Démarrer l'essai gratuit
Tendances Nouveau Genres Auteurs
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Recherche en cours...
SoBrief
How Data Happened

How Data Happened

Chaque algorithme que vous rencontrez a une histoire, née d’une lutte pour déterminer qui définit la vérité.
par Chris Wiggins 2023 384 pages
3.54
467 évaluations
Écouter
Immersif
V2.3
Amazon Kindle Audible
Essayez l'accès complet pendant 3 jours
Débloquez l'écoute et bien plus !
Continuer

Points clés

Considérer les données comme une construction politique, et non comme un miroir neutre

Un choc en salle de classe. En 2018, un étudiant a interrompu un cours sur les statistiques du XIXe siècle pour demander si la classe pouvait parler de Facebook. Cette question résume l’argument central du livre: les systèmes algorithmiques d’aujourd’hui ont une histoire, et cette histoire est aussi une lutte pour déterminer qui définit la vérité et exerce le pouvoir. Les statistiques sont d’abord apparues comme un savoir utile aux États pour administrer les populations, les territoires, l’argent et la guerre. Leur collecte et leur analyse se sont ensuite étendues aux universités, aux armées et aux entreprises.

Construites, et non découvertes. Les données dépendent des choix faits quant à ce qu’il faut compter, à la manière de le classer et aux personnes à inclure. Un recensement, un taux de criminalité ou un profil ne constitue pas simplement un instantané d’une réalité préexistante. Les institutions créent des catégories, puis utilisent les chiffres qui en résultent pour prendre des décisions susceptibles de transformer la vie des gens.

Analyse

Le changement de perspective utile consiste à ne plus se demander si les données sont exactes, mais comment leurs catégories ont été construites et quelles décisions elles autorisent. Cela rejoint une leçon fondamentale de la théorie de la mesure : une mesure n’a de sens qu’en fonction du construit et de l’objectif qu’elle sert. Cela ne rend pas les chiffres inutiles. La quantification peut révéler des tendances institutionnelles que les anecdotes dissimulent. Mais sa crédibilité dépend d’un examen attentif du processus de collecte, des exclusions et des conséquences qu’entraîne le fait de traiter une mesure commode comme la réalité.

Remettre en question la moyenne avant qu’elle ne devienne un verdict sur les individus

Des étoiles aux êtres humains. L’astronome belge Adolphe Quetelet a adapté des méthodes servant à estimer la position d’une étoile à partir de nombreuses observations. Il les a appliquées aux populations, considérant que la taille moyenne ou le taux de criminalité moyen était plus qu’un simple résumé: il imaginait un type social sous-jacent, l’homme moyen. Cela a contribué à établir l’idée que les sociétés possédaient des caractéristiques mesurables et que celles-ci pouvaient orienter les politiques publiques.

Les moyennes peuvent se figer. Francis Galton a déplacé l’attention de la moyenne vers les différences individuelles, utilisant les statistiques pour classer les gens et défendre l’eugénisme. Charles Spearman a ensuite condensé les corrélations entre différentes aptitudes en une seule mesure latente, l’intelligence générale, ou g. De telles abstractions peuvent aider à décrire des groupes, mais les traiter comme des propriétés naturelles a aussi servi à étayer des affirmations de hiérarchies raciales et sociales héréditaires.

Analyse

Les moyennes de population peuvent révéler de véritables tendances, mais elles ne décrivent pas automatiquement une personne en particulier. Confondre les tendances observées à l’échelle d’un groupe avec les traits d’un individu relève de l’erreur écologique, une faute particulièrement lourde de conséquences lorsque des scores déterminent l’éducation, l’emploi ou l’accès aux ressources. L’histoire du livre ajoute un autre point : les mesures peuvent transformer les personnes mesurées en façonnant les institutions auxquelles elles ont affaire. Les catégories statistiques doivent donc être validées sur le plan technique et leurs effets sociaux examinés avec attention.

Une régression peut quantifier une association sans prouver quelle politique en est la cause

Un débat sur les politiques publiques. À la fin du XIXe siècle, en Angleterre, Charles Booth et le statisticien Udny Yule ont utilisé des données pour examiner si l’aide financière directe aggravait la pauvreté. Booth soutenait que le lien n’était pas simple. Yule a constaté que l’aide et le paupérisme — une catégorie administrative désignant les personnes bénéficiant d’un secours — évoluaient de concert. Il a utilisé une régression comportant plusieurs variables pour vérifier si d’autres facteurs mesurés pouvaient expliquer cette association, puis a soutenu que la politique elle-même avait un effet direct.

La cause manquante. L’économiste Arthur Pigou a objecté que la qualité de l’administration pouvait influer à la fois sur l’aide accordée et sur le paupérisme enregistré. Les données de Yule ne permettaient pas d’écarter cette explication. Cet épisode illustre deux écueils récurrents: un indicateur indirect, tel que le paupérisme, n’est pas la pauvreté elle-même, et l’ajout de variables ne permet pas de contrôler les causes qui n’ont jamais été mesurées.

Analyse

La régression permet de décrire des tendances et de faire des prédictions avec puissance, mais les affirmations causales exigent davantage qu’une équation ajustée. Les chercheurs ont besoin d’une explication plausible de la manière dont les variables ont été produites et d’éléments montrant que les explications concurrentes ont été prises en compte. C’est pourquoi la connaissance du terrain et la conception de la recherche comptent autant que le calcul. La leçon n’est pas de se méfier de tous les modèles, mais d’adapter la portée de la conclusion à la solidité des éléments disponibles, surtout lorsqu’un résultat statistique sert à justifier une politique publique.

Concevoir des systèmes de données en fonction des décisions à prendre, et non de la seule élégance mathématique

Le décryptage à grande échelle. Pendant la Seconde Guerre mondiale, l’équipe de Bletchley Park s’est servie de machines spécialisées appelées bombes pour rechercher les réglages possibles des codes allemands Enigma. Elle a combiné la puissance de calcul avec des hypothèses pratiques sur les messages allemands, actualisant la plausibilité relative des solutions envisagées. Cette approche bayésienne a permis de répondre à une question opérationnelle urgente, plutôt que d’établir une vérité scientifique universelle. Ces travaux ont contribué au développement du calcul numérique et de l’analyse des données à l’échelle industrielle.

Les machines avaient besoin des personnes. Les ordinateurs Colossus traitaient rapidement des flux de textes codés, mais les opérateurs devaient alimenter et manipuler de fragiles bandes de papier. Les femmes accomplissaient une grande partie de ce travail, tandis que le prestige visible du décryptage restait largement concentré entre les mains des hommes. Après la guerre, les agences de renseignement ont continué à construire des systèmes capables de traiter des volumes croissants de communications. Cette histoire ne concerne pas seulement les algorithmes, mais aussi les infrastructures, les objectifs secrets et le travail souvent passé sous silence.

Analyse

Bletchley Park montre que la valeur d’une méthode dépend de la tâche qu’elle doit accomplir. Un système de décision soumis aux pressions de la guerre n’a pas les mêmes exigences qu’une étude visant à produire des connaissances largement généralisables. C’est un utile correctif à l’idée que la méthode la plus rigoureuse sur le plan mathématique est toujours la meilleure. Cependant, la réussite opérationnelle ne tranche pas les questions de légitimité : la rapidité, le secret et l’efficacité peuvent servir des objectifs qui méritent d’être examinés publiquement. Les personnes qui assurent le fonctionnement du système doivent aussi figurer dans tout récit de ses capacités.

L’IA d’aujourd’hui s’est imposée en réduisant l’intelligence à une prédiction mesurable

D’abord, les règles. Les premières recherches en intelligence artificielle cherchaient souvent à représenter le savoir sous forme de symboles et de règles explicites. Les systèmes experts, tels que MYCIN, tentaient de coder les jugements des spécialistes pour des tâches comme l’identification de bactéries. Mais les experts peinaient à énoncer toutes les règles qui sous-tendaient leurs compétences, créant ce que les chercheurs ont appelé le goulot d’étranglement de l’acquisition des connaissances. D’autres chercheurs se sont tournés vers la reconnaissance de formes et l’apprentissage automatique, qui apprenaient à classer des exemples sans expliquer le raisonnement humain.

Le score l’emporte sur l’explication. Au fil du temps, les bancs d’essai ont récompensé les systèmes pour leur précision prédictive sur des tâches précises. En 2012, un réseau de neurones s’est distingué au concours d’analyse d’images ImageNet, en utilisant un jeu de données composé de millions d’images étiquetées, dont beaucoup avaient été classées par des travailleurs recrutés dans la foule. Des concours comme le Prix Netflix récompensaient eux aussi les performances selon un score commun. La prédiction devenant l’objectif principal, il est devenu plus facile d’accepter l’opacité et les coûts de calcul.

Analyse

Cette histoire aide à comprendre pourquoi l’IA actuelle peut être très performante pour des tâches bien délimitées sans posséder une intelligence générale semblable à celle des humains. Un banc d’essai définit à la fois ce qui compte comme une réussite et ce qui échappe à l’évaluation. Cette démarche rend possibles la comparaison et les progrès techniques, mais elle peut aussi transformer un score pratique en objectif unique. Dans des contextes à forts enjeux, la précision sur un jeu de test ne rend pas forcément compte de la fiabilité auprès de différentes communautés, de l’explicabilité ou du coût des erreurs. Il faut toujours se demander ce que l’indicateur laisse de côté.

Considérer la vie privée comme un pouvoir sur les dossiers recoupés, et non comme une préférence personnelle

Une réforme édulcorée. Dans les années 1970, des législateurs américains ont envisagé des droits étendus permettant aux personnes de savoir quelles données personnelles étaient détenues à leur sujet, de corriger les erreurs et de limiter leur réutilisation. La loi sur la vie privée de 1974, finalement adoptée, portait sur les agences fédérales et laissait une grande partie de la collecte de données par les entreprises en dehors de toute protection générale. Ce choix a contribué à banaliser un système dans lequel les informations personnelles pouvaient circuler entre des bases de données privées sans obligation de rendre suffisamment de comptes.

L’agrégation change la donne. Des dossiers qui semblent inoffensifs isolément peuvent révéler des tendances sensibles lorsqu’ils sont recoupés et analysés. Les débats antérieurs sur la vie privée avaient déjà reconnu que le rapprochement de bases de données visait souvent les bénéficiaires de l’aide sociale et d’autres groupes moins puissants. Plus tard, les controverses sur la surveillance des métadonnées téléphoniques ont soulevé le même problème: les informations relatives à des appels individuels peuvent révéler des relations et des comportements lorsqu’elles sont examinées dans leur ensemble. La vie privée ne se résume donc ni au secret ni au consentement. Elle concerne le pouvoir de recouper des informations, d’en tirer des conclusions et de contester les décisions qui en résultent.

Analyse

La vie privée est souvent présentée comme une préférence personnelle, mais cette histoire en montre la dimension collective. Une personne peut être incapable d’anticiper ce que des analyses futures permettront de déduire de données communiquées lors d’une transaction ordinaire. Le consentement individuel constitue une faible protection lorsque les usages du système sont opaques ou que le refus prive d’accès à des services essentiels. Dans le même temps, la collecte de données peut soutenir des missions publiques utiles. La question centrale de gouvernance est de savoir qui fixe les limites, qui bénéficie d’une protection et si les personnes peuvent obtenir réparation.

Quand l’attention rapporte, les plateformes optimisent ce qui maintient les gens devant leur écran

L’attention est devenue rare. Le pionnier des relations publiques Edward Bernays a mis en scène, en 1929, une campagne publicitaire pour les cigarettes comme une démonstration de la liberté des femmes, montrant comment la persuasion pouvait être conçue à des fins commerciales. Des décennies plus tard, l’économiste Herbert Simon a avancé que l’abondance d’informations ferait de l’attention humaine une ressource rare. Internet a facilité la publication, mais son infrastructure avait toujours besoin de financement. La publicité est devenue un modèle dominant, et les annonceurs ont exigé des moyens de mesurer les publics et de les cibler.

L’engagement devient la cible. Les plateformes en ligne utilisent des données et des expériences pour sélectionner les contenus qui incitent aux clics, au visionnage ou à passer du temps sur la plateforme. Ces mesures peuvent favoriser les contenus qui captent l’attention sans mesurer leur exactitude ou leur utilité. Le capital-risque peut accélérer ce modèle en finançant une croissance rapide avant même qu’une entreprise ait arrêté son modèle de revenus. Les effets politiques du microciblage restent débattus, mais les outils qui servent à cibler les consommateurs peuvent aussi cibler les électeurs.

Analyse

Il importe de distinguer l’attention de la persuasion. Une plateforme peut optimiser le temps de visionnage sans pour autant modifier de façon fiable les convictions d’une personne, et les affirmations sur la puissance de la publicité ciblée peuvent être exagérées. Le modèle économique façonne néanmoins ce qui est diffusé et ce pour quoi les créateurs sont récompensés. Il s’agit d’une influence structurelle, même lorsqu’une publicité donnée échoue. Pour évaluer les plateformes, il faut donc s’intéresser à la fois aux effets mesurables sur les individus et à l’environnement médiatique général que leurs incitations créent.

Donner à l’éthique une autorité institutionnelle, au-delà des principes et des outils d’équité

Les principes ont besoin d’un processus. Le Rapport Belmont de 1979 a été publié à la suite des révélations sur l’étude de la syphilis de Tuskegee, dans le cadre de laquelle des hommes noirs avaient été privés de traitement pendant des décennies. Il a énoncé trois principes pour la recherche impliquant des personnes: le respect des personnes, la bienfaisance et la justice. Les comités d’examen institutionnel ont donné à ces principes un mécanisme d’application en examinant les protocoles de recherche, l’accès au financement étant subordonné au respect des règles.

Les outils ne peuvent pas trancher la question de la justice. Les entreprises technologiques ont adopté des équipes d’éthique et des logiciels pour évaluer les biais, mais ces dispositifs n’ont pas forcément autorité sur les décisions concernant les produits ni sur les incitations commerciales. Les définitions de l’équité algorithmique peuvent également entrer en conflit. Un système peut satisfaire à une définition statistique tout en échouant selon une autre, et un modèle techniquement plus équitable ne peut à lui seul corriger une pratique injuste comme le maintien d’une surveillance policière excessive qui s’auto-entretient. Le travail éthique exige des processus décisionnels responsables et le pouvoir de changer les pratiques d’une organisation.

Analyse

Le modèle Belmont est instructif parce qu’il associe des principes moraux à une procédure institutionnelle. Il importe également d’en reconnaître les limites : les comités d’examen peuvent passer à côté de préjudices qui ne relèvent pas de leur mandat, et les entreprises n’ont pas de lien aussi clair entre l’examen éthique et le financement. Les audits techniques peuvent révéler des problèmes, mais quelqu’un doit avoir le pouvoir de suspendre un déploiement, d’exiger des changements ou de rejeter le système. La distinction essentielle est celle entre expliquer une décision et créer un mécanisme permettant de demander des comptes aux personnes qui la prennent.

Équilibrer les pouvoirs des entreprises, de l’État et des citoyens pour façonner l’avenir des données

Un rapport de forces instable. Le livre présente l’avenir des données comme le produit d’une relation changeante entre le pouvoir des entreprises, celui de l’État et celui des citoyens. Les gouvernements déterminent ce que les entreprises peuvent faire au moyen des lois et des investissements publics. Les entreprises construisent des systèmes qui font de plus en plus office d’infrastructures sociales. Les travailleurs, les utilisateurs, les journalistes et les communautés peuvent exercer une pression sur les uns et les autres par l’organisation collective, l’examen public et le refus collectif.

Aucune solution unique. Les exemples vont des règles de protection de la vie privée en Europe et en Californie aux restrictions locales concernant la reconnaissance faciale, en passant par l’organisation des salariés au sein des entreprises technologiques et le départ des utilisateurs de certains services. Les programmes d’éthique des entreprises peuvent être utiles, mais ils peuvent aussi se substituer à la réglementation ou manquer d’autorité. Ces cas montrent que les arrangements actuels ne sont pas inévitables. Pour les changer, il faut des institutions et des coalitions capables de modifier les incitations, et non simplement de meilleurs logiciels ou des choix individuels.

Analyse

Ce modèle à trois composantes évite de considérer la réglementation comme la seule réponse possible ou l’autolimitation des entreprises comme une solution fiable. Il montre aussi que le pouvoir est inégalement réparti : les entreprises peuvent déployer des systèmes à l’échelle mondiale, tandis que les gens agissent souvent localement et que les gouvernements avancent à des rythmes différents. Les coalitions peuvent combler ces écarts, même lorsque leurs membres sont en désaccord sur d’autres questions. La difficulté consiste à assurer leur pérennité. Une protestation ou un changement de politique compte surtout lorsqu’il instaure des droits durables, une surveillance et une capacité concrète de contester les décisions préjudiciables.

Analyse

La principale contribution du livre est de replacer la science des données dans une perspective historique sans la réduire à une succession d’inventions. Son récit relie les concepts statistiques aux institutions qui ont financé, recueilli et utilisé les données. L’homme moyen de Quetelet, le classement des différences individuelles par Galton, le décryptage en temps de guerre, les bases de données commerciales et les plateformes pilotées par l’engagement ne sont pas présentés comme des étapes inévitables du progrès, mais comme des configurations contingentes de savoir et de pouvoir. Cette approche rend visibles les enjeux politiques de pratiques techniques familières.

Le récit évite également une conclusion simplement ant quantitative. Les méthodes numériques ont mis au jour des disparités cachées et favorisé des formes utiles de connaissance publique, alors même que ces pratiques ont aussi légitimé l’exclusion et le contrôle administratif. La question plus précise est de savoir qui définit les catégories, quelles erreurs sont tolérées et qui peut contester la décision. L’histoire de la mesure de la pauvreté et des tests d’intelligence montre comment un indicateur indirect peut discrètement devenir un fait social, tandis que l’histoire des statistiques expérimentales montre qu’une mesure rigoureuse peut aussi servir à contrôler l’autorité.

Une tension tient au fait que le livre propose une vaste perspective historique tout en concentrant une grande partie de son analyse contemporaine sur les États-Unis. Ses exemples sont convaincants, mais les institutions liées aux données et les rapports politiques varient selon les pays; les lecteurs devraient donc considérer le cadre proposé comme une grille de lecture, et non comme un modèle universel. Les trois pouvoirs décrits dans les derniers chapitres ne prennent pas non plus part à la lutte à armes égales. Les systèmes des entreprises peuvent fonctionner à très grande échelle, tandis que les individus disposent de peu de temps, d’informations et de moyens d’organisation collective.

La conséquence pratique n’est pas simplement d’exiger davantage de transparence. Les institutions doivent permettre de contester les pratiques liées aux données: les personnes doivent avoir des moyens concrets de comprendre les classifications, de rectifier les dossiers, de contester les décisions et d’influer sur l’utilisation même d’un système. La connaissance historique donne des leviers, car elle révèle que les dispositifs actuels ont été conçus, financés et normalisés. Ce qui a été construit peut être reconstruit, mais ce travail requiert autant d’action politique que de compétences techniques.

Résumé en 30 secondes
Les données sont construites, et non découvertes : les institutions choisissent ce qu’elles comptent et comment elles le classent, puis agissent en fonction des chiffres. Les moyennes et les indicateurs indirects, comme les scores d’intelligence ou le paupérisme, peuvent se figer en faits sociaux, et la régression ne peut pas contrôler les causes non mesurées. L’IA moderne s’est imposée en réduisant l’intelligence à des scores prédictifs. La vie privée, c’est le pouvoir sur les dossiers reliés entre eux. L’éthique a besoin d’une autorité capable de faire appliquer ses exigences, et l’avenir des données dépend de l’équilibre entre le pouvoir des entreprises, de l’État et du public.
Contient des spoilers

Dernière mise à jour:

Signaler un problème

Résumé des avis

3.54 sur 5
Moyenne de 467 évaluations de Goodreads et Amazon.

How Data Happened reçoit des avis mitigés, avec une note moyenne de 3,57/5. Les lecteurs apprécient l’ambition de l’ouvrage et ses éclairages historiques, mais critiquent son organisation et son style. Beaucoup le trouvent répétitif et dense, ce qui le rend difficile à assimiler. La version audio est jugée particulièrement difficile à suivre en raison du contenu mathématique. Parmi les aspects positifs, les lecteurs citent des faits historiques fascinants, des réflexions éthiques et un contenu solidement documenté. Certains recommandent la version imprimée plutôt que l’audio et suggèrent de consulter les notes de bas de page pour trouver des ressources supplémentaires.

Votre note :
4.16
163 évaluations
Envie de lire le livre complet ?

Les lecteurs ont aussi lu

Glossaire

Réification quantitative

Faire paraître réelle une abstraction

Processus qui consiste à traiter un résumé numérique ou une construction statistique comme s’il s’agissait d’une chose réelle, existant indépendamment des choix qui ont servi à la créer. Le livre s’appuie sur cette idée pour expliquer comment des moyennes, des catégories et des mesures latentes peuvent acquérir l’autorité de faits naturels, puis influencer les politiques et le traitement social.

l’homme moyen

La personne moyenne de Quetelet

L’idée, formulée par Adolphe Quetelet, d’une personne moyenne dont les caractéristiques mesurées représentent une population. Empruntant des méthodes à l’astronomie, il traitait les moyennes d’une population comme si elles révélaient un véritable type social sous-jacent. Cela a permis de décrire les sociétés statistiquement, mais a aussi incité des penseurs ultérieurs à interpréter les écarts par rapport à une moyenne comme significatifs ou pathologiques.

Régression

Modéliser les relations entre des variables

Méthode statistique permettant de décrire la relation entre une variable et une ou plusieurs autres. Francis Galton a élaboré cette idée en étudiant le lien entre la taille des enfants et celle de leurs parents. Udny Yule a ensuite utilisé la régression pour analyser les politiques sociales. Cette méthode permet de quantifier des tendances, mais des données observationnelles ne suffisent pas, à elles seules, à établir qu’une variable en a causé une autre.

Règle de Bayes

Mettre à jour une croyance à la lumière de preuves

Règle mathématique permettant de calculer la probabilité d’une hypothèse à partir de données observées. Elle combine la probabilité des éléments observés si cette hypothèse est vraie et une probabilité a priori attribuée à l’hypothèse. À Bletchley Park, les décrypteurs ont utilisé le raisonnement bayésien pour évaluer les réglages possibles des codes, en s’appuyant sur des estimations pratiques et sur l’accumulation de preuves.

Cadre de tâche commune

Un référentiel et un score partagés

Approche consistant à organiser la recherche autour d’un jeu de données partagé, d’une tâche définie et d’une mesure commune de la performance. Les participants peuvent comparer les systèmes et rivaliser pour améliorer le score. Le livre décrit ce cadre comme un moyen efficace de coordonner les travaux sur des problèmes pratiques, tout en soulignant que la mesure choisie peut restreindre ce qui compte comme une réussite.

Découverte de connaissances dans les bases de données (Knowledge Discovery in Databases, KDD)

Trouver dans les bases de données des tendances exploitables

Nom officiel associé à l’exploration de données : extraire de très grandes bases de données des connaissances non triviales et susceptibles de déboucher sur une action. La KDD s’est développée à mesure que les organisations accumulaient des données plus vite que les outils existants ne pouvaient les analyser. Le défi pratique ne consistait pas simplement à appliquer des méthodes connues à un plus grand nombre d’enregistrements, mais à adapter le calcul à des données volumineuses, hétérogènes et de grande dimension.

Rapport Belmont

Principes applicables à la recherche impliquant des personnes

Rapport publié en 1979 qui a établi trois principes pour la recherche impliquant des sujets humains : le respect des personnes, la bienfaisance et la justice. Il a fait suite à la révélation publique de l’étude de Tuskegee sur la syphilis. Le rapport a fourni un cadre éthique commun, tandis que les comités d’examen institutionnels associés ont mis en place un processus d’évaluation de la recherche, reliant les exigences éthiques à l’autorité des institutions.

Confidentialité différentielle

Limiter ce que révèlent les résultats

Approche mathématique visant à protéger la vie privée en ajoutant du bruit aux résultats tirés d’une base de données, plutôt qu’en diffusant directement les données originales. Sa conception suppose de choisir la quantité et la forme du bruit. Une protection accrue peut réduire l’utilité des résultats ; la méthode exige donc un compromis explicite entre confidentialité et utilité analytique.

Science des données

Pratique consistant à tirer des connaissances des données

Domaine général qui associe méthodes statistiques et apprentissage automatique, programmation, préparation des données, infrastructure informatique et communication. Dans l’industrie, il comprend souvent la création de systèmes transformant de grandes quantités de données hétérogènes en produits ou décisions exploitables. Le livre souligne que cette pratique ne se limite pas aux algorithmes : elle dépend aussi du travail humain, des incitations organisationnelles et des choix relatifs aux objectifs à optimiser.

À propos de l'auteur

Chris Wiggins est professeur à Columbia University et coauteur de « How Data Happened ». Spécialiste de la science des données, il connaît bien l’histoire et les applications de ce domaine. Dans cet ouvrage, Wiggins allie rigueur universitaire et vaste savoir, en s’appuyant sur son expérience d’enseignement d’un cours très suivi sur le sujet à Columbia. Son parcours dans le milieu universitaire comme dans la pratique de la science des données lui permet d’apporter un éclairage sur les aspects techniques de l’analyse des données ainsi que sur ses implications sociétales plus larges. Le travail de Wiggins vise à rendre les concepts complexes liés aux données accessibles au grand public sans renoncer à la rigueur universitaire.

Télécharger le PDF

Pour garder le résumé de How Data Happened pour plus tard, téléchargez gratuitement le PDF. Vous pouvez l’imprimer ou le lire hors ligne quand vous le souhaitez.
Download PDF

Télécharger l'EPUB

Pour lire le résumé de How Data Happened sur votre liseuse ou dans une application de lecture, téléchargez gratuitement l’EPUB. Le format numérique .epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.
Download EPUB
Envie de lire le livre complet ?
Suivre
Écouter
Accueil
Swipe
Biblio
Appli
Essayez l'accès complet pendant 3 jours
Écoutez, enregistrez, et plus encore
Comparer les fonctionnalités Gratuit Pro
📖 Lire les résumés
Lisez des résumés illimités. Les utilisateurs gratuits en reçoivent 3 par mois
🎧 Écouter les résumés
Écoutez des résumés illimités dans 40 langues
—
❤️ Favoris illimités
Limité à 4 pour les utilisateurs gratuits
—
📜 Historique illimité
Limité à 4 pour les utilisateurs gratuits
—
📥 Téléchargements illimités
Limité à 1 pour les utilisateurs gratuits
—
Calendrier sans engagement
Aujourd'hui : Accès immédiat
Écoutez les résumés complets de plus de 26 000 livres. Soit plus de 12 000 heures d'audio !
Jour 2 : Rappel d'essai
Nous vous enverrons une notification pour vous informer que votre essai se termine bientôt.
Jour 3 : Votre abonnement commence
Vous serez débité le 25 nov.,
annulez à tout moment avant.
Consume 2.8× More Books
2.8× livres de plus Écoute Lecture
Nos utilisateurs nous adorent
1M+ lecteurs
Trustpilot Rating
TrustPilot
4.6 Excellent
Ce site change tout. Je n'ai jamais lu autant de résumés aussi rapidement. Je recommande vivement.
— Dave G
Ça vaut vraiment le coup en temps et en argent, et c'est très bien fait. Je n'ai jamais vu cette qualité de résumés ailleurs. Très utile !
— Em
Hautement recommandé !! Service fantastique. Parfait pour ceux qui veulent plus qu'un aperçu sans tous les détails d'un livre audio complet.
— Greg M
Économisez 62 %
Annuel
$119.88 $44.99/an/an
$3.75/mois
Mensuel
$9.99/mois
Démarrer un essai gratuit de 3 jours
3 jours gratuits, puis $44.99/an. Annulez à tout moment.
Unlock a world of fiction & nonfiction books
Plus de 26 000 livres pour le prix de 2 livres
Lisez n'importe quel livre en 10 minutes
Découvrez de nouveaux livres comme sur Tinder
Demandez n'importe quel livre s'il n'est pas encore résumé
Lisez plus de livres que quiconque
L'appli n°1 pour les amateurs de livres
Lifelike & immersive summaries
Garantie satisfait ou remboursé 30 jours
Téléchargez les résumés en EPUB ou PDF
Annulez à tout moment en quelques clics

Pourquoi un seul résumé ?

Scanner
Trouvez un code-barres à scanner

⭐
⭐
⭐
Nous avons un cadeau spécial pour vous
Ouvrir
38 % de réduction
RÉDUCTION POUR VOUS
⭐
⭐
⭐
$79.99
$49.99/an
Seulement $4.16 par mois
Continuer
2 touches pour commencer, résiliation ultra simple
Paramètres
Général
Widget
Chargement...