Datascience pour les managers

Partie 1
Chapitre 5 sur 8
Partie 1 – Comprendre la data science

Impacts du big data

Vers la fin des théories scientifiques?

En 2008, le rédacteur en chef du magazine américain Wired, Chris Anderson, avait lancé la polémique en parlant de « fin de la théorie » et d’« obsolescence de la méthode scientifique ».

Ces constats provocateurs s’appuient sur l’idée que les données parlent d’elles-mêmes. Qu’il n’est pas besoin d’avoir de modèles préconçus pour les analyser, les machines « apprenant » grâce à elles. Voire qu’on peut en tirer sans a priori de la connaissance comme des diagnostics, des anticipations, des classements de risques… D’une certaine manière, la notion de modèle permettant de représenter un phénomène disparaît, remplacée par une observation algorithmique.

Le responsable du projet international Human Brain, Henry Markram, est prêt à pousser loin cette logique pour comprendre le cerveau et, plus prosaïquement, mieux en saisir les dysfonctionnements pathologiques. « En neurosciences, nous avons accumulé beaucoup de connaissances par de nombreuses expériences et études mais nous n’avons que peu progressé sur les traitements. Il faut changer d’approche. Il faut rassembler toutes ces données et connaissances et établir des modèles de prédiction », expliquait-il, le 16 octobre 2013, à un groupe de journalistes invités au centre de recherche d’IBM en Suisse, partenaire du projet Human Brain. Quitte à se débarrasser de certaines catégories neurologiques établies. Et au fond peu importe qu’on ne comprenne pas exactement ce que cette exploration massive des informations fournira.

Le développement de l’intelligence artificielle

– Selon l’étude de Gartner, 2019,  le nombre d’organisations ayant déployé l’intelligence artificielle (IA) est passé de 4% à 14%.
– L’intelligence artificielle conversationnelle reste au sommet des priorités des entreprises, stimulée par le succès mondial d’Amazon Alexa, de Google Assistant et d’autres.
– Les entreprises progressent en matière d’intelligence artificielle à mesure qu’elle se répand, et elles commettent également davantage d’erreurs qui contribuent à accélérer leur courbe d’apprentissage.

Table des matières

Partie 1 – Comprendre la data science

Partie 2 – Appliquer la data science en marketing

Partie 3 – Déployer un projet de data science

Partie 4 – Utiliser l’intelligence artificielle (machine learning)

Partie 5 – Utiliser des techniques d’apprentissage supervisé

Partie 6 – Utiliser des techniques d’apprentissage non supervisé

Partie 7 – Pour aller plus loin en datascience