Data Science Artisanale
Objectif du site
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.
Une data science artisanale pour comprendre les systèmes complexes
Ce site présente une méthode de modélisation destinée à comprendre les systèmes complexes à partir de leurs données.
Son point de départ est simple : les données ne sont pas seulement des nombres à traiter. Elles sont les traces visibles d’un système réel. Un signal radar, une série financière, des indicateurs de projet, des données d’organisation ou des mesures physiques traduisent toujours une dynamique sous-jacente : des régimes, des fluctuations, des mémoires, des seuils, des transitions, des fragilités ou des capacités de résilience.
L’objectif du site est de proposer une autre manière de pratiquer la data science : non pas seulement prédire, classer ou optimiser, mais comprendre ce que les données révèlent du système qui les produit.
Une formation pour apprendre à comprendre avant de modéliser
La data science dispose aujourd’hui d’outils extrêmement performants : statistiques
avancées, machine learning, réseaux de neurones, modèles génératifs, méthodes
d’apprentissage profond. Pourtant, dans de nombreux projets, une difficulté demeure en
amont : comment comprendre la nature du phénomène que l’on cherche à analyser
avant de choisir l’algorithme qui devra le modéliser ?
Un signal peut être périodique, chaotique, intermittent, multiscalaire, à mémoire longue,
soumis à des phénomènes de diffusion, de relaxation, d’instabilité ou de cascade. Deux
séries temporelles apparemment proches peuvent ainsi relever de dynamiques
profondément différentes et nécessiter des approches très différentes.
La formation Physique des processus pour la Data Science a été conçue comme une
culture générale scientifique et une méthode d’approche de ces problèmes.
Elle ne cherche pas à transformer le data scientist en spécialiste de mécanique des
fluides, de thermodynamique ou de physique statistique. Elle propose plutôt une
grammaire commune des phénomènes dynamiques, permettant de reconnaître les
grandes formes d’organisation que l’on retrouve dans de nombreux domaines :
propagation, diffusion, mémoire, oscillation, instabilité, bifurcation, chaos, émergence,
structures dissipatives, autosimilarité ou multifractalité.
L’objectif est d’apprendre à poser, face aux données, des questions simples mais
structurantes :
Qu’est-ce qui évolue ? À quelles échelles ? Quels mécanismes peuvent produire le
signal observé ? Existe-t-il une mémoire ? Des temps de relaxation ? Une
organisation multiscalaire ? Une instabilité ? Une cascade ? Peut-on réduire le
phénomène à quelques variables ou opérateurs essentiels ?
Cette démarche s’appuie sur une méthode simple :
Observer, relier, réduire.
Observer les signatures présentes dans les données. Relier ces signatures à des familles
de processus connues. Réduire ensuite le système à une représentation suffisamment
simple pour être analysée, modélisée et, si nécessaire, transformée en architecture de
machine learning ou de réseau neuronal.
La formation se place ainsi naturellement dans la phase amont d’un projet Data Science
ou IA. Elle aide à passer de l’exploration des données à une véritable compréhension du
processus générateur, avant l’industrialisation du modèle.
Elle s’adresse particulièrement aux data scientists, applied scientists, research scientists
et responsables techniques qui souhaitent aller au-delà de l’application d’algorithmes
standards et construire des modèles plus interprétables, plus cohérents avec les
phénomènes observés et plus faciles à transformer ensuite en systèmes d’IA robustes.
En ce sens, la physique des processus n’est pas ici une spécialité supplémentaire. Elle
devient un outil de pensée pour la data science.
Une méthode en six gestes
La démarche proposée repose sur six gestes :
Observer. Relier. Réduire. Modéliser. Interpréter. Transmettre
Observer, c’est partir des données et du système réel, sans imposer trop vite un modèle. Il s’agit de repérer les régimes, les ruptures, les corrélations, les événements extrêmes, les échelles pertinentes et les points de mesure significatifs.
Relier, c’est inscrire le phénomène observé dans une cartographie plus large des systèmes complexes. Une mémoire longue, une queue lourde, une diffusion, une bifurcation ou une transition critique ne sont pas des curiosités isolées : ce sont des formes que l’on retrouve dans de nombreux domaines.
Réduire, ce n’est pas appauvrir. C’est chercher la bonne variable d’ordre, la variable latente ou l’indicateur collectif capable de concentrer le phénomène dominant.
Modéliser, c’est construire un modèle réduit, à peu de paramètres significatifs, où chaque terme possède un sens physique, systémique ou métier : potentiel, dérive, bruit, mémoire, diffusion, réaction, résistance, sollicitation, texture.
Interpréter, c’est comprendre ce que le modèle dit du système : ses régimes, ses seuils, ses transitions, ses fragilités, ses scénarios possibles et ses leviers d’action.
Transmettre, enfin, c’est rendre cette compréhension partageable. Un modèle n’a de valeur que s’il peut aider à expliquer, décider, former ou agir.
Pourquoi ce site ?
Ce site est né d’une conviction : la data science a besoin d’être reliée à une culture de la complexité.
Les outils modernes sont puissants, mais ils peuvent conduire à des modèles opaques, efficaces sur une métrique, mais difficiles à comprendre. Or, dans beaucoup de situations réelles, la question n’est pas seulement : que va-t-il se passer ? La question est aussi : pourquoi cela se produit-il ? dans quel régime se trouve le système ? quels seuils approche-t-il ? quelles fragilités deviennent visibles ?
La physique de la complexité, les systèmes dynamiques, les modèles stochastiques, les lois de puissance, les interfaces fractales, la diffusion/réaction ou les transitions critiques offrent une grammaire précieuse pour répondre à ces questions.
Ce site cherche donc à construire un pont entre :
- la méthode expérimentale ;
- la data science ;
- la physique de la complexité ;
- les modèles réduits interprétables ;
- les applications concrètes.
À quoi cela sert-il ?
Cette méthode sert à transformer des données complexes en compréhension utile. Elle permet de diagnostiquer l’état d’un système, d’identifier ses régimes, de repérer ses seuils de fragilité, d’anticiper ses transitions et de construire des modèles interprétables pour éclairer la décision. Elle peut être utilisée pour analyser un signal physique, comprendre une crise financière, suivre la dérive d’un projet, lire les tensions d’une organisation ou évaluer la résilience d’un territoire. Son intérêt n’est pas seulement de produire une prédiction, mais de donner du sens aux données afin d’aider à comprendre, décider, concevoir, piloter et transmettre.
Quatre terrains d’application
La méthode est illustrée à travers plusieurs applications pédagogiques.
Le CAC 40 permet d’aborder les séries financières comme des systèmes collectifs marqués par des régimes, des crises, une mémoire longue et des queues lourdes.
Le fouillis de mer radar montre comment un signal physique apparemment bruité peut révéler une surface fractale, des pentes extrêmes, du masquage, une texture et une dynamique Doppler.
Les modèles de compétition permettent de relier attracteurs, Lotka-Volterra, théorie des jeux et équilibres dynamiques.
La gestion de projet montre comment un projet industriel peut être lu comme un système complexe sous contrainte, traversé par des tensions, des retards, des dépendances et des risques de basculement.
Ces exemples ont une fonction commune : montrer comment passer des données à une compréhension structurée du système.
Une posture d’artisan
Ce site défend une approche artisanale de la modélisation.
L’artisan ne commence pas par appliquer mécaniquement un outil. Il observe la matière, il en comprend les résistances, il choisit le bon geste, il ajuste sa méthode au système réel.
Ici, la matière est la donnée.
Le geste est l’analyse.
L’outil est le modèle réduit.
La finalité est la compréhension transmissible.
Cette approche ne prétend pas remplacer les méthodes modernes de data science. Elle cherche à leur donner une profondeur supplémentaire : une capacité à lire les régimes, les seuils, les transitions et les mécanismes cachés.
Finalité
L’objectif final du site est de contribuer à une data science systémique, expérimentale et interprétable.
Une data science capable de partir des données, mais de ne pas s’y enfermer.
Une data science capable de construire des modèles simples, mais profonds.
Une data science capable de prédire, mais aussi d’expliquer.
Une data science capable de transmettre une compréhension utile des systèmes complexes.
Ce site propose une méthode pour transformer des données complexes en modèles réduits, interprétables et transmissibles, au service de la compréhension et de la décision.