Science des données

Dans les entreprises, les institutions financières, gouvernementales, scientifiques et les organisations à but non lucratif, des millions de personnes programment, et la plupart du temps, elles ne le savent même pas ! Une tableur (spreadsheet) est un exemple d'environnement de programmation centré sur les données où les données sont organisées en cellules (cell) dans une table (table). Au lieu de présenter les programmes comme étant principalement des algorithmes, les tableurs présentent les programmes comme étant principalement des données. Les tableurs sont souvent utilisées pour l'analyse de données (data analysis) en offrant un moyen d'organiser, de partager et de communiquer des idées sur les données. Les tableurs sont particulièrement efficaces et accessibles car elles permettent l'organisation visuelle des données dans la structure qui a le plus de sens pour l'utilisateur. Au lieu de cacher les données derrière du code, les tableurs rendent les données aussi transparentes et à jour que possible.

Bien que les tableurs rendent le calcul accessible à des millions de personnes à travers le monde, elles présentent plusieurs lacunes. À moins que les limites ne soient supprimées, de nombreux logiciels (software) de tableurs populaires tels que Microsoft Excel peuvent avoir une limitation quant au nombre de lignes de données qu'ils peuvent stocker, ce qui est bien inférieur à la capacité de traitement des systèmes informatiques modernes. Un tel exemple s'est produit en octobre 2020 lorsque Public Health England n'a pas réussi à signaler 15 841 cas positifs de COVID-19 au Royaume-Uni en raison d'une mauvaise gestion des limites de lignes dans la tableur utilisée. Cette lacune témoigne non seulement de la limite technique du nombre de lignes prises en charge par les tableurs, mais aussi des limitations de conception des logiciels qui ne parviennent pas à communiquer les pertes de données, les irrégularités ou les erreurs aux utilisateurs. Les erreurs de saisie de données dans les logiciels de tableurs peuvent souvent passer inaperçues parce que les tableurs n'appliquent pas de types de données. Les cellules (cell) peuvent contenir n'importe quel contenu : nombres, devises, noms, pourcentages, étiquettes et légendes. La signification d'une cellule (cell) est largement déterminée par l'utilisateur plutôt que par le logiciel. Les tableurs sont une technologie expressive et accessible pour l'analyse de données, mais ce pouvoir créatif qu'elles offrent aux utilisateurs est le même pouvoir qui limite les tableurs en tant qu'outil de gestion de données et d'analyse de données à grande échelle. Plus il y a de données et plus il y a de personnes impliquées dans une tableur, plus le potentiel de problèmes liés aux tableurs est grand.

Le domaine interdisciplinaire qui applique l'informatique (computing) à la gestion des données et à l'extraction d'informations à partir des données est appelé science des données (data science). Les scientifiques des données sont des praticiens qui combinent des compétences en informatique et en analyse de données avec les connaissances spécifiques à leur domaine ou à leur entreprise. La demande de scientifiques des données devient de plus en plus importante à mesure que de plus en plus de contextes de recherche et d'affaires impliquent l'analyse de mégadonnées (big data), ou de très grands ensembles de données qui ne sont pas facilement traités (processed) à l'aide de tableurs. Ces ensembles de données impliquent souvent des mesures à volume élevé des interactions des utilisateurs sur Internet à un grain très fin, comme le suivi de l'historique de navigation d'un client sur une boutique en ligne. Les scientifiques des données peuvent ensuite analyser les modèles de navigation à l'aide de méthodes d'apprentissage automatique (machine learning) afin de recommander des produits (product) connexes, de cibler des publicités sur des clients spécifiques via les médias sociaux, et de réengager les clients par e-mail ou d'autres moyens. L'apprentissage automatique (ML) est un sous-ensemble de l'intelligence artificielle (artificial intelligence) qui repose sur des algorithmes et des données pour permettre à l'intelligence artificielle d'apprendre, imitant en fait la façon dont les humains apprennent. Par exemple, le ML est utilisé pour identifier les transactions bancaires frauduleuses par rapport aux transactions légitimes. Une fois qu'un ordinateur apprend à distinguer les transactions frauduleuses, il peut être vigilant et attirer l'attention sur les activités bancaires suspectes.

Science computationnelle

Au-delà de la science des données (data science), l'informatique (computer science) peut également modifier fondamentalement la façon dont la science est recherchée et développée (development). Le domaine de la sciences du calcul (computational science) fait référence à l'application de concepts et de technologies informatiques (computing) pour faire progresser la recherche scientifique et les applications pratiques des connaissances scientifiques dans un large éventail de domaines, y compris le génie civil, la finance et la médecine. Par exemple, les algorithmes et les logiciels (software) informatiques jouent un rôle clé en permettant la prévision numérique du temps (numerical weather prediction) (Figure 1.7) ou l'utilisation de modèles mathématiques pour prévoir le temps en fonction des conditions actuelles afin d'aider la vie quotidienne des gens et de contribuer à notre compréhension des modèles climatiques, des changements climatiques et des catastrophes climatiques. Ces algorithmes peuvent nécessiter une grande quantité de puissance matérielle (hardware) informatique qui pourrait ne pas être disponible dans un seul système, de sorte que le travail peut devoir être distribué sur de nombreux ordinateurs. La sciences du calcul étudie les méthodes de réalisation de ces algorithmes et logiciels informatiques.

Figure 1.7 Les météorologues collectent des données provenant de diverses sources et utilisent ces données, des algorithmes et des ordinateurs pour prédire le temps. (source des données : Climate Forecast System, National Centers for Environmental Information, National Oceanic and Atmospheric Administration, https://www.ncei.noaa.gov/products/weather-climate-models/climate-forecast-system ; crédit : modification de « CFSR Atmospheric Precipitable Water » par NOAA/ncei.noaa.gov, Domaine public)

Bien que l'informatique ait été utilisée pour soutenir la découverte scientifique, la théorie de la connaissance de l'informatique a été historiquement considérée comme assez différente de celle des sciences naturelles, telles que la biologie, la physique et la chimie. L'informatique n'étudie pas les objets naturels, de sorte que pour la plupart, elle ne serait pas considérée comme une science naturelle mais plutôt comme une science appliquée. Contrairement aux sciences naturelles telles que la biologie, la physique et la chimie, qui mettent l'accent sur la découverte des phénomènes naturels, l'informatique met souvent l'accent sur l'ingénierie.

Cependant, l'informatique est aujourd'hui profondément (deep) interdisciplinaire et implique des méthodes issues de la science, des mathématiques et de l'ingénierie. Les informaticiens conçoivent, analysent et évaluent des structures, des systèmes et des processus (process) computationnels.

• Les mathématiques jouent un rôle clé dans l'informatique théorique, qui met l'accent sur la façon dont un problème computationnel peut être défini en termes mathématiques et si ce problème mathématique peut être résolu efficacement avec un ordinateur.
• L'ingénierie joue un rôle clé dans l'génie logiciel (software engineering), qui met l'accent sur la façon dont les problèmes peuvent être résolus avec des ordinateurs ainsi que sur les pratiques et les processus (process) qui peuvent aider les gens à concevoir des solutions logicielles plus efficaces.
• La science joue un rôle clé dans l'interaction homme-machine, qui met l'accent sur l'expérimentation et l'évaluation de l'interface entre les humains et les ordinateurs, souvent dans le but de concevoir de meilleurs systèmes informatiques.

Science de l'information

Non seulement le calcul est interdisciplinaire, mais d'autres disciplines deviennent également de plus en plus computationnelles. Dans The Invisible Future, le biologiste lauréat du prix Nobel David Baltimore définit l'ADN en termes computationnels. Il affirme que la biologie est une science de l'information parce que l'ADN code les produits (product) des systèmes biologiques. Le domaine interdisciplinaire étudiant les technologies et les systèmes d'information tels qu'ils se rapportent aux personnes, aux organisations et aux sociétés est appelé science de l'information (information science). Le rôle de l'information dans les sciences naturelles peut également être trouvé dans la physique des ondes quantiques qui transportent des informations sur les effets physiques, dans les équations chimiques qui spécifient des informations sur les réactions chimiques, dans les flux d'informations qui animent l'évolution des économies et des organisations politiques, et dans les processus (process) d'information sous-jacents aux sciences sociales, de gestion et de communication.13

Bien que la science de l'information ait ses racines (root) dans la classification, la catégorisation et la gestion de l'information dans le contexte des systèmes de bibliothèque, la science de l'information est aujourd'hui un vaste domaine qui englobe les nombreuses façons diverses dont l'information façonne la société. Par exemple, les réseaux sociaux d'aujourd'hui offrent une communication d'informations plus personnelle et instantanée par rapport aux médias d'information traditionnels – des milliards de personnes à travers le monde utilisent les médias sociaux pour s'engager avec des informations sur le monde. Pour beaucoup de gens, les médias sociaux peuvent être le principal moyen par lequel ils apprennent et donnent un sens au monde (Figure 1.8). Pourtant, nous avons déjà constaté les risques associés aux technologies de l'information telles qu'Internet. À l'ère de l'information d'aujourd'hui, l'information a plus de pouvoir que jamais pour remodeler la société. Les scientifiques de l'information, les scientifiques des données, les scientifiques computationnels – et, par conséquent, les informaticiens – ont une responsabilité sociale : « On ne peut pas récolter les récompenses quand les choses vont bien mais minimiser la responsabilité quand les choses vont mal. »14

Figure 1.8 Alors que les Américains obtenaient principalement leurs nouvelles des journaux, à mesure que la technologie a progressé, leur principale source de médias d'information a changé. En 2020, 53 % des adultes américains interrogés ont déclaré qu'ils obtenaient leurs nouvelles des médias sociaux au moins de temps en temps. (source des données : Elisa Shearer et Amy Mitchell, Pew Research Center. « About Half of Americans Get News on Social Media at Least Sometimes. » D'après l'enquête auprès des adultes américains menée du 31 août au 7 septembre 2020. Dans : E. Shearer, A. Mitchell, « News Use Across Social Media Platforms in 2020 », 12 janvier 2021. ; attribution : Copyright Rice University, OpenStax, sous licence CC BY 4.0)

Malgré la centralité de l'information pour la prise de décision et le changement social, les approches dominantes de l'informatique (computer science) ont tendance à se concentrer sur les structures, les systèmes et les processus (process) computationnels qui décrivent un type d'information en se concentrant sur le quoi ou le comment de la résolution de problèmes avec des ordinateurs, mais moins souvent sur les questions du pourquoi ou du qui. La science de l'information centre largement les personnes, les organisations et la société dans l'étude des technologies de l'information.

L'informatique est un domaine interdisciplinaire

En présentant la science des données (data science), la sciences du calcul (computational science) et la science de l'information (information science), nous avons introduit l'idée que l'informatique peut façonner d'autres disciplines. Mais nous avons également soulevé des questions sur ce qu'est l'informatique aujourd'hui. Si l'informatique est l'étude de tous les « phénomènes entourant les ordinateurs », elle pourrait également impliquer la science des données, la sciences du calcul, la bioinformatique, la chimioinformatique, la science sociale computationnelle, l'informatique médicale et la science de l'information. Comme vous l'apprendrez au chapitre 13 Développement de solutions numériques hybrides multicloud, un autre aspect de l'informatique est l'informatique responsable (responsible computing), qui comprend la gestion appropriée des cyber-ressources ainsi qu'une cybersécurité robuste. Il est difficile de définir l'informatique aujourd'hui car elle est si largement utilisée par les gens du monde entier dans diverses capacités. Les définitions consistent à définir des limites et à exclure des pratiques, ce qui peut être utile pour comprendre les pratiques d'une certaine culture ou d'un groupe qui « fait » de l'informatique, mais cela ne peut jamais vraiment représenter tout le monde et toutes les choses que les gens font avec l'informatique. Cependant, les racines (root) historiques de l'informatique dans les mathématiques façonnent la façon dont elle catégorise les sous-domaines :

• Informatique théorique
  • Théorie du calcul
  • Représentation de l'information
  • Structures de données et algorithmes
  • Langage de programmation et méthodes formelles
• Systèmes informatiques
  • Architecture
  • Intelligence artificielle
  • Réseaux
  • Sécurité
  • Bases de données
  • Calcul distribué
  • Graphiques
• Informatique appliquée
  • Calcul scientifique
  • Interaction homme-machine
  • Ingénierie logicielle

Dans cette hiérarchie, l'informatique théorique (theoretical computer science) et les systèmes informatiques sont traités séparément de l'informatique appliquée et de l'interaction homme-machine (human-computer interaction), suggérant que les mathématiques du calcul sont pures et séparées des questions sociales. Pourtant, nous avons vu plusieurs exemples qui remettent en question ce paradigme et pointent plutôt vers une structure où l'interaction homme-machine est infusée tout au long de l'étude de l'informatique et de tous ses sous-domaines.

Aujourd'hui, l'informatique est un domaine qui concerne autant les personnes que la technologie informatique, car chacun de ces sous-domaines est motivé par les problèmes du monde réel que les gens veulent finalement résoudre. Les sous-domaines de l'intelligence artificielle (artificial intelligence) et de l'apprentissage automatique (machine learning) ont des applications qui influencent directement la prise de décision humaine, allant du ciblage publicitaire à la traduction (translation) linguistique en passant par les voitures autonomes. Des solutions computationnelles efficaces aux problèmes de recherche ou d'entreprise nécessitent de combiner des connaissances spécifiques avec des concepts d'informatique (computer science) provenant d'une combinaison de domaines. Par exemple, l'application de sciences du calcul (computational science) de la prévision météorologique combine des connaissances sur divers sous-domaines de l'informatique (algorithmes, calcul distribué, systèmes informatiques) avec des connaissances sur les systèmes climatiques. Les informaticiens théoriciens s'intéressent de plus en plus à des questions telles que : « Comment concevons-nous, analysons-nous et évaluons-nous des algorithmes ou des systèmes d'information pour l'équité ? Comment définissons-nous même l'équité dans un système informatique qui dépouille les complexités du monde réel ? Quelles idées ou informations sont encodées dans les données ? Et quelles sont les limites de nos approches ? » L'informatique est un domaine complexe, et sa nature synergique signifie que lorsque l'informatique est utilisée de manière interdisciplinaire qui façonne d'autres disciplines, son impact sur la société est bien plus grand que lorsque chaque discipline fonctionne seule.