Big data

Une visualisation des données créée par IBM1 montre que les big data modifiées par Wikipedia à l’aide du robot Pearle ont plus de signification lorsqu’elles sont mises en valeur par des couleurs et des localisations2.

Le big data, littéralement les « grosses données », ou mégadonnées (recommandé3), parfois appelées données massives4, désignent des ensembles de données qui deviennent tellement volumineux qu’ils en deviennent difficiles à travailler avec des outils classiques de gestion de base de données ou de gestion de l’information.

L’explosion quantitative (et souvent redondante) de la donnée numérique contraint à de nouvelles manières de voir et analyser le monde5. De nouveaux ordres de grandeur concernent la capture, le stockage, la recherche, le partage, l’analyse et la visualisation des données. Les perspectives du traitement des big data sont énormes et en partie encore insoupçonnées ; on évoque souvent de nouvelles possibilités d’exploration de l’information diffusée par les médias6, de connaissance et d’évaluation, d’analyse tendancielle et prospective (climatiques, environnementales ou encore sociopolitiques, etc.) et de gestion des risques (commerciaux, assuranciels, industriels, naturels) et de phénomènes religieux, culturels, politiques7, mais aussi en termes de génomique ou métagénomique8, pour la médecine (compréhension du fonctionnement du cerveauépidémiologieécoépidémiologie…), la météorologie et l’adaptation aux changements climatiques, la gestion de réseaux énergétiques complexes (via les smartgrids ou un futur « internet de l’énergie »), l’écologie (fonctionnement et dysfonctionnement des réseaux écologiques, des réseaux trophiques avec le GBIF par exemple), ou encore la sécurité et la lutte contre la criminalité9. La multiplicité de ces applications laisse d’ailleurs déjà poindre un véritable écosystème économique impliquant, d’ores et déjà, les plus gros joueurs du secteur des technologies de l’information10.

Certains[Qui ?] supposent que le big data pourrait aider les entreprises à réduire leurs risques et faciliter la prise de décision, ou créer la différence grâce à l’analyse prédictive et une « expérience client » plus personnalisée et contextualisée[réf. nécessaire].

Divers experts, grandes institutions (comme le MIT11 aux États-Unis), administrations12 et spécialistes sur le terrain des technologies ou des usages13 considèrent le phénomène big datacomme l’un des grands défis informatiques de la décennie 2010-2020 et en ont fait une de leurs nouvelles priorités de recherche et développement.

Histoire

Croissance de la capacité mondiale de stockage de données et informations14.

Le big data a une histoire récente et pour partie cachée, en tant qu’outil des technologies de l’information et comme espace virtuel prenant une importance volumique croissante dans le cyberespace.

L’expression « Big data » serait apparue en octobre 1997 selon les archives de la bibliothèque numérique de l’ACM (Association for Computing Machinery), dans des articles scientifiques sur les défis technologiques à relever pour visualiser les « grands ensembles de données ».

Selon V. Tréguier (2014) et selon la « très courte histoire du big data » publiés par Gil Press en 201315 pour la période 1944-2012, sa naissance est liée aux progrès des systèmes de stockage, de fouille et d’analyse de l’information numérisée, qui ont permis une sorte de big bang de l’information stockée puis une croissance inflationniste de l’univers de la donnée numérisée. Mais ses prémisses sont à trouver dans le croisement de la cybernétique et de courants de pensée nés durant la Seconde Guerre mondiale, selon lesquels l’homme et le monde peuvent être représentés comme « des ensembles informationnels, dont la seule différence avec la machine est leur niveau de complexité. La vie deviendrait alors une suite de 0 et de 1, programmable et prédictible »16 ajoute V. Tréguier.

Les évolutions qui caractérisent le big data et ses algorithmes, ainsi que celles de la science des données sont en partie cachées (au sein des services de renseignement des grands États) et si rapides et potentiellement profondes que peu de prospectivistes se risquent à pronostiquer son devenir à moyen ou long termes17, mais la plupart des observateurs y voient des enjeux majeurs pour l’avenir, tant en termes d’opportunités commerciales18 que de bouleversements sociopolitiques et militaires, avec en particulier le risque de voir émerger des systèmes ubiquistes, orwelliens19 et totalitaires capables de fortement contrôler, surveiller et/ou influencer les individus et groupes.

Les risques de dérives de la part de gouvernements ou d’entreprises20 ont surtout d’abord été décrits par Orwell à la fin de la dernière guerre mondiale, puis souvent par la science fiction. Avec l’apparition de grandes banques de données dans les années 1970 (et durant toute la période de la guerre froide) de nombreux auteurs s’inquiètent des risques pris concernant la protection de la vie privée21, en particulier le Pr. A. Miller qui cite la croissance des données stockées relatives à la santé physique et psychique des individus22,23,24.

En 2000, Froomkin dans un article paru dans la revue Stanford Law Review se demande si la vie privée n’est pas déjà morte25, mais ce sont surtout les révélations d’Edward Snowden (2013) qui ont suscité une nouvelle prise de conscience et d’importants mouvements protestation citoyenne.
Les quatre droits et « états de base de la vie privée » tels qu’énoncés par Westin en 1962 (droit à la solitude26, à l’intimité, à l’anonymat dans la foule et à la réserve) sont menacés dans un nombre croissant de situations27 de même que la protection du contenu des courriers électroniques28 qui fait partie du droit à la vie privée29.

Dimensions

Le big data s’accompagne du développement d’applications à visée analytique, qui traitent les données pour en tirer du sens30. Ces analyses sont appelées Big Analytics31 ou « broyage de données ». Elles portent sur des données quantitatives complexes à l’aide de méthodes de calcul distribué.

En 2001, un rapport de recherche du META Group (devenu Gartner)32 définit les enjeux inhérents à la croissance des données comme étant tri-dimensionnels : les analyses complexes répondent en effet à la règle dite « des 3V » (volume, vélocité et variété33). Ce modèle est encore largement utilisé aujourd’hui pour décrire ce phénomène34.

Le taux de croissance annuel moyen mondial du marché de la technologie et des services du Big Data sur la période 2011-2016 devrait être de 31,7%. Ce marché devrait ainsi atteindre 23,8 milliards de dollars en 2016 (d’après IDC mars 2013). Le Big Data devrait également représenter 8% du PIB européen en 2020 (AFDEL février 2013).

Volume

C’est une dimension relative : le Big Data comme le notait Lev Manovitch en 201135 définissait autrefois « les ensembles de données suffisamment grands pour nécessiter des super-ordinateurs », mais il est rapidement (dans les années 1990/2000) devenu possible d’utiliser des logiciels standards sur des ordinateurs de bureau pour analyser ou co-analyser de vastes ensembles de données36.

Le volume des données stockées est en pleine expansion : les données numériques créées dans le monde seraient passées de 1,2 zettaoctets par an en 2010 à 1,8 zettaoctets en 2011, puis 2,8 zettaoctets en 2012 et s’élèveront à 40 zettaoctets en 202037. À titre d’exemple, Twitter générait en janvier 2013, téraoctets de données chaque jour et Facebook 10 téraoctets38.

Ce sont pourtant les installations technico-scientifiques (météorologie par exemple) qui produiraient le plus de données[réf. nécessaire]. De nombreux projets, de dimension pharaonique, sont ainsi en cours. Le radiotélescope “Square Kilometre Array” par exemple, produira 50 téraoctets de données analysées par jour, à un rythme de 7 000 téraoctets de données brutes par seconde39.

Variété

Le volume des Big Data met les data centers devant un réel défi : la variété des données. Il ne s’agit pas de données relationnelles traditionnelles, ces données sont brutes, semi-structurées voire non structurées (cependant, les données non-structurées devront, pour utilisation, être structurées40). Ce sont des données complexes provenant du web (Web Mining), au format texte (Text Mining) et images (Image Mining). Elles peuvent être publiques (Open Data, Web des données), géo-démographiques par îlot (adresses IP), ou relever de la propriété des consommateurs (Profils 360°)[réf. nécessaire]. Ce qui les rend difficilement utilisables avec les outils traditionnels.

La démultiplication des outils de collecte sur les individus et sur les objets permettent d’amasser toujours plus de données41. Et les analyses sont d’autant plus complexes qu’elles portent de plus en plus sur les liens entre des données de natures différentes.

Vélocité

La vélocité représente à la fois la fréquence à laquelle les données sont générées, capturées et partagées et mises à jour.

Des flux croissants de données doivent être analysés en quasi-temps réel (fouille de flots de données) pour répondre aux besoins des processus chrono-sensibles42. Par exemple, les systèmes mis en place par la bourse et les entreprises doivent être capables de traiter ces données avant qu’un nouveau cycle de génération n’ait commencé, avec le risque pour l’Homme de perdre une grande partie de la maîtrise du système quand les principaux opérateurs deviennent des « robots » capables de lancer des ordres d’achat ou de vente de l’ordre de la nanoseconde (Trading haute fréquence), sans disposer de tous les critères pertinents d’analyse pour le moyen et long terme.

Représentation

Modèles

Les bases de données relationnelles classiques ne permettent pas de gérer les volumes de données du Big Data. De nouveaux modèles de représentation permettent de garantir les performances sur les volumétries en jeu. Ces technologies, dites de Business Analytics & Optimization (BAO) permettent de gérer des bases massivement parallèles43. Des patrons d’architecture “Big Data Architecture framework (BDAF)”44 sont proposés par les acteurs de ce marché comme MapReduce développé par Google et utilisé dans le framework Hadoop. Avec ce système les requêtes sont séparées et distribuées à des nœuds parallélisés, puis exécutées en parallèles (map). Les résultats sont ensuite rassemblés et récuperés (reduce). TeradataOracle ou EMC (via le rachat de Greenplum) proposent également de telles structures, basées sur des serveurs standards dont les configurations sont optimisées. Ils sont concurrencés par des éditeurs comme SAP et plus récemment Microsoft45. Les acteurs du marché s’appuient sur des systèmes à forte scalabilité horizontale et sur des solutions basées sur du NoSQL (MongoDBCassandra) plutôt que sur des bases de données relationnelles classiques46.

Stockage

Pour répondre aux problématiques Big Data l’architecture de stockage des systèmes doit être repensée et les modèles de stockage se multiplient en conséquence.

  • Cloud computing : l’accès se fait via le réseau, les services sont accessibles à la demande et en libre service sur des ressources informatiques partagées et configurables47. Les services les plus connus sont ceux de Google BigQuery, Big Data sur Amazon Web Services et Microsoft Windows Azure.
  • Super calculateurs hybrides : Les HPC pour High Performance Computing, qu’on retrouve en France dans les centres nationaux de calculs universitaire tels quel’IDRIS, le CINES, mais aussi au CEA ou encore le HPC-LR48
  • Systèmes de fichiers distribuées (DFS – Distributed files system): les données ne sont plus stockées sur une seule machine car la quantité à stocker est beaucoup trop importante. Les données, les fichiers sont « découpés » en morceaux d’une taille définie et chaque morceau est envoyé sur une machine bien précise utilisant du stockage local49. Le stockage local est préféré au stockage SAN/NAS pour des raisons de goulots d’étranglement au niveau du réseau et des interfaces réseaux des SAN. De plus, utiliser un stockage de type SAN coûte bien plus cher pour des performances bien moindres. Dans les systèmes de stockage distribué pour le Big Data, l’on introduit le principe de « Data locality »50. Les données sont sauvegardées là où elles peuvent être traitées.

Applications

Le big data trouve des applications dans de nombreux domaines : programmes scientifiques (CERN28 Mastodons), outils d’entreprises (IBM29, Amazon Web Services, BigQuery, SAP HANA) parfois spécialisées (Teradata, Jaspersoft30, Pentaho31…) ou startups (aleph-networks51, Bionatics52, Hariba Médical53, SafetyLine54, KwypeSoft55, Vigicolis, PredicSis56, ainsi que dans le domaine de l’Open Source (Apache Hadoop, Infobright32, Talend33…) et de logiciels d’exploitation ouverts (avec par exemple le logiciel ouvert d’analyse de big data H2O (software)).

Recherche scientifique

Le big data a un important potentiel scientifique. Ainsi, les expériences de physique du Large Hadron Collider du CERN utilisent environ 150 millions de capteurs délivrant des données 40 millions de fois par seconde. Pour 600 millions de collisions par seconde, il reste après filtrage 100 collisions d’intérêt par seconde. En conséquence, 25 Po de données sont à stocker par an, et 200 Po après réplication57,58,59. Les outils d’analyse du big data pourraient affiner l’exploitation de ces données.

Quand le Sloan Digital Sky Survey (SDSS) a commencé à collecter des données astronomiques en 2000, il a amassé en quelques semaines plus de données que toutes celles précédemment collectées dans l’histoire de l’astronomie. Il continue à un rythme de 200 Go par nuit, et a en 10 ans (2000-2010) stocké plus de 140 téraoctets d’information. Le Large Synoptic Survey Telescope prévu pour 2015, devrait en amasser autant tous les cinq jours60.

Décoder le premier génome humain a nécessité 10 ans, mais prend moins d’une semaine : les séquenceurs d’ADN ont progressé d’un facteur 10 000 les dix dernières années, soit 100 fois la loi de Moore (qui a progressé d’un facteur 100 environ sur 10 ans)61. En biologie, les approches massives basées sur une logique d’exploration des données et de recherche d’induction sont légitimes et complémentaires des approches classiques basées sur l’hypothèse initiale formulée62.

Le NASA Center for Climate Simulation (NCCS) stocke 32 Po de données d’observations et de simulations climatiques63.

Politique

L’analyse big data a joué un rôle important dans la campagne de ré-élection de Barack Obama, notamment pour analyser les opinions politiques de la population64. Depuis l’année 2012, le département de la Défense américain investit annuellement sur les projets big data plus de 250 millions de dollars65. Le gouvernement américain possède six des dix plus puissants supercalculateurs de la planète66. La National Security Agency est actuellement en train de construire le Utah Data Center. Une fois terminé, ce data center pourra stocker jusqu’à un yottaoctet d’informations collectés par la NSA sur internet67. En 2013, le big data faisait partie des 7 ambitions stratégiques de la France déterminées par la Commission innovation 203068.

Secteur privé

Walmart traite plus d’un million de transactions client par heure, celles-ci sont importées dans des bases de données dont on estime qu’elles contiennent plus de 2,5 Po d’information69Facebook traite 50 milliards de photos. D’une manière générale l’exploration de données de Big Data permet l’élaboration de profils clients dont on ne supposait pas l’existence70.

L’utilisation des données de Big Data rentre maintenant dans la stratégie de musées aussi prestigieux que le Guggenheim Museum. À l’aide de transmetteurs électroniques placés dans ses salles les visiteurs sont suivis tout au long de leur visite. Le musée peut ainsi déterminer de nouveaux parcours de visite en fonction des œuvres les plus appréciées ou encore décider des expositions à mettre en place71.

Secteur énergétique

Les smart buildings, ces bâtiments qui se caractérisent par une hybridation entre numérique et énergie, produisent des données, qui une fois agrégées s’avèrent utiles pour appréhender la consommation des usagers. L’analyse des données collectées dans un bâtiment, par le biais des objets connectés, permet de personnaliser la consommation des usagers. Grâce aux corrélations que l’on peut mettre au jour à partir d’une analyse fine des mégadonnées, les opérateurs d’énergie peuvent mieux appréhender la demande réelle.

Perspectives et évolutions

L’un des principaux enjeux de productivité du big data dans son évolution va porter sur la logistique de l’information, c’est-à-dire sur comment garantir que l’information pertinente arrive au bon endroit au bon moment. Il s’agit d’une approche micro-économique. Son efficacité dépendra ainsi de celle de la combinaison entre les approches micro- et macro-économique d’un problème.

Selon une étude IDC, les données numériques créées dans le monde atteindraient 40 zettaoctets d’ici 202072. À titre de comparaison, Facebook générait environ 10 téraoctets de données par jour au début 2013. Le développement de l’hébergement massif de données semble avoir été accéléré par plusieurs phénomènes simultanément : la pénurie de disques durs due aux inondations en Thaïlande en 2011, l’explosion du marché des supports mobiles (smartphones et tablettes notamment), etc. Ajouté à cela, la démocratisation du cloud-computing de plus en plus proche, grâce à des outils comme Dropbox, amène le big data au centre de la logistique de l’information.

Afin de pouvoir exploiter au maximum le big data, de nombreuses avancées doivent être faites, et ce en suivant trois axes.

Modélisation de données

Les méthodes actuelles de modélisation de données ainsi que les systèmes de gestion de base de données ont été conçus pour des volumes de données très inférieurs. La fouille de données a des caractéristiques fondamentalement différentes et les technologies actuelles ne permettent pas de les exploiter. Dans le futur il faudra des modélisations de données et des langages de requêtes permettant :

  • une représentation des données en accord avec les besoins de plusieurs disciplines scientifiques ;
  • de décrire des aspects spécifiques à une discipline (modèles de métadonnées) ;
  • de représenter la provenance des données ;
  • de représenter des informations contextuelles sur la donnée ;
  • de représenter et supporter l’incertitude ;
  • de représenter la qualité de la donnée73.

De très nombreux autres thèmes de recherche sont liés à ce thème, citons notamment : la réduction de modèle pour les EDP, l’acquisition comprimée en imagerie, l’étude de méthodes numériques d’ordre élevé… Probabilités, statistiques, analyse numérique, équations aux dérivées partielles déterministes et stochastiques, approximation, calcul haute performance, algorithmique… Une grande partie de la communauté scientifique, notamment en mathématiques appliquées et en informatique, est concernée par ce thème porteur.

Gestion de données

Le besoin de gérer des données extrêmement volumineuses est flagrant et les technologies d’aujourd’hui ne permettent pas de le faire. Il faut repenser des concepts de base de la gestion de données qui ont été déterminés dans le passé. Pour la recherche scientifique, par exemple, il sera indispensable de reconsidérer le principe qui veut qu’une requête sur un SGBD fournisse une réponse complète et correcte sans tenir compte du temps ou des ressources nécessaires. En effet la dimension exploratoire de la fouille de données fait que les scientifiques ne savent pas nécessairement ce qu’ils cherchent. Il serait judicieux que le SGBD puisse donner des réponses rapides et peu coûteuses qui ne seraient qu’une approximation, mais qui permettraient de guider le scientifique dans sa recherche73.

Dans le domaine des données clients, il existe également de réels besoins d’exploitation de ces données, en raison notamment de la forte augmentation de leur volume des dernières années74. Le big data et les technologies associées permettent de répondre à différents enjeux tels que l’accélération des temps d’analyse des données clients, la capacité à analyser l’ensemble des données clients et non seulement un échantillon de celles-ci ou la récupération et la centralisation de nouvelles sources de données clients à analyser afin d’identifier des sources de valeur pour l’entreprise.

Outils de gestion des données

Les outils utilisés à l’heure actuelle ne sont pas en adéquation avec les volumes de données engendrés dans l’exploration du big data. Il est nécessaire de concevoir des instruments permettant de mieux visualiser, analyser, et cataloguer les ensembles de données afin de permettre une optique de recherche guidée par la donnée73. La recherche en big data ne fait que commencer. La quantité de données évolue beaucoup plus rapidement que nos connaissances sur ce domaine. Le site The Gov Lab prévoit qu’il n y aura pas suffisamment de scientifiques du data. En 2018, les États-Unis auraient besoin de 140 000 à 190 000 scientifiques spécialisés en big data65.

Gestion de l’entropie

Le déluge de données qui alimente le big data (et dont certaines sont illégales ou incontrôlées) est souvent métaphoriquement comparée à la fois à un flux continu de nourriture, de pétrole ou d’énergie (qui alimente les entreprises du data mining et secondairement la société de l’information75) qui expose au risque d’infobésité et pourrait être comparé à l’équivalent d’une « pollution »36 du cyberespace et de la noosphère (métaphoriquement, le big datacorrespondrait pour partie à une sorte de grande marée noire informationnelle, ou à une eutrophisation diffuse mais croissante et continue du monde numérique pouvant conduire à une dystrophisation, voire à des dysfonctions au sein des écosystèmes numériques)76.

Face à cette « entropie informationnelle » quelques réponses de type néguentropiques sont nées (Wikipédia en fait partie en triant et restructurant de l’information déjà publiée).

D’autres réponses ont été la création de moteurs de recherche et d’outils d’analyse sémantique et de fouille de flots de données, de plus en plus puissants et rapides.

Néanmoins, l’analyse du big data tend lui-même à engendrer du big data, avec un besoin de stockage et de serveurs qui semble exponentiel.

Bilan énergétique

Parallèlement à la croissance de la masse et du flux de données, une énergie croissante est dépensée d’une part dans la course aux outils de datamining, au cryptage/décryptage et aux outils analytiques et d’authentification, et d’autre part dans la construction de fermes de serveurs qui doivent être refroidis ; au détriment du bilan énergétique et électrique du Web.

Idées reçues

En 2010, les jeux de données produites par l’homme sont de plus en plus complétés par d’autres données, massivement acquises de manière passive et automatique par un nombre croissant de capteurs électroniques et sous des formes de plus en plus interopérables et compréhensibles par les ordinateurs. Le volume de données stockées dans le monde fait plus que doubler tous les deux ans, et en migrant de plus en plus sur internet, les uns voient dans le big data intelligemment utilisé une source d’information qui permettrait de lutter contre la pauvreté, la criminalité ou la pollution. Et à l’autre extrémité du spectre des avis, d’autres, souvent défenseurs de la confidentialité de la vie privée, en ont une vision plus sombre, craignant ou affirmant que le Big Data est plutôt un Big Brother se présentant dans de « nouveaux habits »77, « dans des vêtements de l’entreprise »78.

En 2011 à l’occasion d’un bilan sur 10 ans d’Internet pour la société, Danah boyd (de Microsoft Research) et Kate Crawford (University of New South Wales) dénoncaient de manière provocatrice six problèmes liés à des idées reçues sur le big data : « L’automatisation de la recherche change la définition du savoir (…) Les revendications d’objectivité et d’exactitude sont trompeuses (…) De plus grosses données ne sont pas toujours de meilleures données (…) Toutes les données ne sont pas équivalentes (…) Accessible ne signifie pas éthique (…) L’accès limité aux Big Data crée de nouvelles fractures numériques »36 (dont entre pauvres et riches36.

Risques

Plusieurs types de risques d’atteinte à la vie privée et aux droits fondamentaux sont cités par la littérature :

  • Déshumanisation : dans ce que Bruce Schneier dénomme « l’âge d’or de la surveillance », la plupart des individus peuvent se sentir déshumanisés et ils ne peuvent plus protéger les données personnelles ou non qui les concernent, et qui sont collectées, analysées et vendues à leur insu. Alors qu’il devient difficile de se passer de carte bleue, de smartphone ou de consultation de l’internet, ils peuvent avoir le sentiment de ne pas pouvoir échapper à une surveillance constante où à des pressions visant à les faire consommer, voter, etc.
  • Faille de sécurité informatique : dans un monde de plus en plus interconnecté et lié à l’Internet, la sécurité en ligne devient cruciale, pour la protection de la vie privée, mais aussi pour l’économie (ex : en cas de problème grave, des risques existent de perte de confiance, concernant la sécurité des processus d’achat en ligne par exemple ; ils pourraient avoir des conséquences économiques importantes).
  • « Vassalisation de la recherche scientifique par des sociétés commerciales et leurs services de marketing »36.
  • Apophénie : (déductions indues)36 : les biais d’accès et d’interprétation sont nombreux (« un corpus n’est pas plus scientifique ou objectif parce que l’on est en mesure d’aspirer toutes les données d’un site. D’autant qu’il existe de nombreux biais (techniques avec les API, mais aussi organisationnels) dans l’accès même à ces données qu’on aurait tort de considérer comme totales. Cet accès ne repose en effet que sur le bon vouloir de sociétés commerciales et sur les moyens financiers dont disposent chercheurs et universités) »36 ;
    De plus, un biais lié au genre existe : la grande majorité des chercheurs experts en informatique sont aujourd’hui des hommes, or des historiennes féministes et les philosophes des sciences ont montré que le sexe de celui qui pose les questions détermine souvent les questions qui seront posées 79.
  • Mésinterprétation de certaines données liées à l’altérité, avec d’éventuelles conséquences sociopsychologiques, par exemple et de mauvaise compréhension ou interprétation de l’autre (« l’autre n’est pas une donnée » rappelle D. Pucheu 80).
    Un autre risque est celui d’une « raréfaction des occasions d’exposition des individus à des choses qui n’auraient pas été pré-vues pour eux, et donc un assèchement de l’espace public (comme espace de délibération, de formation de projets non rabattus sur la seule concurrence des intérêts individuels), ces choses non pré-vues, étant précisément constitutives du commun, ou de l’espace public »81.
  • Exacerbation de la fracture numérique, car les outils de data mining offrent à quelques entreprises un accès croissant et presque instantané à des milliards de données et de documents numérisées. Pour ceux qui savent utiliser ces données, et avec certaines limites, elles offrent aussi une certaine capacité à produire, trier ou distinguer des informations jugées stratégiques, permettant alors aussi de retenir ou au contraire de libérer avant d’autres certaines informations stratégiques 82. Cet accès très privilégié et peu transparent à l’information peut favoriser des situations de conflits d’intérêt ou des délits d’initiés. Il existe un risque d’inégalités croissante face aux données et au pouvoir que l’on a sur elles : Manovich distingue ainsi 3 catégories d’acteurs, foncièrement inégaux face à la donnée : « ceux qui créent les données (que ce soit consciemment ou en laissant des traces numériques), ceux qui ont les moyens de les recueillir, et ceux qui ont la compétence de les analyser »(2011).
    Ces derniers sont en faible nombre, mais très privilégiés (ils sont souvent employés par les entreprises et autres entités du big data et ont donc le meilleur accès à la donnée; ils contribuent à produire ou orienter les règles qui vont les encadrer et cadrer l’exploitation des Big Data. Des inégalités institutionnelles sont a priori inéluctables mais elles peuvent être minimisées et devraient au moins être étudiées, car elles orientent les données et les types de recherches et applications qui en découleront.
  • Appropriation monopolistique de certains jeux de mégadonnées collectées par quelques grandes entreprises (Google, Facebook…) ou par les outils publics ou secrets de grands États (ex : PRISM) visant à « capter le réel pour l’influencer »16) ; une énorme quantité de données est discrètement (et la plupart du temps légalement) collectée par des entreprises spécialisées ou des agences d’état ou de renseignement, dont sur les comportements d’achat et de centres d’intérêt sur l’Internet de tous les groupes et d’individus. Ces données sont stockées, et parfois piratées (Ainsi, en 2003, lors d’une recherche de failles de sécurité la société Acxiom, l’un des principaux courtiers en données s’est rendu compte que 1,6 milliards d’enregistrements de consommateurs avaient été piratés via 137 attaques informatiques faites de janvier à juillet 200 ; les informations volées incluaient des noms, adresses et des adresses e-mail de plusieurs millions d’américains83,84,85,86). Ces données sont ensuite plus ou moins mises à jour, et éventuellement louées ou vendues pour le marketing et la publicité ciblée, des études scientifiques des organismes de sondage, des groupes d’influence ou des partis politiques (qui peuvent ainsi plus facilement contacter leurs électeurs potentiels), etc. Les personnes dont les données circulent ainsi n’en sont généralement pas informées, n’ont pas donné de consentement éclairé et peuvent difficilement vérifier ces données ou surtout les retirer des bases de données qui les conservent pour une durée potentiellement illimitée. Des risques de production d’erreur et de mauvais usages existent (dans le domaine des assurances et prêts bancaires par exemple). D’après le reportage de F Lescalier intitulé « Big Data : les nouveaux devins » 87, 80  % des données personnelles mondiales seraient détenues par 4 grands acteurs qui sont (par ordre alphabétique) : AmazonAppleFacebook et Google.
  • Dérives éthiquement insoutenables, déjà constatées dans la partie grise ou sombre88 de l’internet, y compris dans les grands réseaux sociaux (dont Facebook et Twitter, qui collecte un grand nombre de données et informations sur leurs utilisateurs et les réseaux dans lesquels ils s’inscrivent89,90) ; D’autres invitent à l’adoption de bonnes pratiques91 et de règles éthiques plus strictes pour le data mining92 et la gestion de ces mégadonnées93,94.
    Notamment depuis les révélations du lanceur d’alerte américain Edward Snowden95, certains s’inquiètent de voir outre une surveillance de plus en plus invasive (voire pervasive96) de nos activités par les fournisseurs d’accès à Internet97, puis fleurir des législations facilitant (sous prétexte de facilités économiques et/ou de sécurité nationale) l’usage d’outils de traçage (via les cartes de paiement, de fidélité, de santé, de pointage, les caméras de surveillance, certains smartgrids ou outils domotiques, certains objets connectés géolocalisant leur propriétaire, etc.). Certaines de ces législations facilitent ou légitiment explicitement les écoutes électroniques (écoute et analyse de conversations téléphoniques ; ’interception et analyse d’emails et de réseaux) et le suivi général des activités sur le Net, ce qui leur semble être un contexte pouvant préparer une surveillance orweillienne généralisée des individus. Ces auteurs dénoncent l’apparition de processus et d’un contexte de plus en plus orweillien 19 intrinsèquement difficiles à contrôler, et insistent sur l’importance de la protection de la vie privée98, « même quand on a rien à cacher »99,100 ou (comme B. Schneier en 2008101 ou Culnan & Williams en 2009102) rappellent que les notions de sécurité et de protection de la vie privée et d’autonomie de l’individu ne sont pas opposées.

Gouvernance et mégadonnées

Elle nécessite un débat citoyen constant103 ainsi que des modes de gouvernance et de surveillance adaptés104 car des États, des groupes ou des entreprises ayant des accès privilégiés au Big data peuvent en extraire un grand nombre de « données personnelles diffuses » qui, par croisement et analyse, permettent un profilage de plus en plus précis, intrusif et parfois illégal (faisant fi de la protection de la vie privée) des individus, des groupes, des entreprises, et en particulier de leur statut social, culturel, religieux ou professionnel (PRIZM[Quoi ?]), de leurs activités personnelles, leurs habitudes de déplacement, d’achat et de consommation, ou encore de leur santé. « La montée des Big Data amène aussi de grandes responsabilités36 ».

Différence avec l’informatique décisionnelle

Si la définition du Gartner en 3V est encore largement reprise (voire augmentée de “V” supplémentaires selon l’inspiration des services marketing), la maturation du sujet fait apparaitre un autre critère plus fondamental de différence avec l’informatique décisionnelle et concernant les données et leur utilisation105 :

  • Informatique décisionnelle : utilisation de statistique descriptive, sur des données à forte densité en information afin de mesurer des phénomènes, détecter des tendances… ;
  • Big Data : utilisation de statistique inférentielle, sur des données à faible densité en information106 dont le grand volume permet d’inférer des lois (régressions….) donnant dès lors (avec les limites de l’inférence) au big data des capacités prédictives107.

Synthétiquement :

  • l’informatique traditionnelle, informatique décisionnelle comprise, est basée sur un modèle du monde ;
  • le big data vise à ce que les mathématiques trouvent un modèle dans les données108,109.

Source Wikipedia

Les enjeux du big data – FUTURE – ARTE #bigdata