1. Démocratiser la Data Science ?
Il est frappant de constater à quel point la seule évocation des termes « intelligence artificielle » suscite des espoirs qui, en 2017, tiennent presque d’une croyance en une forme de magie noire. Même certains esprits autrement cartésiens s’y laissent prendre et imaginent, en toute bonne foi, qu’il existe désormais des systèmes « intelligents » capables d’aspirer un magma de données hétérogènes pour les transformer en données intelligibles et ainsi faire « parler la data », comme dit le slogan !
Sans doute faut-il mettre cette forme d’ingénuité sur le compte des forces puissantes et habiles du marketing des petits et grands éditeurs de solutions IA dont l’intérêt premier n’est pas précisément celui d’éclairer les esprits.
Quiconque a un jour mis les mains dans le cambouis d’un projet de data science sait pourtant que l’IA demande, avant tout, beaucoup d’intelligence humaine. Elle s’exerce tout au long du pipeline d’un projet de data science. Rappelons rapidement en quoi consiste un tel pipeline dans le cas de la conception d’applications prédictives qui utilisent le machine learning supervisé,
