Data science

Dépasser la vision réductrice des modèles d'apprentissage comme de simples « boîtes noires » constitue un enjeu majeur pour qui veut comprendre la portée de la data science. L'ouvrage de Biernat et Lutz y contribue en invitant le lecteur à ne pas considérer les algorithmes comme des outils neutres, mais comme des constructions logiques complexes qui structurent activement notre perception de la réalité et, par conséquent, influencent les décisions qui en découlent.

À travers l'étude des principaux algorithmes (arbres de décision, forêts aléatoires, boosting, SVM), l'ouvrage révèle comment ces modèles incarnent des logiques spécifiques pour appréhender le monde. La description par les auteurs d'un arbre de décision comme une simple partition hiérarchique de la réalité, par exemple, trouve son contrepoint critique dans les échecs sociétaux documentés ailleurs.

L'un des apports centraux de l'ouvrage est de mettre en lumière la dimension « artisanale » du métier de data scientist. Les auteurs insistent sur le fait que le succès d'un projet prédictif ne réside pas uniquement dans la puissance de l'algorithme final, mais bien dans le processus méticuleux de transformation qui transmute la donnée brute en une ressource intelligible et pertinente pour le modèle.

À travers des études de cas concrètes, comme l'analyse des survivants du Titanic ou la compétition Tradeshift, l'ouvrage expose la pratique quotidienne du data scientist. Cette dernière est traversée par une tension constante entre la pureté des formalismes mathématiques et les contraintes de l'ingénierie : données manquantes, anonymisées, non structurées ou bruitées. L'ouvrage met particulièrement en exergue l'importance cruciale de la phase de création de variables (feature engineering), véritable acte interprétatif majeur.

L'intégration de la science des données au sein des organisations est loin d'être une simple mise à jour technologique. Comme le souligne l'analyse des auteurs, il s'agit d'une transformation profonde qui reconfigure les processus de décision et soulève des questions fondamentales sur la responsabilité, la transparence et l'équité. Les conséquences de cette intégration sont à la fois structurelles et éthiques.

D'un point de vue organisationnel, l'adoption de ces technologies représente un défi majeur. Les coûts de transition (switchover costs) sont élevés, non seulement en termes financiers, mais aussi en capital immatériel nécessaire pour refondre les processus managériaux. De nombreux projets échouent, non pas à cause d'une faiblesse algorithmique, mais en raison d'une incapacité de l'organisation à intégrer les nouvelles connaissances dans ses cycles de décision.

L'apport intellectuel majeur de l'ouvrage de Biernat et Lutz réside dans sa capacité à présenter une vision intégrée de la science des données. En liant constamment la théorie algorithmique à la pratique du métier, illustrée par des études de cas détaillées, les auteurs réussissent à dépasser les « grands discours abstraits ».

Malgré ses nombreuses qualités, l'approche de l'ouvrage, résolument tournée vers l'efficacité opérationnelle, laisse dans l'ombre certaines questions critiques. En se concentrant sur les méthodes, le livre pourrait sous-estimer les risques d'une forme de déterminisme technologique où la performance prime sur la compréhension.

L'accent mis sur la corrélation, bien que nécessaire, peut occulter la recherche de théories causales plus profondes, qui demeurent un pilier de la connaissance scientifique. De plus, en adoptant la perspective de l'ingénieur, l'ouvrage élude presque entièrement des questions sociétales pourtant structurantes, comme l'absence de réflexion sur le coût énergétique et matériel croissant de l'intelligence artificielle.