Une formation spécifique et pluridisciplinaire

La demande de spé­cia­listes des big data sur le mar­ché de l’emploi se struc­ture autour de trois pro­fils, archi­tecte de sys­tèmes big data , chief data offi­cer et data scien­tist.

L’architecte

Afin de conce­voir un sys­tème d’information per­met­tant d’acquérir, de sto­cker, de net­toyer, de repré­sen­ter et d’analyser des don­nées très volu­mi­neuses, d’une grande varié­té (matrices de nombres, séries tem­po­relles, conte­nu mul­ti­mé­dia, graphes dyna­miques décri­vant l’évolution des réseaux sociaux) en « temps réel », il convient d’assembler une mul­ti­tude de briques tech­no­lo­giques (sys­tèmes de fichiers dis­tri­bués, paral­lé­li­sa­tion massive).

Aucun fra­me­work ne per­met aujourd’hui à lui seul d’effectuer l’ensemble de ces tâches. L’architecte big data est celui qui sau­ra construire « sur mesure » un tel sys­tème, adap­té à l’activité de son entre­prise, et le pérenniser.

Le chef

Dans le but de cer­ner les enjeux stra­té­giques asso­ciés à la créa­tion pos­sible de valeur à tra­vers les big data et de mettre en place une orga­ni­sa­tion adap­tée, la gou­ver­nance de cer­taines entre­prises doit être modi­fiée de façon à inté­grer un chief data offi­cer, dont la fonc­tion conci­lie tech­no­lo­gie de l’information et busi­ness au sein du groupe.

Le chief data offi­cer per­çoit l’impact éven­tuel des don­nées sur cha­cun des « métiers » de la socié­té, et crée ain­si les condi­tions de l’innovation et du big busi­ness à venir des big data.

Le savant

L’exploitation ana­ly­tique des don­nées n’est pas une acti­vi­té nou­velle. La ges­tion des risques (finan­ciers, sani­taires, opé­ra­tion­nels, etc.), l’optimisation de pro­ces­sus indus­triels (contrôle de qua­li­té, pla­ni­fi­ca­tion), ou le moni­to­ring de sys­tèmes com­plexes, mobi­lisent depuis long­temps un cor­pus de connais­sances et un savoir-faire issus de dif­fé­rentes branches des mathé­ma­tiques appli­quées (pro­ba­bi­li­tés et sta­tis­tique, opti­mi­sa­tion, ana­lyse et cal­cul numé­riques), avec une uti­li­sa­tion de solu­tions infor­ma­tiques très encadrées.

Assembler une multitude de briques technologiques

Mais les big data imposent un chan­ge­ment d’approche pro­fond. Jusqu’à pré­sent, les don­nées étaient majo­ri­tai­re­ment col­lec­tées en sui­vant des plans d’expérience ou de son­dage pré­cis et très coû­teux. La rare­té de l’information quan­ti­ta­tive requé­rait des étapes de pré­trai­te­ment des don­nées consi­dé­rables, lors des­quelles l’expertise humaine jouait un rôle déter­mi­nant, dans la pers­pec­tive d’élaborer des modèles sta­tis­tiques à voca­tion pré­dic­tive en particulier.

La com­plexi­té des don­nées dis­po­nibles aujourd’hui, leur dimen­sion explo­sive, la néces­si­té d’automatiser le trai­te­ment en vue de satis­faire aux contraintes du temps réel ont conduit à l’essor du machine-lear­ning, la dis­ci­pline à l’interface des mathé­ma­tiques appli­quées et de l’informatique, visant à pro­duire des algo­rithmes per­met­tant d’apprendre auto­ma­ti­que­ment les don­nées des repré­sen­ta­tions ou les modèles les plus performants.

Avec la mise au point d’algorithmes très effi­caces dès le début des années 1990, l’intégration des contraintes com­pu­ta­tion­nelles et le suc­cès com­mer­cial de solu­tions logi­cielles fon­dées sur ce type d’approche (pour la recon­nais­sance vocale ou de carac­tères manus­crits par exemple), le machine-lear­ning a pro­gres­si­ve­ment rem­pla­cé la sta­tis­tique tra­di­tion­nelle dans de nom­breux domaines.

Ain­si, le data scien­tist n’est pas seule­ment un sta­tis­ti­cien mais un tech­ni­cien capable de com­bi­ner des com­pé­tences en mathé­ma­tiques, en infor­ma­tique et en droit, afin d’appréhender la chaîne de trai­te­ment des don­nées dans sa glo­ba­li­té, de l’acquisition des don­nées à la solu­tion ana­ly­tique, en pas­sant par les étapes de sto­ckage et de représentation.

Le temps où les ser­vices infor­ma­tiques de l’entreprise trans­met­taient un fichier « plat » au dépar­te­ment en charge de la modé­li­sa­tion puis se voyaient ren­voyer un modèle sta­tis­tique très par­ci­mo­nieux encap­su­lé dans une struc­ture spé­ci­fique et à reco­der entiè­re­ment pour la mise en pro­duc­tion est révo­lu à l’ère big data.

Nouveaux programmes d’enseignement

L’un des défis que pose le phé­no­mène big data est la for­ma­tion de cadres et de tech­ni­ciens aux « métiers » évo­qués plus haut et plus géné­ra­le­ment l’enseignement d’un cor­pus de connais­sances arti­cu­lant sciences, busi­ness et droit requé­rant de s’affranchir des car­cans disciplinaires.

L’Institut plu­ri­dis­ci­pli­naire pour la science et l’ingénierie des don­nées de l’université de Colum­bia pour­rait être un exemple à suivre. L’esquisse des futurs métiers des big data invite ain­si à réflé­chir et à pro­po­ser de nou­veaux pro­grammes aca­dé­miques pour les géné­ra­tions à venir.

Une approche pluridisciplinaire

L’une des prin­ci­pales recom­man­da­tions de la com­mis­sion spé­cia­li­sée de la filière fran­çaise est de mettre réel­le­ment en œuvre l’aspect mul­ti­dis­ci­pli­naire dans ce type de for­ma­tion, cou­vrant les trois domaines d’expertise : infor­ma­tique, mathé­ma­tiques appli­quées et connais­sances des métiers.

Combiner des compétences en mathématiques, en informatique et en droit

Au-delà des cours décri­vant concepts et tech­niques, ce type de for­ma­tion devra inclure des pro­jets « en vraie gran­deur », afin de se confron­ter aux dif­fé­rentes facettes de la « science des don­nées », éven­tuel­le­ment enca­drés par des pro­fes­sion­nels et requé­rant l’usage de briques tech­no­lo­giques de l’état de l’art pour le tra­vail expérimental.

La plu­ri­dis­ci­pli­na­ri­té n’interdit pas toute dif­fé­ren­cia­tion, l’un des domaines d’expertise pour­ra être la domi­nante de tel ou tel pro­gramme de for­ma­tion mais il semble sou­hai­table qu’elle n’intervienne que tar­di­ve­ment dans le cursus.

Agir rapidement

Plu­sieurs pistes sont envi­sa­gées pour répondre rapi­de­ment aux besoins iden­ti­fiés, en par­ti­cu­lier le déve­lop­pe­ment de for­ma­tion à dis­tance ou en ligne, per­met­tant à des pro­fes­sion­nels en situa­tion d’emploi de mon­ter en com­pé­tences ; l’élaboration d’un cur­ri­cu­lum de réfé­rence en data science et d’un label affé­rent ; le déve­lop­pe­ment de for­ma­tions ciblées ; une évo­lu­tion des for­ma­tions actuelles, avec le concours éven­tuel de pro­fes­sion­nels per­met­tant aux étu­diants de se confron­ter aux défis industriels.

Une large mobilisation

Mettre en œuvre ces orien­ta­tions requiert une large mobi­li­sa­tion des éta­blis­se­ments d’enseignement supé­rieur mais aus­si des entre­prises, les invi­tant à consti­tuer un réseau inédit, per­met­tant de par­ta­ger des res­sources et des expériences.

---

Articles similaires :

Beaux cer­veaux pour Big Data Phé­no­mène de mode ou nou­velle frontière ? Un nou­vel eldo­ra­do numérique Une révo­lu­tion majeure pour la France et l’Europe Une oppor­tu­ni­té pour la France dans l’économie de l’innovation