Redîtes « big data » une fois de plus, pour voir

La fin de l’année approche, et cette année, malgré un début un peu étrange dans mon cas, fut une bonne année. Sauf que si j’entends “big data” une fois de plus, je vais finir comme le présentateur télévisé dans Scanners (image ci-dessus).

J’ai la chance de connaître des gens très chouettes qui travaillent sérieusement sur le sujet, mais à l’ouverture du 70384-ième email m’annonçant une conférence sur “X et big data“, j’avoue que je fatigue un peu.

Ce n’est pas très original comme positionnement, mais j’en ai un peu ras-le-bol.

L’enjeu définitionnel

Il y a des articles complets dédiés à la définition de ce que sont les big data, et des gens très bien planchent sérieusement sur le sujet.

Toutefois, s’il faut se contenter d’une seule phrase de définition, j’aime bien cette définition empruntée à (un email de) Benjamin Ooghe-Tabanou :

Big data veut dire “qui ne tient pas dans une seule machine et nécessite des outils de calcul distant sur grilles de calcul pour être manipulé” (sic scripsit opera mundi, septembre 2016).

Cette définition a l’avantage de rappeler que le “big” de “big data” est le résultat d’une comparaison entre les données, les machines censées les stocker, et les algorithmes censés les analyser : “big” est un qualificatif indexé sur (1) la capacité de stockage et sur (2) la capacité de calcul disponibles sur les équipements informatiques standard.

En plus de ces deux éléments définition, j’aime bien celui suggéré par Philippe Tassi dans “Big data (1) – la fin des échantillons ou nouveau paradigme ?“, un billet mentionné sur l’excellent blog d’Arthur Charpentier ; le billet est le premier d’une série publié ailleurs sur le thème du “big data”.

Dans ce billet, Philippe Tassi complique la définition des “mégadonnées” en évoquant la fréquence de mise à jour de ces données, et il me semble que c’est effectivement un paramètre important à prendre en compte, car les infrastructures qui ont produit l’idée de “big data” sont souvent conçues pour héberger des données très fréquemment mises à jour et exploitables quasiment en temps réel, ce qui rend ces données et leurs modalités d’utilisation radicalement différentes des grandes enquêtes de la statistique publique, par exemple.

L’enjeu scientifique

Bien que je me sois déjà amusé avec quelques fichiers de recensement, je n’ai jamais eu à manipuler des “big data” : même les fichiers du recensement indien s’ouvrent sans difficulté sur une machine de bureau. Et s’il m’arrive de placer certaines données dans des tables à accès rapide, cela ne fait pas de ces données des “big data” pour autant.

De plus, même dans le cas où il m’est arrivé d’analyser des données sur des serveurs de calcul distant, c’était par commodité, pour gagner du temps, plutôt que par nécessité : les calculs qui m’intéressent tiennent presque toujours dans les limites physiques de la mémoire d’un ordinateur portable récent.

Autrement dit, je connais mal les enjeux techniques du “big data”—faute d’avoir pu voir comment ces enjeux affectent un workflow scientifique standard. Mais passé les enjeux techniques, la vraie question me semble être : la technique du “big data” a-t-elle des conséquences sur la manière d’imaginer les recherches que cette technique sous-tend ?

S’il y a un effet “big data” sur l’imagination scientifique, je demande à voir à quoi il ressemble en pratique, et pas seulement dans les titres incantatoires de conférences ou d’axes prioritaires des programmes de financement.

Ben justement, voir ci-dessous, tiens.

Pour aller plus loin : journée d’études “Sciences XXL”

Si mon coup de gueule vous paraît bien peu constructif, ne vous inquiétez pas, le sentiment est partagé.

Pour aller plus loin, donc, voici une annonce intéressante : “Sciences XXL – Ce que l’abondance et la diversité des données numériques font aux sciences sociales“, un appel à communications pour une conférence co-organisée par Étienne Ollion, déjà cité plus haut ; date-limite dans 20 jours !

---

---