Jeudi, je participerais aux Rendez-vous Parlementaires de Bretagne sur l’Economie Numérique,

où on m’a demandé de parler de données. Je dois avoir une quinzaine de minutes, mais comme toujours j’ai prévu pour 2 heures d’exposé. Les slides sont maintenant en ligne, et je me suis dis que je pourrais faire un billet pour détailler le fond de mon propos,

Si les données semblent aujourd’hui concerner tout le monde – on y reviendra – historiquement, la collecte et les calculs étaient historiquement l’affaire d’état, comme l’indique l’étymologie du mot “statistique”.

La statistique était une question de spécialistes, que le grand public ne voyait que lors de la publication d’indicateurs synthétiques, souvent utilisés pour justifier des choix de politique publique (nombre de demandeurs d’emploi, espérance de vie à la naissance, etc). Le fait que les statisticiens, économètres, sociologues observe la société depuis une “tour d’ivoire” permettait de déconnecter mesure et mesurés. Comme le dit la loi de Goodhart, une mesure, si elle devient un objectif cesse d’être une mesure. Pourtant, bon nombre de mesures ont été utilisées pour juger la performance de politiques publiques (nombre d’agressions enregistrées utilisées pour quantifier le travail policier, taux de réussite aux examens nationaux pour quantifier le niveau des élèves, etc). Les statisticiens disposaient de données exhaustives, complètes, pour décrire la société, comme l’a parfaitement décrit Alain Desrosières.

Juste pour revenir sur le mot “données”, ou “data” en latin, ces dernières ne sont pas uniquement des chiffres, mais peuvent être de toute sorte (lettres, relevés d’empreintes, souches de virus). Si les statisticiens ont stocké des données sous un format chiffré, divers institutions ont commencé à stocker toute sort d’information. Sous des formes diverses. Cela dit, historiquement, les données des instituts de statistique ont stocké des données sous forme papier, puis magnétique et enfin sous un format plus obscure, parfois dit “dématérialisé”.

Ces données ont rapidement été volumineuses. On peut penser au recensement américain de 1880, où pour la première fois des machines mécaniques ont été utilisées, qui concernait plus de 50 millions d’individus. Stocker et surtout analyser ces données n’était pas simple. Ce stockage et cette analyse de données n’était pas uniquement l’affaire des états, mais aussi de compagnies privées (on pourra penser aux banques, qui gardaient des traces des différentes transactions, ou des compagnies d’assurance, qui gardaient des traces de leurs assurés pour verser des rentes par exemple).

Ce stockage exhaustif de données (gardons en mémoire les grands recensements) laissaient entendre que plus on disposait de données, meilleure serait l’information. Puis sont arrivés les sondages. En 1936, le journal Literary Digest a voulu prédire le résultat de l’élection présidentielle, aux Etats-Unis. Il a questionné ses 2.4 millions de lecteurs, et a prédit que Roosevelt aurait moins de 43% des voix. George Gallup, en interrogeant 50 fois moins de monde prédit que Roosevelt aurait plus de 56% des votes. Au final Roosevelt a obtenu plus de 60% des votes. On a alors compris qu’il n’était pas nécessaire d’avoir des données exhaustives pour prédire, mais qu’un échantillon plus petit, à condition d’être bien tiré (on parlera de représentativité) peut être tout aussi informatif. A partir de là, sondages et enquêtes se sont multipliés. Au point de devenir, à leur tour des outils essentiels pour le politique.

Avec le développement de l’informatique, les données sont devenus des signaux numériques (réponses binaires à des questions, chiffres, listes de chiffres, des textes, des images médicales, des photos mises en ligne, des trajets GPS, etc. Tous les médias, ou interfaces, que nous utilisons quotidiennement, ces cartes que l’on utilise pour effectuer un voyage ou un paiement, ces écrans que certains caressent, stockent un grand nombre de données, de toutes sortes. Si historiquement, les statisticiens nous observaient depuis leur tour d’ivoire, à l’occasion de ces recensements, puis des quelques enquêtes qu’ils pouvaient faire, aujourd’hui, nous sommes observés en permanence, de notre réveil (ceux qui utilisent leur téléphone comme réveil renvoient une information intéressante sur leur rythme quotidien), jusqu’au coucher (voire davantage pour ceux qui quantifient leur sommeil), ce qui peut engendrer une relative anxiété.

La donnée est devenue une source d’énergie. Une image classique est de penser au pétrole utilisé lors de la précédente révolution industrielle . Aujourd’hui les données sont devenu la source d’énergie pour bon nombre d’entreprises, qui peuvent relancer la croissance, la production, l’innovation. Mais c’est une matière première assez particulière: historiquement, la valeur économique était dictée par la rareté, mais la rareté a aujourd’hui cédé la place à l’abondance.  Qui plus est, la donnée est un bien non rival.

Cette utilisation massive de données n’est pas sans danger en terme d’anonymat. Et bien souvent, il n’est pas indispensable de savoir que c’est vous, précisément, qui avez mis votre réveil à sonner à 6 heures 45, et qui avez acheté 24 yaourts à la vanille dans votre supermarché préféré, puis que vous avez appelé un numéro avec votre téléphone cellulaire (numéro que vous appelez tous les jours de la semaine, dans l’après midi). Mais on aime savoir qu’il s’agit de la même personne. Ce sont souvent les métadonnées qui sont intéressantes. Ces métadonnées permettent de suivre des types de gens. C’est ce qui permet de prédire la congestion sur les routes (en fonction de l’heure de réveil). C’est ce qui intéressent les marques de grandes distributions, pour placer ensemble des produits qui intéressent les mêmes profils de clients. Mais souvent, l’usage de ces métadonnées ne permettent pas de protéger la vie privée, comme l’ont montré les études sur les cartes de crédit, ou sur la mobilité des individus (nos profils de consommation et nos déplacement quotidiens nous rendant le plus souvent unique). Pour les chercheurs, la psychose autour de anonymisation des données rend aujourd’hui presque impossible pour des chercheurs, en France, l’idée d’avoir accès à des données individuelles (alors qu’on trouve aujourd’hui des bases entières aux Etats-Unis). Je mets au défi de trouver des bases (volumineuses) de résultats individuels aux examens scolaires nationaux, ou de trouver des données de revenu et de fiscalité. Ou de la justice, avec des base de verdicts rendus par divers juridictions. Et les positions tenu par nombre d’élus (ou même divers acteurs publics) dans les débats récents sur l’ouverture des données ne sont pas très positifs. Pour la recherche, ce n’est pas très grave, on pourra utiliser des données d’autres pays, mais c’est dommage d’un point de vue social, ou politique (où la faible culture en matière de données ne sera pas comblée en quelques mois, ou années). Tous les refus d’accès à des données pourtant publiques ne relèvent pas d’une mauvaise foi, juste d’une incompréhension du fonctionnement de la recherche, et de l’utilisation qu’un chercheur fait des données. Mais je m’égare….

Les algorithmes opèrent un grand nombre de calculs, très rapidement, à partir de ces données massives. Il peuvent extraire de l’information mais aussi prévoir des quantités diverses. Bon nombre d’algorithmes sont utilisés, au quotidien, à partir de ces données collectées. Quand en voiture on me recommande de tourner à gauche, plutôt que d’aller tout droit, afin de minimiser mon temps de trajet. Ces algorithmes génèrent un fort sentiment d’incompétence. Ne pas comprendre comment était calculé le taux de chômage, corrigé des variations saisonnières, n’était pas gênant pour le grand public (même s’il était souvent bienvenu qu’un décideur comprenne ce qui se cachait derrière une statistique avant de l’utiliser comme outils d’aide à la décision). Mais aujourd’hui, les calculs et les algorithmes sont partout. Il est indispensable de comprendre pourquoi certains tweets (ou certains billet sur facebook) apparaissent dans mon fil, et pas d’autres. Pourquoi quand je fais une recherche sur un moteur de recherche, certains liens ressortent en premier. Pourquoi quand je veux acheter un billet de transport en ligne, je n’ai pas le même prix que celui que me donnait ma femme, la veille.

Les données et les algorithmes servent de base à la tarification aujourd’hui. Par exemple si je souhaite partir à Barcelone, jeudi (au lieu de faire mon exposé), comment sont “calculés” ces prix proposés, de 160 et 212 euros (d’ailleurs, techniquement, ces deux prix sont surprenant, car on voyagera dans le même avion) ? Les prix ne sont pas donnés par un vendeur, mais par un robot.

et parfois, les robots proposent des prix étonnants. Comme des livres proposés à plusieurs millions de dollars (alors que le même livre s’achète, d’occasion, pour 35 dollars) sur Amazon. Si un robot se trompe, à la hausse, on peut parfois imaginer qu’il se trompe, à la baisse.

ce qui peut devenir dangereux quand un robot vend un produit, et quand un autre cherche à en acheter. C’est ce qui se passe, parfois, sur les marchés financiers. En mai 2010, un grosse indice boursier a ainsi perdu 9% en quelques minutes (c’est à dire plusieurs milliards de dollars) suite à une série d’échanges automatiques entre deux robots.

Mais les données servent partout, et pas seulement lors de transactions entre agents économiques. En matière de santé publique, en France par exemple, le réseau sentinelle permet d’être tenu informé de l’évolution de maladie contagieuses (épidémies de gastro, de grippe, etc). Historiquement, des médecins utilisaient le minitel pour transmettre rapidement des informations, qui permettaient alors de suivre l’évolution de ces maladies. Puis Google a montré qu’il était possible de faire aussi bien en utilisant les mots clés des moteurs de recherche. Aussi bien, mais surtout plus vite, car souvent, les utilisateurs font une recherche sur internet avant de se rendre chez leur médecin. Et l’algorithme prédictif marchait très bien. Jusqu’à ce qu’il commence à se tromper, partout dans le monde, au même moment. En fait, la prédiction a commencé à commettre des erreurs plus grandes lorsque la complétion automatique de mots à lancé chez Google. Encore une fois, observer et agir en même temps est toujours dangereux, comme le rappelle la loi de Goodhart.

Les outils d’aide à la décision, basés sur des données, et utilisant des algorithmes de plus en plus “opaque” (on pourra revenir sur ce point) sont présent partout, aujourd’hui, chez le médecin (notion de data driven medecine), au niveau de la police (on peut penser à HOLMES au Royaume Uni, Home Office Large Major Enquiry System) voire des juges (notion de data driven sentencing). La médecine est un domaine dans lequel la donnée est amené à jouer un rôle important dans les années à venir. La santé est un secteur d’activité qui représente dans centaines de milliards d’euros, mais l’essentiel est dédié à des traitements, pas de la prévention. En matière de recherche, les dépenses de font essentiellement en chimie, avec beaucoup de molécules qui sont mises sur le marché avec une mauvaise connaissance des effets secondaires. Les données permettent de mieux comprendre les effets réels des médicaments. De plus, en matière de diagnostique, les données permettent d’améliorer les soins, souvent pour un coût moindre, en croisant des historiques de santé du patient, de sa famille, de son quartier, mais aussi des informations épidémiologiques, de consommation alimentaire, etc. S’il existe beaucoup d’exemples aux Etats-Unis, il semble malgré tout que la culture de la donnée soit moins forte en France. Mais ce sont surtout les pays en développement qui semblent s’être approprié ce problème, voyant dans la donnée un outils pour réduire les coûts. En exemple classique est celui des canalisations d’eau à Sao Paulo,  qui présentait de grosses pertes. En faisant une analyse de données de flux, 50% des fuites ont pu être détectées, et colmatées, pour un coût 15 fois plus faible que ce que produisait une grosse entreprise de gestion d’eau (qui proposait de descendre analyser toutes les canalisations). Les données deviennent indispensables pour gérer des croissances urbaines de 10% voire 20% par an. Le gestion du trafic devient en réel enjeu, et les données sont un outil fabuleux. Les pays en développement voient dans la donnée une opportunité, alors que les vieux pays développés n’y voient que du risque.

Utilisation d’algorithmes avancés sur des images. En santé, pour repérer des tumeurs. En matière de sécurité pour détecter des mouvements “atypiques” dans des foules (par exemple voir des personnes tomber). L’idée classique est de décomposer une image en éléments dans une base simple. Mais on peut aller plus loin…

On parle souvent d’algorithmes “opaques” car la nature des algorithmes a fondamentalement changé dans le temps. Sur les photos, on “reconnaît” tous le Mont Saint Michel, et pas le Taj Mahal. Techniquement, il faut voir un algorithme comme un jeune enfant qui apprend. Il répète, commet quelques erreurs, puis finira par ne plus en commettre car il aura “appris”. Ici aussi, si je demande des images du Mont Saint Michel, l’algorithme ne sait pas lesquelles sont le Mont Saint Michel. Il renvoie des images qu’il pense être du Mont Saint Michel. Et il va apprendre, grâce à nos clicks. Si je clique sur une image, pour l’agrandir, c’est probablement parce que je pense qu’il s’agit du Mont Saint Michel. L’algorithme apprend de l’information que je lui transmets. Ici, on n’a pas appris à l’algorithme à reconnaître le Mont, à repérer l’archange doré au sommet, à distinguer les remparts, etc. En un sens, les concepteurs d’algorithmes ont abandonné l’ambition de faire des machines “intelligentes”: comme le dit Cardon (2015), “ils préfèrent les rendre «statistiques»“. La machine ne va pas comprendre ce qu’elle fait. Comme un enfant qui apprend, elle réplique ce qu’elle a vu, et elle apprend. La grande différence est qu’elle dispose d’un masse considérable de données. Les algorithmes de traduction fonctionnent de la même manière. On n’apprend plus à la machine la syntaxe d’une langue, la grammaire. On fournit à l’algorithme des bases de textes, dans plusieurs langues (par exemple en anglais, et en français), et si on veut la traduction d’une phrase, l’algorithme va essayer de trouver une phrase proche, dans les texte à sa disposition. Il va chercher des proximités, des corrélations.

Chris Anderson a annoncé la «fin de la théorie» en 2008, expliquant que les calculs basés sur les données massives pouvaient désormais “simplement” chercher des corrélations sans se préoccuper d’avoir un modèle (causal) permettant d’avoir une explication. En un sens, les données massives et les mathématiques pourraient faire l’économie des sciences humaines. On se souvient de Target, qui pouvait prédire qu’une femme était enceinte à partir de sa consommation (comme l’évoque Siegel (2013)).

Mais la recherche de corrélation n’est pas sans danger. Comme l’ont montré les économètres depuis des dizaines d’années, il existe des spurious correlations, c’est à dire des séries (très) corrélées, mais sans aucun lien entre elles. Comme les liens entre le nombre de personnes mortes par suffocation aux Etats Unis, et les dépenses en R&D.

Les données et les algorithmes posent des questions fondamentales. Les mathématiques apportent des éléments de réponse technique. Nombre d’entreprises y voient un intérêt économique. Mais il ne faut pas perdre de vue l’aspect politique. Nous avons dit que les algorithmes fonctionnent car ils détectent (rapidement) des régularités. Mais les algorithmes engendrent aussi des régularités, des comportements uniformes puisque tout le monde suit les recommandations des algorithmes. Comme le dit Cardon (2015), “la manière dont nous fabriquons les outils de calculs, dont ils produisent des significations, dont nous utilisons leurs résultats, trame les mondes sociaux dans lesquels nous sommes amenés à vivre, à penser et à juger. Les calculs habitent nos sociétés bien plus centralement que ne l’imaginent ceux qui voudraient les réduire à des fonctions mathématiques et rejeter la technique hors de la société“. Peut-on imaginer que les utilisateurs (et les législateurs) sont en position de faire des choix libres et éclairés, comme le demandait Reagle (2015).

---

---