Navigation – Plan du site
Bloc-notes

Les Big Data à découvert

Henri Gautier
Référence(s) :

Les Big Data à découvert, Mokrane Bouzehoub et Rémy Mosseri (dir.), CNRS éditions, Paris, 2017, 364 p.

Texte intégral

1 Cet ouvrage vulgarise, au meilleur sens du terme, les chantiers scientifiques et les défis technologiques mais aussi les enjeux socio-économiques que représentent l’acquisition, le stockage, la gestion et l’analyse des big data, que nous traduirons ici par « données massives ». La perspective historique que permet de tracer l’émergence de l’écriture montre que les questions ainsi soulevées sont au cœur du développement des sociétés humaines si l’on considère l’évolution des supports et des technologies de communication écrite : des tablettes sumériennes aux matrices de données du cyberespace en passant par le papyrus égyptien du volumen, le parchemin du codex moyenâgeux, le papier de Samarcande vecteur de la culture musulmane, puis le développement de l’imprimerie à la Renaissance, enfin l’émergence contemporaine de la mécanographie et de l’informatique au siècle dernier.

2 En premier lieu, l’ouvrage dresse l’inventaire des enjeux et défis de la déferlante des données issus des progrès enregistrés dans les capacités technologiques en termes de volume (désormais exprimés en peta ou zeta octets), de diversité des types d’information (nombres, textes, images, sons), de vitesse d’acquisition et de diffusion, du fait de la numérisation rendue possible par le développement des technologies électroniques et désormais optiques. Sont ainsi abordées la place et l’influence des données massives sur le développement du commerce et de l’économie. Cependant, dans les domaines de la formation (développement de MOOC ou cours numériques massivement parallèles) et de l’innovation (PIA - Programme d’investissements d’avenir), des interrogations demeurent sur la pertinence économique et les conséquences sociales des programmes gouvernementaux tablant sur l’exploitation de données massives.

3 Puis, l’ouvrage traite des différentes provenances de ces données massives, de leurs modes d’acquisition et de stockage. Cet afflux de données provient de la multiplication des capteurs qui s’insinuent de plus en plus dans les processus ambiants, compte-tenu de la baisse de leurs coûts. Ces processus ambiants peuvent être physiques comme dans la dynamique des écoulements, biologiques dans l’étude des écosystèmes, systématiques dans les collections naturalistes, ou artistiques dans les collections muséographiques, culturels pour les corpus littéraires, multi-médiatiques car associant textes images et sons issus de notre vie professionnelle ou sociale (vidéosurveillance, navigation web, audiences télévisuelles, réseaux sociaux) et parfois confidentiels lorsqu’ils peuvent être reliés à notre identité individuelle. L’informatisation de ces processus et la numérisation de l’information ainsi acquise ont également fait baisser les coûts d’acquisition de stockage, de gestion et de traitement récurrent de ces données. Pour absorber cet afflux de données, s’est amorcé en retour un cycle d’innovations technologiques. Cependant, le challenge n’est pas seulement technologique, il est également conceptuel dans la mesure où cet afflux de données peut remettre en cause certains paradigmes en sciences sociales, par exemple en économie de l’innovation celui fondé sur la détention d’un capital susceptible d’être mobilisé et de procurer une rente. Ainsi, les politiques de recherche comme les stratégies financières doivent-elles s’adapter à de nouvelles règles concurrentielles régissant ces écosystèmes industriels ouverts à l’innovation. Le déploiement des infrastructures de stockage et de communication susceptible de supporter la prolifération de ces données massives et leur cohorte de métadonnées ne manque pas de poser le problème de leur impact énergétique et écologique.

4 La troisième partie aborde les méthodes et les techniques utilisées pour garantir un traitement efficace de ces données massives, compte-tenu de leur volumétrie et de leur hétérogénéité de structures. Les systèmes actuels de traitement de l’information sont construits à partir de trois composantes : un modèle théorique basé sur l’algèbre relationnelle, des algorithmes d’optimisation des tâches de traitement de l’information (par exemple, les algorithmes de hashing) ainsi que des capacités tant matérielles que logicielles assurant accessibilité et préservation des données dans le respect de contraintes sociétales. Du fait de la multiplication des sources de données, de leur hétérogénéité de structures et de formats, de leurs localisations différenciées, les défis technologiques ne manquent pas pour s’assurer de leur disponibilité compte-tenu des délais d’acheminement et des éventualités de défaillance. Ainsi, de nouveaux langages informatiques ont-ils été développés pour organiser l’exécution de tâches en parallèle et décrire l’interconnexion de processus s’exécutant concurremment sur des données partagées. Dans ce contexte d’intégration massive de données hétérogènes et distribuées, surgissent des problématiques de complexité (spatiale et temporelle) du traitement des données, des techniques de compression de données pour améliorer vitesse et fiabilité de communication, de nouveaux modèles théoriques d’organisation des données sous formes d’arbres voire de graphes, de nouveaux langages de requêtes (comme SPARQL) permettant d’interroger les structures arborescentes issus de ces nouveaux modèles, et donc de nouvelles chaînes de partage et de traitement (workflow) des données, en particulier dans les domaines scientifiques comme par exemple pour le traitement des séquences d’ADN issue des processus de génotypage. L’utilisation massive de données individuelles conduit également à l’élaboration de nouveaux principes pour la conception d’architectures des systèmes d’information pour prendre en compte la protection des données personnelles lors de la conception des outils de collecte et de traitement (Privacy by Design), voire de promouvoir cette protection dans les modes d’utilisation (Privacy by Using). Les nouvelles architectures pensées pour le traitement des données massivement distribuées se concrétisent par de nouveaux écosystèmes, comme celui basé sur le logiciel ouvert Hadoop et son modèle MapReduce, utilisés dans des applications comme l’analyse de transactions ou de trafic, supposant le traitement d’énormes volumes de données statiques. Les problématiques de sûreté de fonctionnement et d’intégrité des transactions ont suscité l’émergence de nouvelles technologies comme celle de la « chaîne de blocs » (blockchain). Initialement associée à la monnaie cryptographique Bitcoin, cette technologie peut s’appliquer à d’autres problématiques comme celle de la gestion publique des diplômes délivrés par les universités. Permettant de traiter la complexité de corpus volumineux en un temps raisonnable, les technologies de traitement de données massives ont renouvelé certaines disciplines comme le traitement automatique des langues naturelles.

5 Ainsi, l’ouvrage donne corps à la convergence entre traitement et analyse des données, tendance que l’on peut observer à l’œuvre dans les infrastructures distribuées mises en œuvre pour des simulations à l’échelle planétaire portant sur le changement climatique (Earth System Grid). Pour des domaines aussi divers que le langage et le climat, mais aussi les neurosciences et le commerce international, la disponibilité de corpus d’observations, sans commune mesure avec ceux issus de schémas expérimentaux classiques, a favorisé le foisonnement de méthodes et d’algorithmes partageant un objectif commun d’aide à la décision dans des situations aussi différentes que peuvent l’être le diagnostic médical, l’attribution d’un crédit bancaire ou la recommandation de produits sur internet. L’accession à de grands corpus, comme en génomique ou en astronomie, incite à construire des ponts conceptuels entre des disciplines comme la statistique mathématique et l’apprentissage automatique, conduisant autant à paralléliser des algorithmes d’optimisation stochastique qu’à « probabiliser » les techniques empiriques d’apprentissage. Pour autant, les performances médiatiques des algorithmes d’apprentissage profond (pour le jeu d’échec ou de go) ne doivent pas masquer les problèmes éthiques voire politiques soulevés par l’utilisation des modèles prédictifs du comportement humain sur la base d’un traitement massif des traces numériques individuelles. En effet, les entreprises ayant la capacité de capter cette rente informationnelle pour la faire fructifier déploient leurs activités dans un contexte international d’échange transfrontière de données individuelles faiblement régulé où l’absence de transparence des choix algorithmiques peut s’avérer fortement préjudiciable aux intérêts de certains groupes humains en terme d’accès aux services d’assurance, de santé ou de justice. Ce manque de compréhension du comportement d’algorithmes et de transparence dans l’application de systèmes prédictifs fonctionnant en « boîte noire » est susceptible d’en limiter drastiquement leur acceptabilité sociale comme on l’a vu récemment pour le système d’admission post-bac en France.

6 Le développement de l’internet et du web ont donné lieu au déploiement d’interfaces permettant d’atteindre le grand public, ouvrant ainsi la porte à une grande diversité d’applications numériques percolant désormais dans l’ensemble du spectre des activités humaines. Ainsi que le montre l’ouvrage, cette extension tentaculaire et les possibilités de navigation d’une source à l’autre en fonctions de liens sémantiques génère une masse de données plus ou moins structurée (les traces numériques) susceptible d’être exploitée au bénéfice des utilisateurs mais aussi des sites consultés pour l’évaluation des préférences et des comportements. Cette exploitation s’est effectuée initialement dans le contexte de relations commerciales mais s’étend désormais à des domaines comme l’éducation en ligne pour améliorer les performances pédagogiques. Cependant, les pratiques de recoupement d’informations recueillies indépendamment dans un objectif de reconstitution de données personnelles et de prédiction comportementale doivent se confronter aux problématiques de protection de la vie privée surtout dans les usages ayant trait à la mobilisation politique ou sociale pour le contrôle des mouvements d’opinion, avec des enjeux critiques lorsqu’il s’agit de phénomènes de radicalisation.

7 Qu’il s’agisse de changement climatique ou de santé humaine, les sciences expérimentales doivent désormais faire face à un déluge de données provenant d’observations effectuées à différentes échelles spatiales ou temporelles pour étudier l’évolution des systèmes terrestres ou marins. Ainsi, en biologie, la mise au point des techniques de séquençage à haut débit ouvre la porte à l’analyse du génome de milliers d’espèces et à la découverte d’espèces inconnues ou disparues. Les enjeux scientifiques ont trait à l’analyse de la complexité du vivant, mais également à l’étude des dynamiques d’évolution du système Terre (réseaux de sismographes et de capteurs atmosphériques), voire la compréhension des forces fondamentales qui régissent l’univers (observatoires astronomiques et accélérateurs de particules). L’ouvrage introduit donc aux progrès récents effectués dans ces domaines, ainsi qu’aux évolutions technologiques permettant de manipuler les données massives issues de ces nouvelles instrumentations des sciences expérimentales.

8 L’ouvrage présente également les approches basées sur des données massives en santé humaine. Qu’elles soient préventives, participatives, prédictives ou de précision, les nouvelles applications en médecine s’appuient sur des sources multiples de données (imagerie médicale, séquences génomiques, paramètres biologiques et cliniques) dont le volume les classe dans les données massives. En effet, les études épidémiologiques peuvent désormais rassembler des cohortes de centaines de milliers d’individus dont le génome est séquencé et les événements médicaux répertoriés pour mieux identifier les facteurs de risque. L’exploitation des données administratives de santé issues des systèmes d’assurance-maladie permet également de suivre les évolutions des pathologies observées et des soins prodigués pour tenter d’améliorer les pratiques médicales et hospitalières par des politiques de santé mieux adaptées. La médecine de précision s’attache à repérer les sensibilité individuelles : le diagnostic et le traitement du cancer s’appuient désormais désormais sur l’analyse des mutations de l’ADN somatique extrait de la tumeur. Enfin, la médiation des réseaux sociaux intervient dans l’établissement de nouvelles solidarités entre malades (PatientLikeMe) et les objets connectés favorisent le suivi de l’état de santé et les soins à domicile. Les risques concomitants à l’invasion par le numérique du champ de la santé portent sur la confidentialité des données individuelles de santé et leur réutilisation à des fins non médicales. Ainsi, la société est amenée à prendre position quant aux finalités de la mise à disposition et du traitement des données de santé.

9 Par contre, l’intérêt pour les données massives en sciences sociales est plus récent. Cependant, le développement de la domotique, la généralisation des mobiles et la banalisation des réseaux sociaux fournissent une multitude d’incitations à développer une ingénierie des comportements de consommation ou de mobilité. Face au tournant numérique du secteur des services, la recherche en sciences humaines et sociales doit désormais investir dans des outils capables d’absorber les flux de données générées par ces environnements enrichis d’objets connectés (SmartGrids). Ces données individualisées du fait de leur potentiel de valorisation constituent des enjeux stratégiques au plan économique et social mais également juridique. En effet, l’évolution du droit conditionne les modes de collaborations entre co-producteurs de ces données et leurs utilisateurs finaux selon le degré d’implication des citoyens dans la maîtrise de leurs identités numériques. Ainsi, l’ouvrage examine la place laissée à l’individu par la société dans l’élaboration des politiques publiques à partir de données massivement personnelles dans de nombreux domaines de la sphère sociale afin que les transformations en cours puissent être pensées dans toute leur complexité et abordées avec plus de pragmatisme.

10 En effet, la montée en puissance des capacités de traitement numérique que suppose l’exploitation des données massives incite à emprunter des sentiers inédits d’innovation technologique comme celui de l’informatique quantique. Cependant, des progrès devront également être effectués au plan des architectures et de la sécurité dans les méthodes et les outils mis à disposition afin de pouvoir s’assurer dans cette société numérisée que la vie, dans la diversité de ses composantes y compris humaines, demeure la mesure de toute chose. Des potentialités sont ouvertes par les progrès de l’apprentissage profond, de l’acquisition compressée, de la réduction de modèles pour mieux appréhender le réel : une nouvelle forme de savoir plus qu’explicatif prédictif émerge à partir des données massives pour suggérer par l’induction des mises en relation reproductibles et réfutables. Néanmoins, à partir de ce que la science et la technique proposent dans leurs développements qu’ils soient autonomes ou hétéronomes, il importe que la société puisse en disposer à partir d’une réflexion approfondie sur les questions sociales, économiques, éthiques ou juridiques qui ne saurait se déployer que dans le contexte d’une science partagée en premier lieu par une nécessaire ouverture des données massives sur lesquelles s’appuient ces nouveaux savoirs.

Haut de page

Pour citer cet article

Référence électronique

Henri Gautier, « Les Big Data à découvert », Terminal [En ligne], 121 | 2017, mis en ligne le 23 décembre 2017, consulté le 22 septembre 2018. URL : http://journals.openedition.org/terminal/1692

Haut de page

Auteur

Henri Gautier

Comité de rédaction de Terminal

Articles du même auteur

Haut de page

Droits d’auteur

tous droits réservés

Haut de page
  • Logo Télécom École de Management
  • Logo CREIS terminal
  • OpenEdition Journals