Introduction aux Données

1. Nature et diversité des données

Les données se présentent sous des formes variées, chacune avec ses caractéristiques et usages spécifiques. Elles peuvent être classées selon leur nature et leur finalité.

2. Exploitations et traitements des données

Les données sont collectées et utilisées pour diverses finalités, impliquant différents acteurs et méthodes.

• Orientation de l'action : Les données guident les décisions stratégiques dans les entreprises et les politiques publiques.
• Prise de décision : Analyse des données pour choisir la meilleure option dans un contexte donné.
• Production de valeur économique : Monétisation des données via des services personnalisés ou des analyses de marché.
• Production de connaissances : Recherche scientifique et innovation basée sur l’analyse des données.

3. Exemples d’applications commerciales

• Algorithmes de recommandation : Exploitation des données de navigation pour proposer des contenus personnalisés (films, produits, articles).
• Systèmes d’intelligence artificielle (IA) : Utilisation des données pour entraîner des modèles capables de générer du contenu, reconnaître des images ou comprendre le langage naturel (ex. IA génératives).

À retenir : Les données, de nature très diverse, sont au cœur de nombreuses applications modernes, de la personnalisation des services à l’intelligence artificielle, en passant par la recherche et l’industrie.

1. Révolution du Big Data

• Big Data : explosion des volumes de données numériques à la fin des années 2000, qualifiée de « nouveau pétrole » de l’économie du XXIe siècle.
• Caractéristique clé : capacité à analyser des millions de documents numériques via des traitements automatisés basés sur des modèles.
• Exemple marquant : Google Flu Trend (2008), outil de prévision des épidémies de grippe utilisant les recherches en ligne des internautes.
• Impact : discours de rupture sur les technologies, entre promesses de transformation économique et sociale et inquiétudes sur leurs effets.

2. Domination des intelligences artificielles (IA)

• Répétition des discours : chaque nouvelle technologie suscite des visions enthousiastes (solutionnistes) et alarmistes (perte de contrôle, déclin des capacités humaines).
• Exemple récent : lettre ouverte « Pause Giant AI Experiments » (mars 2023) alertant sur les risques sociétaux et humains liés aux IA capables de rivaliser avec l’intelligence humaine.
• Tension centrale : entre exploitation massive des données pour automatiser et améliorer des processus, et questionnements éthiques et sociaux sur ces technologies.

À retenir : la révolution du Big Data et la montée des IA sont marquées par une double dynamique d’enthousiasme technologique et de vigilance critique face aux risques.

1. Définition et nature des données

• Donnée : description élémentaire d'une réalité, isolable et traitable quantitativement (ex : prix, vitesse, coordonnées, dates, mots).
• Différence avec l'information : une donnée brute n'est pas une information, qui implique un sens donné dans un contexte.
• Différence avec le document : un document est un objet conçu pour transmettre une information durablement, avec une intention spécifique.

2. Origine et production des données

• Toute donnée est issue d’un prélèvement sur le réel via un dispositif, instrument ou capteur.
• Exemple : une borne comptant les vélos à Bruxelles en 2017.
• La donnée est produite dans un contexte spécifique par une instance (service, organisation).
• Exemple : registre d’état civil.

3. Caractéristiques clés des données

À retenir : Une donnée est toujours une construction contextuelle, produite par un dispositif, et non un reflet direct et neutre de la réalité.

4. Impact de la révolution du Big Data

• Explosion du volume, de la variété et de la vitesse de production des données.
• Permet l’émergence de nouvelles méthodes d’analyse et d’intelligence artificielle (IA).
• L’IA exploite ces données massives pour apprendre, prédire et automatiser des tâches complexes.

5. Émergence des intelligences artificielles (IA)

• L’IA moderne repose sur l’exploitation des données massives (Big Data).
• Les algorithmes apprennent à partir de ces données pour modéliser des phénomènes complexes.
• Cette révolution transforme les secteurs économiques, sociaux et scientifiques.

À retenir : La révolution du Big Data est la condition nécessaire à l’émergence et au développement des IA modernes.

1. Définition d'une donnée

Une donnée est une information brute, isolée, qui prend tout son sens uniquement lorsqu'elle est mise en relation avec d'autres données. Seule, elle est peu utile.

2. Structuration des données

Pour être exploitables, les données doivent être structurées et organisées. Deux formes principales existent :

3. Datafication : mise en données de la société

La datafication désigne le processus par lequel des éléments du monde réel (sujets, objets, pratiques) sont transformés en données numériques. Ce phénomène s'amplifie avec la numérisation et le développement du big data.

• Elle permet de rendre les informations quantifiables et lisibles par machine.
• Ces données sont ensuite utilisées pour l’agrégation, l’analyse, la recherche de corrélations, ou la monétisation.
• La datafication reflète une logique où tout est vu comme une source potentielle de données à exploiter.

À retenir : Une donnée isolée est peu utile ; c’est leur structuration et mise en relation qui permet de produire des connaissances exploitables.

1. La datafication de la société

La datafication désigne la transformation des aspects de la vie sociale en données numériques exploitables, modifiant ainsi la manière dont les comportements humains et les problèmes sociaux sont analysés et compris.

2. Des données aux algorithmes : un bref historique

• Le mot algèbre vient de l’arabe « al-jabr », signifiant « reconstruction » ou « restauration ».
• Le mathématicien perse du IXe siècle, Abu Abdullah Muhammad ibn Musa al-Khwarizmi, est considéré comme le père de l’algèbre.

3. Qu’est-ce qu’un algorithme ?

• Définition simple : un algorithme est un programme de calcul qui traite des données selon une série d’instructions.
• Aujourd’hui, les algorithmes sont omniprésents :
  • Multiplication des algorithmes dans divers domaines.
  • Intervention directe dans la vie quotidienne.
  • Leur fonctionnement est souvent plus ou moins visible.

4. Les quatre types principaux d’algorithmes

5. Algorithmes : technique, stratégie et politique

• Technique : méthode systématique de traitement des données.
• Stratégie : choix des algorithmes influence la manière dont les données sont exploitées.
• Politique : les algorithmes peuvent avoir un impact sur la société, en influençant les décisions, les comportements et les inégalités.

À retenir : Un algorithme est un programme qui transforme des données en actions ou décisions, jouant un rôle clé dans la datafication de la société.

1. Définition de l'algorithme

Un algorithme est un ensemble de procédés et d'opérations systématiques qui effectuent un traitement de données.

• Niveau stratégique : L'algorithme est produit par une personne ou une organisation dans un but précis, répondant à des besoins identifiés. Il s'appuie sur le traitement de données sélectionnées pour définir un service.
• Niveau politique : L'algorithme organise le pouvoir sur les individus dans la vie sociale, culturelle et dans les structures sociétales.

2. Relation entre données, algorithmes et IA

• Pas d'IA sans données : Les algorithmes sont des processus de calcul qui nécessitent des données pour fonctionner.
• Plus les données disponibles sont nombreuses, plus le traitement automatique est efficace.
• Les données servent à entraîner les machines (exemple : reconnaissance d’images comme chats ou chiens) puis à produire des résultats (exemple : génération de textes).

3. Trois notions-clés à retenir

À retenir : L’intelligence artificielle repose fondamentalement sur l’exploitation massive des données via des algorithmes.

1. Définitions clés

• Intelligence artificielle (IA) : domaine de recherche apparu en 1956 à la conférence de Dartmouth, qui modélise les mécanismes de l’intelligence via des algorithmes et les expérimente avec des machines.
• Algorithme : enchaînement d’actions élémentaires permettant de résoudre un problème.
• Système d’IA : dispositif automatisé capable, pour des objectifs définis par l’humain, de produire des prévisions, formuler des recommandations ou prendre des décisions influençant des environnements réels ou virtuels.

2. Caractéristiques des systèmes d’IA

3. Importance des algorithmes dans l’IA

• Les algorithmes sont la technique fondamentale qui permet de simuler des capacités intellectuelles humaines.
• Ils traduisent des processus complexes en suites d’actions simples et exécutables par une machine.
• La performance d’un système d’IA dépend directement de la qualité et de la stratégie algorithmique employée.

4. Enjeux stratégiques et politiques

• Les algorithmes ne sont pas neutres : ils reflètent des choix humains (objectifs, données, critères).
• Leur utilisation soulève des questions éthiques, sociales et économiques, notamment sur la transparence, la responsabilité et le contrôle.
• La maîtrise des algorithmes est un enjeu de souveraineté numérique et d’innovation technologique.

À retenir : Un algorithme est une suite d’actions élémentaires qui, appliquée à un problème donné, permet à un système d’IA de prévoir, recommander ou décider selon des objectifs humains.

1. Hiérarchie de l'intelligence artificielle (IA)

• Intelligence artificielle : discipline scientifique regroupant diverses techniques.
• Apprentissage automatique (Machine Learning) : sous-domaine de l'IA, qui permet aux machines d'apprendre à partir de données.
• Réseaux de neurones : modèles inspirés du cerveau humain, utilisés en apprentissage automatique.
• Apprentissage profond (Deep Learning) : type avancé de réseaux de neurones avec plusieurs couches, capable d'extraire des représentations complexes.

2. Fonctionnement d'un réseau de neurones simple

• Architecture :
  • Couche d'entrée (reçoit les données brutes)
  • Couche cachée (effectue des transformations)
  • Couche de sortie (produit la prédiction)
• Rétro-propagation de l'erreur : mécanisme d'ajustement des poids du réseau pour minimiser l'erreur entre la sortie prédite et la sortie réelle (exemple : classification chat/chien).

3. Points essentiels à retenir

• Les machines ne répliquent pas l'esprit humain : les IA actuelles ne possèdent pas de conscience ni d'intelligence humaine réelle.
• L'IA est une discipline scientifique : elle repose sur des méthodes mathématiques et informatiques rigoureuses.
• Pluralité des IA : il n'existe pas une IA unique, mais une diversité d'outils et de technologies intégrés dans notre environnement quotidien.

À retenir : L'intelligence artificielle regroupe un ensemble de techniques mathématiques et computationnelles, dont l'apprentissage automatique et les réseaux de neurones, qui permettent aux machines d'apprendre et de réaliser des tâches complexes sans reproduire l'intelligence humaine.