Un open data pour la recherche scientifique

L’État et ses ser­vices publics dis­posent d’un gise­ment extra­or­di­naire de don­nées et d’informations sur les indi­vidus et les entre­pris­es, ayant un car­ac­tère sen­si­ble et béné­fi­ciant d’une pro­tec­tion spé­ci­fique : don­nées per­son­nelles, don­nées rel­e­vant du secret des affaires, etc.

Un potentiel considérable de valorisation économique et sociale

Une masse d’informations aus­si con­sid­érable col­lec­tée par les admin­is­tra­tions et ser­vices publics n’implique pas, du fait des garde-fous juridiques, que ces infor­ma­tions puis­sent être détournées pour des fins autres que celles pour lesquelles elles ont été col­lec­tées, ni même qu’il existe une « autorité cen­trale » capa­ble de les appari­er entre elles sans con­trôle et autorisée à le faire.

Elle con­stitue un poten­tiel con­sid­érable de val­ori­sa­tion économique et sociale au ser­vice de l’intérêt général et, simul­tané­ment, porte en elle une men­ace poten­tielle à l’égard de la vie privée et de la con­fi­ance que les citoyens ont à l’égard de leur gouvernement.

Il est vain d’insister sur le poten­tiel de val­ori­sa­tion en niant les dan­gers, de même qu’il est vain de pouss­er à l’extrême le principe de pré­cau­tion en oubliant les bien­faits con­sid­érables que l’utilisation de ces don­nées peut apporter à la société.

Face à cette dif­fi­culté, per­me­t­tre à des chercheurs d’exploiter ces don­nées dans un cadre strict et sécurisé peut con­stituer une réponse d’un intérêt majeur.

Bienfaits et dangers

Il est impératif de con­sid­ér­er simul­tané­ment les bien­faits et les dan­gers de l’exploitation de don­nées per­son­nelles comme les deux faces d’une même prob­lé­ma­tique. Des don­nées agrégées qui ne con­tiendraient aucune infor­ma­tion risquant de met­tre en dan­ger la vie privée peu­vent présen­ter un intérêt indé­ni­able pour cer­tains acteurs, par exem­ple pour con­stru­ire des indi­ca­teurs sur la per­for­mance des cen­tres hos­pi­tal­iers. Mais l’agrégation obère très prob­a­ble­ment une grande par­tie du poten­tiel de val­ori­sa­tion des données.

Inverse­ment, une source de don­nées à haute valeur ajoutée avec une gran­u­lar­ité fine a de grandes chances d’être aus­si une source de dan­ger pour la vie privée si son usage est détourné.

En effet, une base de don­nées, même ren­due anonyme, c’est-à-dire sans le nom, prénom, adresse et numéro de Sécu­rité sociale des indi­vidus, peut présen­ter un risque réel d’identification des indi­vidus présents dans cette base. On par­le alors de don­nées indi­recte­ment nom­i­na­tives et de risque de réidentification.

Autrement dit, la prob­a­bil­ité n’est jamais nulle qu’en croisant les vari­ables de la base de façon sys­té­ma­tique on arrive à iden­ti­fi­er des indi­vidus, d’autant plus si l’on dis­pose d’informations externes supplémentaires.

Un encadrement législatif solide

Quelles sont les solu­tions ? En pre­mier lieu, l’encadrement lég­is­latif et régle­men­taire doit être solide. S’agissant de la France et, plus générale­ment, de l’espace européen, cet encadrement est claire­ment établi, via notam­ment les dis­po­si­tions pro­tégeant le secret médi­cal, le secret fis­cal, le secret sta­tis­tique ou encore le secret des affaires, ain­si que l’ensemble des lois et règle­ments européens. En out­re, la légitim­ité et l’autorité de la CNIL sont indiscutables.

Quand il s’agit de recherche scientifique – et non d’open data – le risque à maîtriser est le risque de dissémination

En deux­ième lieu, il existe un ensem­ble de méthodolo­gies et d’algorithmes sta­tis­tiques pour réduire le risque de réi­den­ti­fi­ca­tion tout en min­imisant la perte d’information asso­ciée. En effet, il y a néces­saire­ment perte d’information dès lors qu’on réduit la prob­a­bil­ité de réidentification.

Les algo­rithmes et méthodolo­gies sta­tis­tiques ont juste­ment pour but de min­imiser le ratio entre le « coût » (la perte d’information) et le « béné­fice » (la réduc­tion de la prob­a­bil­ité de réidentification).

Mal­heureuse­ment, ce genre de tech­nique con­duit en général à une perte d’information qui fait per­dre à la base de don­nées son intérêt pour des recherch­es sci­en­tifiques poussées, même si la base garde sou­vent un intérêt dans une logique d’open data visant à ali­menter le débat public.

Con­traire­ment à la logique de l’open data, la recherche sci­en­tifique exige en revanche de per­me­t­tre à des chercheurs dûment autorisés de pou­voir tra­vailler directe­ment sur les don­nées brutes les plus exhaustives.

Face au risque de réi­den­ti­fi­ca­tion par nature très impor­tant, l’enjeu cru­cial est plutôt d’empêcher toute fuite de don­nées en dehors du cer­cle strict des seuls chercheurs autorisés. Le risque à maîtris­er n’est donc plus le risque de réi­den­ti­fi­ca­tion mais le risque de dissémination.

S’enfermer dans un bunker

Longtemps, la seule « tech­nolo­gie » util­is­able pour prévenir le risque de dis­sémi­na­tion rel­e­vait de la tech­nique du « bunker », c’est-à- dire la con­struc­tion d’un cen­tre physique dans lequel le chercheur doit se ren­dre, être fouil­lé à l’entrée et la sor­tie, et sur­veil­lé pen­dant tout le temps où il tra­vaille sur les don­nées à l’intérieur de ce bunker.

Les pre­miers cen­tres physiques ont été créés aux États-Unis ou au Cana­da il y a plusieurs décennies.

Pour l’anecdote, aux États-Unis, le cen­tre physique est sur­veil­lé par la police et c’est un polici­er qui fouille le chercheur avant et après l’entrée dans le bunker. Inutile de dire que cette façon de faire de la recherche est très coû­teuse et ne cor­re­spond pas vrai­ment aux pra­tiques de la recherche scientifique.

La deux­ième généra­tion tech­nologique a porté sur le remote exe­cu­tion dans lequel le chercheur n’a pas accès aux don­nées et se con­tente d’envoyer son pro­gramme infor­ma­tique à l’administration pro­prié­taire des don­nées qui se charge alors de le faire tourn­er et ren­voie les résul­tats au chercheur (après avoir véri­fié que rien de con­fi­den­tiel ne s’y trou­vait). Très lourd aussi.

La troisième généra­tion a naturelle­ment con­sisté à implé­menter un logi­ciel de sécu­rité sur le poste infor­ma­tique du chercheur mais cette solu­tion, util­isée aux Pays-Bas par exem­ple, est extrême­ment coû­teuse à gér­er (il n’y a pas deux chercheurs sur terre qui ont le même matériel et le même envi­ron­nement infor­ma­tique) et, au final, très peu sécurisée, car le chercheur est sou­vent admin­is­tra­teur de son poste de travail.

Travailler à distance

L’administration française est en pointe car elle a dévelop­pé la qua­trième généra­tion grâce à une inno­va­tion tech­nologique brevetée et label­lisée « Équipement d’excellence » qui per­met à des cen­taines de chercheurs français et européens de tra­vailler à dis­tance sur des don­nées con­fi­den­tielles sans risque de dissémination.

Les données ne quittent jamais les serveurs centraux

Cette solu­tion tech­nologique repose sur un ter­mi­nal physique minia­tur­isé (SD Box) qui fonc­tionne en remote access, qui est totale­ment indépen­dant du réseau infor­ma­tique local et qui néces­site une iden­ti­fi­ca­tion bio­métrique forte (par empreinte dig­i­tale) pour être utilisé.

Ain­si, les don­nées ne quit­tent jamais les serveurs cen­traux de l’administration française, lesquels serveurs sont eux-mêmes totale­ment étanch­es aux réseaux infor­ma­tiques de l’administration et ne peu­vent dia­loguer qu’avec les ter­minaux SD Box.

---

Articles similaires :

De la recherche à l’innovation : les métiers de la valorisation Recherche sur le hand­i­cap : une approche pluridis­ci­plinaire et participative L’IMT au ser­vice de la recherche, de la for­ma­tion et de l’innovation EMBLEEMA Partager ses don­nées de san­té pour faire pro­gress­er la recherche 4D Pio­neers, une start-up en impres­sion 3D issue de la recherche L’Europe de la recherche et de l’innovation : un demi-siè­cle de gestation