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 Garan­tir la disponi­bil­ité, l’intégrité et la con­fi­den­tial­ité des données Un open data pour la recherche scientifique L’utilisation raison­née des don­nées personnelles Une révo­lu­tion majeure pour la France et l’Europe Une oppor­tu­nité pour la France dans l’économie de l’innovation