Bribes de la conférence XXL

Mi-mars, j’ai pu me rendre à un tout petit segment des journées d’étude « Science XXL », déjà rapidement évoquée dans un des quelques billets « big data » de ce blog.

La conférence se tenait salle Alfred Sauvy de l’Ined, et le peu que j’en ai vu était très réussi : bonne ambiance, présentations et arguments variés, café arôme « service public » à volonté. Et surtout, un peu à la manière du théorème de Cantor, chacune des interventions soulevait tellement de questions connexes que l’on aurait pu organiser une infinité de conférences supplémentaires en partant des positions exprimées.

L’enjeu de la conférence était de comprendre « ce que l’abondance et la diversité des données numériques font au sciences sociales », et si vous êtes intéressés par les réponses apportées à cette question, jetez un coup d’oeil aux comptes-rendus, très détaillés, d’Étienne Ollion et de Béatrice Cherrier.

Je profite de ce billet pour signaler le lancement officiel de « Démarre SHS !« , le programme “DonnÉes MAssives et Riches pour la REcherche en SHS” de l’Institut des données de Grenoble. Leur blog n’en dit pas beaucoup plus pour l’instant.

Annals of Youtube Science 1(4) : Big Data

Jusqu’à présent, à chaque fois que j’ai parlé de « big data » sur ce blog, ça s’est mal terminé. Le concept est élusif, et en science politique, la base de données qui ressemble à du « big data » a de sérieux soucis (la version corrigée est en cours de développement).

Ces réserves ne signifient évidemment pas que l’expression « big data » ne recouvre rien du tout : il y a d’excellents exemples de « big data« , notamment en biologie cellulaire et en linguistique. De là à savoir s’il y a une science qui accompagne l’analyse de ces données… c’est compliqué, mais cette conférence de Robert Grossman, donnée en 2013 à l’Université de Chicago, met les points sur les « i » :

Robert Grossman dirige le Center for Data Intensive Science de l’Université de Chicago, et le fondateur de l’Open Data Group. Les exemples de « big data » qu’il cite sont liés à sa discipline d’origine, la médecine, qui est susceptible de devenir une science assez différente de ce qu’elle est aujourd’hui si l’on parvient à séquencer non pas mille mais un million de génomes, par exemple.

La conférence provient de la chaîne Youtube de l’Université de Chicago, et plus particulièrement de sa série Uncommon Core, où l’on trouvera tout un tas de conférences sur des sujets aussi variés que les origines de l’islam (par Fred Donner) ou les implications de l’open data pour le gouvernement des espaces urbains (que je n’ai pas regardé en entier, mais l’intention y était).

Sur le même thème

Sur le même thème, la journée d’étude « Science XXL. Ce que l’abondance et la diversité des données font aux sciences sociales« , déjà citée il y a un bail, se rapproche — pensez à vous inscrire et à réserver vos 16-17 mars !

Voir aussi la même annonce chez Arthur Charpentier.

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

head-exploding

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 !

Big Data Fail ?

La base de données GDELT (Global Database of Events, Language, and Tone), déjà mentionnée ici, donne enfin lieu à quelques analyses précises. Les résultats sont sans équivoque : la base, qui contient plusieurs millions d’articles sur toutes sortes d’événements à travers toute la planète, ne sert pas à grand chose pour le moment.

Les problèmes semblent moins venir des données elles-mêmes que de leur classification a posteriori. L’exemple du kidnapping géant par Boko Haram au Nigeria en mai dernier l’illustre très bien : l’événement a été géocodé à une quarantaine d’endroits différents, avec pour conséquence… le comptage d’autant d’événements différents.

Pas étonnant, du coup, que personne ne s’y retrouve, en particulier lorsque l’architecte de la base affirme que les caricatures danoises de Mahomet sont l’événement mondial le plus saillant sur les trente-cinq dernières années. La personnalité de l’architecte en question, qui a fait toutes sortes de déclarations grandiloquentes, y est peut-être aussi pour quelque chose, mais ce n’est qu’une supposition de ma part.

Cela ne condamne pas définitivement les données, mais jette un sérieux doute sur leur exploitation en l’état actuel de la base. On peut imaginer toutes sortes de rectifications (après tout, c’est l’intérêt d’avoir placé la base en accès ouvert), ou imaginer des réformes plus radicales, comme limiter la base à quelques sources bien choisies à l’entrée et espérer en tirer quelque chose de mieux structuré à la sortie—c’est la stratégie suivie par l’outil équivalent que possède le Department of Defense américain.

Mise à jour : les données de GDELT sont en large partie des données volées (sources : PSJR, Phil Schrodt). Le cheminement des données depuis leur vol est inconnu : les deux universitaires liés au projet n’ont jamais vu les données brutes, il est donc impossible de savoir ce qu’elles contiennent vraiment. Au moins une revue a déjà réagi. À ne pas utiliser.

GDELT : la science politique devient une « big data science »

Ça vous dit, un jeu de données avec 200 millions d’événements géopolitiques de 1979 à aujourd’hui ? Mis à jour quotidiennement ? Suivez cet acronyme : GDELT, pour “Global Data on Events, Location and Tone”.

Mise à jour : il est vivement conseillé de lire cet autre billet avant de passer du temps sur les données GDELT.

Ça vient de sortir, c’est gratuit en ligne (attention, les données « réduites » prennent une demi-heure à télécharger), et ça fait l’événement, à juste titre : pour tous ceux qui travaillent sur les invasions militaires, les conflits armés ou les coups d’État, c’est une entrée dans la « big data science » (et apparemment, on peut également compter dessus pour d’autres types d’événements). Le codage repose en grande partie sur la grille d’actions qui suit :

CAMEO codes

Cela paraît l’occasion rêvée pour se lancer dans le machine learning, avec Coursera ou avec Drew Conway et John Myles White… À noter, enfin, que si les très grands jeux de données règlent les problèmes de puissance statistique bien connus dans les études cliniques, ils ne règlent rien d’autre, notamment au niveau théorique.

En aparté : nous discutions aujourd’hui avec Joël et une autre personne qui voulait se renseigner sur la « culture de la donnée » en sciences sociales. Je vous laisse faire le bilan ici : le premier jeu de données n’a ni licence, ni version. Sa présentation tient en un papier pas toujours très bien ficelé, et les premières analyses font circuler des fragments de données sans plus de précaution.

P.S. Un peu de code en Python pour analyser les événements Israël/Palestine.