data mesh. Conçois une plateforme pour : [VOLUME DONNÉES ET COMPLEXITÉ MÉTIER] Architecture data mesh complète : 1. Conception des data products et domain boundaries 2. Infrastructure self-service pour teams de données 3. Gouvernance distribuée et politiques automatisées 4. Platform capabilities (discovery, security, monitoring) 5. Data contracts et schema évolution 6. Interoperabilité entre domaines et données maîtres 7. Observabilité des flux de données et qualité 8. Scalabilité horizontale et résilience 9. Sécurité et conformité par design 10. Roadmap de migration et adoption progressive

Tu es un expert en déploiement d'IA sur edge. Je veux déployer un modèle IA [TYPE DE MODÈLE] sur [TYPE DE DISPOSITIF EDGE]. Déploiement Edge IA complet: 1. **Model Optimization** : Quantization, pruning, knowledge distillation, neural architecture search 2. **Hardware Selection** : Edge TPUs, NPUs, microcontrollers, FPGA acceleration 3. **Framework Choice** : TensorFlow Lite, ONNX Runtime, PyTorch Mobile, custom inference engines 4. **Performance Tuning** : Latency optimization, memory usage, throughput maximization, thermal management 5. **Deployment Strategy** : Container-based deployment, bare-metal deployment, OTA updates 6. **Model Management** : Versioning, A/B testing, rollback mechanisms, model monitoring 7. **Data Pipeline** : Edge data collection, preprocessing, feature engineering, data governance 8. **Connectivity** : Edge-to-cloud communication, offline capabilities, synchronization strategies 9. **Security** : Model encryption, secure boot, tamper protection, access control 10. **Monitoring** : Performance metrics, model drift detection, health monitoring, remote diagnostics Fournis le modèle optimisé, les scripts de déploiement, les configurations edge et les stratégies de monitoring.

Tu es un expert en edge computing et IoT. Je veux concevoir une architecture [TYPE D ARCHITECTURE EDGE] pour [APPLICATION IOT]. Architecture Edge Computing & IoT complète: 1. **Edge Architecture Design** : Hierarchical edge layers, fog computing nodes, edge clusters, distributed processing 2. **IoT Device Management** : Device provisioning, OTA updates, health monitoring, lifecycle management 3. **Data Processing Pipeline** : Edge analytics, stream processing, real-time inference, data filtering 4. **Connectivity Solutions** : 5G, LoRaWAN, WiFi, mesh networks, protocol translation 5. **Edge AI Deployment** : Model optimization, TinyML, hardware acceleration, inference pipelines 6. **Storage Strategy** : Edge databases, caching layers, data synchronization, offline capabilities 7. **Security Framework** : Device authentication, edge-to-cloud security, data encryption, secure boot 8. **Monitoring & Management** : Edge observability, remote management, performance monitoring, alerting 9. **Scalability Patterns** : Auto-scaling edge nodes, load balancing, resource orchestration, capacity planning 10. **Integration with Cloud** : Edge-cloud coordination, data sync, hybrid processing, failover mechanisms Fournis l'architecture edge complète, les configurations IoT, les pipelines de traitement et les stratégies de déploiement.

En tant qu'expert feature engineering, optimise ces données : [DONNÉES BRUTES] Crée : 1. **Numerical features** (scaling, binning, polynomials) 2. **Categorical encoding** (one-hot, target, ordinal) 3. **Text features** (TF-IDF, embeddings) 4. **Date/time features** 5. **Feature selection** techniques 6. **Pipeline scikit-learn** 7. **Feature importance** analysis

J'ai un onglet 'Données' (Colonnes A à Z). Colonne C = Date, Colonne E = Montant, Colonne F = Catégorie. Écris une formule `=QUERY(...)` pour : 1. Sélectionner la Catégorie et la Somme des Montants. 2. Filtrer pour l'année en cours uniquement. 3. Grouper par Catégorie. 4. Trier par montant décroissant. 5. Mettre des labels propres.

Tu es un expert en data visualization. Je vais te fournir des données et objectifs. Données : [INSÉRER DONNÉES] Objectifs : [INSÉRER OBJECTIFS] Propose : 1. **Types de graphiques** : Justifie chaque choix selon les données 2. **Design** : Palette de couleurs, typographie, mise en page 3. **Code d'implémentation** : Exemples en D3.js/Chart.js/Plotly 4. **Interactivité** : Filtres, tooltips, animations 5. **Dashboard** : Organisation des visualisations 6. **Accessibilité** : Alternatives textuelles, contrastes

J'ai une table 'ventes' (id, vendeur, date, montant). Écris une requête SQL utilisant des Window Functions pour obtenir : 1. Le total des ventes par vendeur (PARTITION BY). 2. Le classement des vendeurs par mois (RANK() ou DENSE_RANK()). 3. La moyenne mobile des ventes sur les 3 derniers jours (ROWS BETWEEN). Explique la syntaxe utilisée.

Mon modèle de Machine Learning (ex: Random Forest pour prédire le churn) a donné les résultats suivants : [RÉSULTATS CLÉS OU FEATURE IMPORTANCE]. Explique ces résultats à un Directeur Marketing qui ne connaît rien à la technique. - N'utilise pas de jargon (pas de "AUC", "F1-score", "Hyperparamètres"). - Utilise des analogies simples. - Explique pourquoi le modèle a pris ces décisions (basé sur les features importantes). - Propose 2 actions concrètes basées sur ces prédictions.

Agis comme un Data Scientist expert en communication et vulgarisation scientifique. Je vais te décrire un modèle de machine learning. Explique ce modèle de manière accessible pour différents publics : 👔 **Pour les Décideurs Business** - Objectif métier et KPIs attendus - ROI et cas d'usage concrets - Risques et limitations - Coûts de déploiement et maintenance 🔧 **Pour les Équipes Techniques** - Architecture et algorithmes utilisés - Données requises et prétraitement - Performance et métriques d'évaluation - Intégration avec les systèmes existants 👥 **Pour les Utilisateurs Finaux** - Fonctionnement en termes simples - Bénéfices quotidiens - Confidentialité et éthique - Comment l'utiliser efficacement Modèle à expliquer : [INSÉRER DESCRIPTION MODÈLE]

Explique-moi ce que fait cette requête SQL en langage naturel (français) : [CODE SQL] Décompose l'explication étape par étape (les JOINS, les filtres WHERE, les agrégations GROUP BY).

Dans Google Sheets, j'ai une colonne A avec des chaînes comme : "[ID: 12345] - Produit ABC - (Ref: X99)". Donne-moi la formule `REGEXEXTRACT` pour : 1. Extraire uniquement l'ID (12345). 2. Extraire la Référence (X99). Explique le pattern utilisé.

J'ai une colonne 'description' qui contient du texte non structuré. Je veux extraire [PATTERN, EX: UNE RÉFÉRENCE PRODUIT TYPE REF-123]. Base de données : [PostgreSQL / MySQL / BigQuery]. Écris la requête SQL qui : 1. Utilise la fonction regex appropriée (ex: REGEXP_SUBSTR). 2. Extrait la valeur propre dans une nouvelle colonne. 3. Gère les cas où le pattern n'est pas trouvé (NULL).