, Pour illustrer cette posture de « maître à bord », elle ajoute : « Devant le client, je les ai présentés par une table de synonymes, par ordre croissant de similarité, et ça a permis de nourrir le quali et l'animation de focus groups

. Le-choix-de-ce-critère, similarité) témoigne de cette mage de manoeuvre dans les choix qu'elle opère, en effet elle aurait pu présenter cette table de synonymes selon un autre critère de classification (ordre décroissant de différence, corrélations entre des sous-thématiques

. C. Op, , p.229

, Op. cit, p.225

, Op. cit, p.230

C. D'après-le and «. Fait, adopter une nouvelle religion en abandonnant sa religion, ses convictions antérieures. Conversion des protestants, des juifs au catholicisme. » Ou « Fait d'adopter des idées, des opinions, un système politique ou philosophique; adhésion à ces nouvelles idées

, Annexe 6, accélérer la diffusion des innovations méthodologiques et technologiques (topic modelling, mesure passive, géolocalisation?), p.3, 2017.

, Source consultée sur « La Grande Conversion numérique, par Milad Doueihi

, Il y (dans le résumé de son ouvrage) évoque notamment les « changements de l'environnement numérique au cours des vingt dernière années

. «-la-grande, Conversion numérique, par Milad Doueihi

A. Alsafar, Ethos discursif et construction des rapports intersubjectifs dans les professions de foi des élections présidentielles de 2007 et de 2012. Linguistique, 2014.

G. Babinet, Big Data, penser l'homme et le monde autrement, Le Passeur éditeur, vol.1, p.p, 2015.

. Candel-etienne, Textualiser les interfaces. Opérativité et épistémologie d'une requalification, vol.1, 2015.

. Cardon-dominique, À quoi rêvent les algorithmes : Nos vies à l'heure des big data ?, vol.105, 2015.

L. B. Delort-pierre and . Data, Presses Universitaires de France, « Que sais-je ?, Traces numériques. De la production à l'interprétation, vol.128, 2013.

. Krieg-planque-alice, Analyser les discours institutionnels, Paris, Armand Colin « ICOM, pp.186-210

. Mayer-schönberger, . Viktor, and . Kenneth, Big data: la révolution des données est en marche, R. Laffont, vol.296, 2014.

. Sadin-Éric, La vie algorithmique, critique de la raison numérique, vol.278, 2015.

, ARTICLES SCIENTIFIQUES (SIC)

. Bergen-véronique, . Saisies-du-simulacre-chez-baudrillard, ». Chez-deleuze, and . Lignes, URL : www.cairn.info/revue-lignes-2010-1-page-37.htm DALL'ARMELLINA Luc, « Voir en relation. Habiter l'information ?, vol.192, p.31, 2010.

P. De-chanay-hugues and . Charaudeau, Le discours politique. Les masques du pouvoir. Paris : Vuibert, 256 p. », Corpus, 4, 2005.

«. Effeuillage, Y. La-trivialité-pensée-par, and . Jeanneret,

. Galinon-melenec-béatrice, «. Sami, and . L'homme-trace, De la production à l'interprétation, Traces numériques, pp.7-10, 2013.

. Ganascia-jean-gabriel, Les big data dans les humanités, pp.627-636, 2015.

. Gras-stéphan-eloïse, Éthique computationnelle et matérialisme numérique : l'apport des Software Studies, vol.819, pp.667-679, 2015.

«. Grignon-thomas, . Coutant-alexandre, and . Jean-claude, expertise communicationnelle au prisme de ses instruments. L'exemple de Google Analytics » dans « Le communicateur bousculé par le numérique : Quelles compétences à transmettre ?, pp.5-14

Y. Jeanneret, « Les chimères cartographiques sur l'Internet. Panoplie représentationnelle de la 'traçabilité' sociale », Traces numériques, De la production à l'interprétation, CNRS Editions, pp.235-255, 2013.

. Kuçuradi-ioanna and . Rationalité, » et « rationalités » dans le cadre du débat modernisme -postmodernisme », Diogène, Presses Universitaires de France, vol.192, pp.12-20, 2003.

L. Latour-bruno, ». Vues-de-l'esprit, C. Et-technique, and R. , Questions de méthode, vol.5, pp.79-96, 1987.

O. Magali, Interagir dans un monde de plus en plus réflexif : processus cognitifs et traces numériques -mémoire, interprétation et rapport au temps », Traces numériques : de la production à l'interprétation, pp.129-142, 2013.

. Ollion-Étienne and . Boelaert-julien, Au delà des big data. Les sciences sociales et la multiplication des données numériques, vol.6, pp.295-310, 2015.

. Robert-pascal and . Qu, est-ce qu'une technologie intellectuelle ? », Communication et langages, n°123, Dossier : Les médias en Russie, pp.97-114, 2000.

. Rouvroy-antoinette and . Thomas, « Gouvernementalité algorithmique et perspectives d'émancipation. Le disparate comme condition d'individuation par la relation ? », Réseaux, vol.177, pp.163-196, 2013.

. Rouvroy-antoinette, . Thomas, and . Le, Ou quand le contrôle s'exerce sur un réel normé, docile et sans événement car constitué de corps « numériques, Multitudes, vol.40, pp.88-103, 2010.

A. Rouvroy, Pour une défense de l'éprouvante inopérationnalité du droit face à l'opérationnalité sans épreuve du comportementalisme numérique », Dissensus, Revue de philosophie politique de l'ULg, vol.4, pp.127-149, 2011.

A. Schlegel-vianney and . Desrosières, Prouver et gouverner. Une analyse politique des statistiques publiques », La Découverte, vol.264, pp.90-91, 2014.

. Souchier-emmanuël and . Voir-le-web, La 'cartographie' au risque de l'histoire de l'écriture », Traces numériques, De la production à l'interprétation, CNRS Editions, pp.213-229, 2013.

Y. Tétu-jean-françois and . Jeanneret, La vie triviale des êtres culturels, vol.1, 2009.

,. Wahl-lodie and . Rosa, Une critique sociale du temps, Lectures, Les comptes rendus, 2010.

. Divers, . Homo-numericus, and . La, Grande Conversion numérique, par Milad Doueihi

, Séminaire « Big data et anticipation : vers une gouvernementalité algorithmique ? », organisé le 16 avril 2015 à l'Espace éthique/IDF. Disponible sur YouTube, vidéo publiée le 22 mai 2015 par Espace Éthique

A. De-presse,

. Anderson-chris and . The, End of Theory: the Data Deluge makes the Scientific method obsolete, vol.23, 2008.

. Bertin-erik and . Data, Site web Affini-Tech -Nos Services « Imaginer, Expérimenter, Construire & Exécuter » g. Site web Affini, pp.16-2016

L. Olivier, . Ceo, and S. Hubert, Entretien avec Novagen, cabinet de conseil IT et Big Data Retranscription de l'entretien avec Novagen, en présence de, Chief Innovation Officer, vol.13, 2017.

, On est parti du constat, il y a quelques années que les technologies qui étaient mises en oeuvre chez Google, Facebook, Linkedin, entre autres, commençaient à s'ouvrir en mode open source et étaient finalement accessibles technologiquement. Ces technologies qui sont mises sur pied, améliorées, enrichies constamment pour leurs usages propres, Pouvez-vous vous présenter en quelques mots, nous raconter ce que vous faites ? Nous sommes un cabinet de conseil qui travaille sur la valorisation des données

, on aspire tout le web et on en fait une valeur ajoutée extraordinaire, c'est-à-dire la capacité à chercher en une fraction de secondes, à travers des millions de pages, l'information pertinente. Chez Facebook, c'est un meilleur profilage des personnes, la compréhension de leurs attentes, Les contextes sont ceux auxquels ils font face tous les jours : quand on est Google

, Ils inventent des nouvelles bases de données pour stocker des informations extrêmement différentes. Donc ils ont inventé tout un tas de choses : des bases de données qu'on appelle NoSQL qui permettent de stocker des informations d'une nature complètement différente de ce qui existait avant, Et en fait ces grands groupes, il a fallu qu'ils inventent des nouvelles technologies

. Qu'est-ce, On pouvait au mieux enregistrer l'information, mais on n'était pas capable d'offrir des moteurs de recherche ultra performants, ultra pointus, pertinents. Donc il y avait déjà une première barrière technologique à franchir, et eux l'ont franchie. Ils l'ont packagée et surtout, ils l'ont ouverte à la communauté. On a donc eu l'opportunité de s'approprier ces technologies, ensuite il y a toute la valeur ajoutée : savoir prendre une problématique d'entreprise. Elle peut être grand public ou bien écouter des communautés sur les réseaux sociaux, écouter le web, et là on se rapproche de ce qui fait l'ADN de Google, Facebook, etc. Et puis c'est aussi des problématiques internes, par exemple mettre un moteur de recherche en interne sur sa propre banque d'informations, quand on est un grand groupe technologique, telco, Avant on utilisait des bases de données structurées comme Oracle, mais ces technologies n'étaient pas capables de valoriser

À. Nous and . Titre-d'exemple, on est capable de travailler en entreprise et de dire que les technologies, la big data, elles peuvent vous offrir l'avantage très compétitif en les appliquant à vos propres processus internes

, Alors ça s'appelle Hadoop, Spark, Scala, avec des langages associés. Ce sont tous ces nouveaux outils, toutes ces nouvelles plateformes technologiques qui permettent de faire des choses qu'on ne pouvait pas faire avant. Donc il y a un aspect technique, le big data qu'on associe à de très gros volumes de données. Quand on a de très gros volumes de données, ces technologies permettent de faire tourner des algorithmes intelligents et de faire des traitements, là c'est de la data-science, En fait quand on parle du big data, on l'associe assez souvent avec des gros volumes, donc ça c'est un aspect

, Le smart data ne nécessite pas de volumes colossaux mais c'est utiliser technologies pour pouvoir mieux travailler ces données internes. Je prends par exemple Ipsos, qui probablement stocke un nombre d'informations colossales depuis 10 ans, avec en interne dans les bases de données où il y a énormément d'informations, qui assez souvent correspondent à des enquêtes unitaires qui sont faites etc. Mais en mettant toutes ces informations dans un data lake et en utilisant les technologies du big data, il y a des croisements de données, Mais vous pouvez aussi très bien utiliser les technologies du big data pour faire du smart data

, Concrètement quand on construit un « data lake », quelle est la part de l'expertise humaine, du conseil que vous donnez ? Qu'est-ce qui se passe concrètement quand on construit un « data lake

. Quand-on-adopte-la-stratégie-de-mise-en-oeuvre-d'un-data-lake and . Qu, on veut s'offrir une plateforme unifiée dans laquelle on va enregistrer toutes les données qui nous parviennent. Donc quand on est une entreprise, des données en interne, une base client, des applications, une base produits, une base référentielles, aussi des données qu'on va chercher à l'extérieur -un panéliste

L. Déjà and . Fait-que-Ça-réponde-À-une-première-exigence-qui-est-d'enregistrer-beaucoup-d'informations, Imaginons que vous vous confrontez à des forums, à des sites web, à des réseaux sociaux où vous voulez ressortir de l'information, peutêtre la traduire automatiquement. Donc, on lance les premiers algorithmes. Imaginons que vous voulez reconnaître les noms d'entreprises, les noms de produits, de personnes? Vous allez faire jouer d'autres algorithmes. Vous voulez faire des indicateurs régulièrement sur les données qui vous arrivent brutes, pour détecter des tendances? Là encore, dans le data lake, vous allez partir d'une matière brute et vous allez en créer une nouvelle qui va être portée à la connaissance des décideurs. Et puis vous allez encore créer d'autres types d'informations, que l'on va réintroduire dans des applications (web, mobiles) pour être opérationnel. Imaginons, vous avez des équipes terrain, des points de vente, vous pouvez leur donner des informations, des alertes en temps réel. Là aussi, dans le data lake, vous aurez structuré vos données, Donc elle peut mixer à la fois des données structurées qui viennent de l'entreprise, elles ont passé déjà un certain nombre de tuyaux, de canaux qui font qu'elle est bien structurée et propre, 2017.

, Peux-tu te présenter en quelques mots, nous raconter ton parcours jusque chez Ipsos ?

J. , Le nom de ma formation, c'est « traitement automatique du langage » (qui comprend des cours de formalisation du langage, c'est ce qui m'a attiré)

, Je dois vectoriser des textes, c'est-à-dire créer une représentation par des vecteurs (qui sont des objets mathématiques très flexibles via des équations). J'applique donc des opérations vectorielles. L'objectif est de récupérer les grands thèmes du corpus de texte, soit les « champs sémantiques » par topic, si l'on vulgarise. Ces opérations vectorielles calculent des scores (ou probabilités) d'affinité entre les mots (les mots les plus probables par topic), autrement dit ces opérations de la machine, Ici à Ipsos, je fais du topic modelling, qui a pour but de modéliser un corpus de texte pour qu'il soit utilisable par la machine

, Comment fonctionnent les algorithmes que tu utilises ?

, Ce sont des algorithmes génératifs, qui s'améliorent en faisant différentes itérations (à l'inverse d'un algorithme analytique)

, Ce sont des opérations complexes de langage processing, qui permet la classification de documents (c'est la méthode Word 2 Vec de Mikolov)

. Concrètement,

. Concrètement and . Csv, Je ne stocke pas le corpus brut, je le traite d'abord, à la différence de la méthodologie big data qui travaille sur des corpus stockés et avec beaucoup de processing (type deep learning). Moi je traite ligne par ligne, manuellement, et je stocke chaque résultat

, Quelle est la particularité de la méthodologie big data selon toi ? Pour faire du big data, il faut construire des architectures pour accéder rapidement à des données. Cela demande d'avoir une machine avec de grosses capacités de stockage de mémoire. La manière dont je comprends le big data, c'est créer des bases de données intelligentes et créer des langages de parallélisation. C'est de la programmation pure. Cela requiert une autre connaissance du langage de la machine. Ce sont des langages comme Hadoop et Spark, auxquels il faut que je me forme car c

, En ce moment j'utilise Python (mais c'est un peu lent, bien qu'il y ait une communauté active avec laquelle on peut échanger), et j'utilise R pour vectoriser mes opérations. Je fais un script bash pour lier les deux. La méthodologie que je suis, c'est du « word embedding », une technique de vectorisation des mots par le contexte. Cela marche un peu comme un neurone, avec des input et des output, et de l'apprentissage. Si on prend l'exemple de ham ou spam, la machine fait le calcul sur la base d'une fonction affine. C'est en donnant des exemples d'apprentissage à la machine que l'algo génératif se crée. On crée et on utilise des algorithmes pour que la machine construise des modèles en lien avec l'achèvement d'une tâche. Au niveau des résultats, idéalement on voudrait que l'algo soit aussi bien que le serait un humain. Après l'objectif n'est pas de simuler l'humain, car la machine a un langage propre, Comment utilises-tu les algorithmes ? Sur quelles méthodologies t'appuies-tu ? Pour moi, un algorithme c'est une recette de cuisine, une suite d'instructions

, Peux-tu nous donner des exemples de missions que tu fais chez Ipsos ?

, qui voulait connaître dans quels cas sont utilisés ses soins du visage. Donc j'ai fait ressortir les soins du visage nourrissant, hydratant, nettoyant? On a fait ressortir des clusters de sens (les synonymes) et a trouvé les vecteurs les plus proches qui sont utilisés dans des contextes similaires. Devant le client, je les ai présentés par une table de synonymes, par ordre croissant de similarité, Chez Ipsos, on me demande de rechercher des protosynonymes. J'ai fait ça pour un client dans la cosmétique spécialisé dans les soins du visage

, Tu es donc spécialisée en linguistique programmatique. Quels sont pour toi les principaux enjeux dans ton métier ?

. La-recherche-est-importante-en-linguistique-informatique, La difficulté c'est d'écrire un rapport entre technique et vulgarisation. Il faut vulgariser pour le client, et en même temps ça donne plus de légitimité si j'utilise un langage technique. Il y aussi une chose qui fait peur au client, c'est le fait que l'algo ait trouvé un résultat tout seul. Il met en doute la légitimité de l'algorithme utilisé, c'est pour ça qu'il est important de s'appuyer sur des modèles d'algos qui sont reconnus par la communauté scientifique. J'ajoute donc toujours quelques slides à la fin pour expliquer ça

, Les chargés d'études pensent que ça va « à la place de ». Sauf qu'il faut que je travaille les vecteurs pour qu'ils fassent ce que je leur demande. J'ai d'ailleurs sorti un Manuel d'utilisation pour expliquer en quoi consiste mon périmètre d'action, et les opérations d'algorithmes que je fais. On fait beaucoup d'aller-retour entre les chargés d'études et moi. Je les aide en leur sortant des topics et des corpus avec des verbatims au score d'affinité le plus élevé

, Quelle est la part de l'automatisation effectuée par la machine et de la compétence humaine ? Que penses-tu de ces deux compétences ? Pour moi la machine est au même niveau que l'homme. Ma position face à la question, c'est que je me place du côté de l'intelligence -machine : je fais du nettoyage, je programme l'algorithme, mais je me place peu du côté intervention humaine. J'interviens avant pour calibrer l'algorithme, mais pas pendant

, Il y a des tâches où l'homme ou la machine sont l'un et l'autre meilleur. L'homme pour détecter les émotions, les intuitions de langage et de grammaire. D'ailleurs l'homme ne construit pas l'ordre syntaxique de la phrase

, L'homme est limité par sa mémoire, et en cela, le big data fait mieux que l'homme, il traite et croise des données massives et hétérogènes. Il permet une simultanéité à intégrer des valeurs

». Après-le-«-big-data, Ç. Fait-vendre?, and C. Qu, ère des données, de la révolution de l'accès à ces données. Le « web sémantique » aussi, c'est un mot qui fait vendre. Pour moi, big data ce n'est qu'un big word : il faut d'ailleurs que je me mette à une formation pour Hadoop et Spark pour connaître ce langage big data, puisque c'est là où il y a des perspectives d'embauche ! Annexe 4. Entretien avec Agnès Gilbert, Chief Digital Officier à Ipsos Retranscription de l'entretien avec Agnès GILBERT, p.2017

, Pouvez-vous nous raconter votre parcours ?

J. Po, puis de l'information-communication, j'ai travaillé dans une boîte de production qui vend des modèles statistiques. Puis j'ai intégré Nielsen comme panéliste, puis la société Eri

, Selon vous, qu'est-ce que le big data ? Le big data c'est d'abord les 3V : des données variées, volumétrique, de la vélocité, avec de la récurrence et un rafraîchissement rapide des données. Cela va être souvent des données non structurées, non sollicitées, presque inutilisables en tant que telles, et qui doivent être traitées. Il y a beaucoup de déchets et cela nécessite beaucoup d'intervention humaine, On voit beaucoup de définitions circuler autour du big data (marketing prédictif, machine-learning, structuration des données?)

, Quelle est la part de l'automatisation et de l'humain ? La machine ne peut pas aller sur le chemin de l'arbitrage

. L'algorithme-ne-fait-que-répliquer-ce-que-l'humain-lui-dit-de-faire, Même s'il y a une forme d'intelligence artificielle, avec un apprentissage de la machine

, Comment utilisez-vous le big data chez Ipsos ? Sur quelles méthodologies vous appuyezvous ?

, On doit d'abord faire le choix du corpus qu'on analyse, puis le choix du traitement. Par exemple le topic modelling va être la mécanique principale qu'on choisit ici, il sert à faire remonter les sujets sur un corpus varié, à partir d'algorithmes qui établissent des corrélations. On va travailler le mot avec un moteur d'analyse sémantique sur le web

, qui va consister à établir des corrélations en analysant un passif. S'il y a tant de chances A, alors il y aura tant de chances B. Dominique Cardon parle de cette « soit disant prédictivité » : nous sommes des êtres routiniers