Data Science Artisanale
Observer. Relier. Réduire. Modéliser. Interpréter. Transmettre.
Une approche artisanale et interprétable de la data science par la physique de la complexité. Je ne propose pas une data science de plus. Je propose une manière artisanale de lire les systèmes complexes à partir des données, en construisant des modèles réduits, interprétables et transmissibles.
Pourquoi cette méthode ?
Face à un système complexe, il ne suffit pas d’appliquer un algorithme. Il faut d’abord observer les données, comprendre les échelles, identifier une variable d’ordre, construire un modèle réduit, interpréter les régimes et transmettre une lecture utile du système.
Des données aux mécanismes
La data science moderne dispose d’outils puissants, mais elle tend parfois à privilégier la performance prédictive au détriment de la compréhension. Or les systèmes réels — marchés financiers, signaux radar, projets industriels, organisations, territoires — ne sont pas de simples jeux de données. Ce sont des systèmes dynamiques, traversés par des régimes, des mémoires, des seuils, des transitions et des fluctuations extrêmes. L’objectif de cette approche est de construire des modèles interprétables, à peu de paramètres significatifs, capables de relier les données observées aux mécanismes qui les produisent.
Une data science artisanale
Mon approche part d’une conviction simple : les données ne sont pas seulement des nombres à traiter, mais les traces visibles d’un système complexe. Avant de modéliser, il faut observer. Avant de prédire, il faut comprendre. Avant d’interpréter, il faut réduire sans appauvrir, en identifiant une variable d’ordre ou une structure dominante. Cette méthode artisanale privilégie les modèles réduits, à peu de paramètres significatifs, où chaque terme possède un sens physique ou systémique. Elle relie l’EDA, la physique de la complexité et la data science pour construire des modèles capables de lire les régimes, les transitions, les seuils et les fragilités des systèmes réels. L’objectif n’est pas seulement de produire une prédiction, mais de transmettre une compréhension.
Ressources & Documents d'étude
Pour prolonger la lecture et explorer les fondements théoriques, épistémologiques et psychologiques du geste d’observation, vous pouvez consulter les essais et travaux de recherche associés.
Ce document présente une méthode de data science fondée sur la physique de la complexité. Face aux limites des modèles prédictifs modernes, qui s'avèrent souvent opaques et incapables d'expliquer les mécanismes profonds des données, cette approche propose de passer d'une science de la prédiction à une science de la compréhension.
En s'appuyant sur le triptyque « Observer, Relier, Réduire, Modéliser, Interpréter, Transmettre », la méthode traite les données non pas comme une matière brute, mais comme les traces visibles de systèmes dynamiques complexes. Elle vise à construire des modèles réduits, sobres et hautement interprétables, dotés de peu de paramètres mais riches de sens (mémoire, résilience, seuils, etc.).
Transversale et transdisciplinaire, cette grammaire commune de la complexité s'applique à des domaines variés (industrie, radar, finance, gestion de projet, organisations, écologie, santé, IA responsable). En définitive, elle répond à une véritable crise du sens en transformant des données complexes en une compréhension intelligible et actionnable pour l'aide à la décision.
Ce document propose une réflexion approfondie sur la data science appliquée aux systèmes complexes, en plaçant l’Analyse Exploratoire des Données (EDA) comme sa véritable clé de voûte. Il s'articule autour de trois grands axes :
Un cadre conceptuel unifié : L'auteur utilise la physique de la complexité pour distinguer les systèmes autoorganisés (sans mémoire, comme la turbulence physique) des systèmes complexes adaptatifs (avec mémoire et apprentissage, comme la finance ou les projets humains). La data science sert à observer et comprendre ces systèmes, tandis que l'intelligence artificielle y introduit l'adaptation.
Une méthodologie rigoureuse en cascade : Le processus décrit suit un cheminement logique allant de l'acquisition et du prétraitement des données à la modélisation (stochastique ou par apprentissage automatique) et à l'aide à la décision (illustrée par la fusion de données multicapteurs).
L'EDA comme discipline du regard : L’analyse exploratoire n'est pas une simple étape préparatoire technique. C'est l'acte fondateur qui permet de découvrir la logique propre d'un système à travers ses invariants empiriques (queues lourdes, mémoire longue, changements de régime). En s'appuyant sur l'expérience et la théorie, l'EDA transforme des objets statistiques en indices physiques (par exemple, une distribution de données devient un paysage de potentiel énergétique) afin de guider une modélisation mathématique simple, interprétable et robuste.
Ce document propose d'utiliser la data science comme le prolongement moderne de la méthode expérimentale classique.
En s'appuyant sur la démarche scientifique d'A. D. de Groot (Historique, Observation, Induction, Déduction, Tests, Évaluation, Application), il démontre comment dépasser l'usage de la data science comme une simple "boîte noire" de prédiction. L'objectif est de s'en servir pour écouter les données — perçues comme les traces de systèmes complexes — afin de formuler des hypothèses et de construire des modèles réduits, interprétables et physiquement informés (comme des simulateurs).
En somme, l'approche réunit la data science et la physique de la complexité pour redonner à l'analyse des données sa véritable fonction explicative, scientifique et opérationnelle.
Ce document présente une méthode de data science fondée sur la physique de la complexité. Face aux limites des modèles prédictifs modernes, qui s'avèrent souvent opaques et incapables d'expliquer les mécanismes profonds des données, cette approche propose de passer d'une science de la prédiction à une science de la compréhension.
En s'appuyant sur le triptyque « Observer, Relier, Réduire, Modéliser, Interpréter, Transmettre », la méthode traite les données non pas comme une matière brute, mais comme les traces visibles de systèmes dynamiques complexes. Elle vise à construire des modèles réduits, sobres et hautement interprétables, dotés de peu de paramètres mais riches de sens (mémoire, résilience, seuils, etc.).
Transversale et transdisciplinaire, cette grammaire commune de la complexité s'applique à des domaines variés (industrie, radar, finance, gestion de projet, organisations, écologie, santé, IA responsable). En définitive, elle répond à une véritable crise du sens en transformant des données complexes en une compréhension intelligible et actionnable pour l'aide à la décision.
Ce document propose une réflexion approfondie sur la data science appliquée aux systèmes complexes, en plaçant l’Analyse Exploratoire des Données (EDA) comme sa véritable clé de voûte. Il s'articule autour de trois grands axes :
Un cadre conceptuel unifié : L'auteur utilise la physique de la complexité pour distinguer les systèmes autoorganisés (sans mémoire, comme la turbulence physique) des systèmes complexes adaptatifs (avec mémoire et apprentissage, comme la finance ou les projets humains). La data science sert à observer et comprendre ces systèmes, tandis que l'intelligence artificielle y introduit l'adaptation.
Une méthodologie rigoureuse en cascade : Le processus décrit suit un cheminement logique allant de l'acquisition et du prétraitement des données à la modélisation (stochastique ou par apprentissage automatique) et à l'aide à la décision (illustrée par la fusion de données multicapteurs).
L'EDA comme discipline du regard : L’analyse exploratoire n'est pas une simple étape préparatoire technique. C'est l'acte fondateur qui permet de découvrir la logique propre d'un système à travers ses invariants empiriques (queues lourdes, mémoire longue, changements de régime). En s'appuyant sur l'expérience et la théorie, l'EDA transforme des objets statistiques en indices physiques (par exemple, une distribution de données devient un paysage de potentiel énergétique) afin de guider une modélisation mathématique simple, interprétable et robuste.
Ce document propose d'utiliser la data science comme le prolongement moderne de la méthode expérimentale classique.
En s'appuyant sur la démarche scientifique d'A. D. de Groot (Historique, Observation, Induction, Déduction, Tests, Évaluation, Application), il démontre comment dépasser l'usage de la data science comme une simple "boîte noire" de prédiction. L'objectif est de s'en servir pour écouter les données — perçues comme les traces de systèmes complexes — afin de formuler des hypothèses et de construire des modèles réduits, interprétables et physiquement informés (comme des simulateurs).
En somme, l'approche réunit la data science et la physique de la complexité pour redonner à l'analyse des données sa véritable fonction explicative, scientifique et opérationnelle.