En août 2020, j’écrivais un article intitulé « De l’économie à la data : je ne change pas vraiment de sujet ».
De l'économie à la data : je ne change pas vraiment de sujet
J’y racontais ce qui m’avait attiré vers l’économie, mes interrogations après l’université et mon envie d’approfondir la data science.
J’avais validé mon master d’économie en 2018 et commencé à pratiquer la data dès cette période. Lorsque j’ai écrit cet article, deux ans plus tard, j’étais donc déjà engagé dans cette voie.
Six années se sont écoulées depuis ce billet, et cela fait maintenant huit ans que la data occupe une place importante dans mon parcours.
J’ai travaillé sur des projets d’analyse économique, de modélisation, de Business Intelligence et d’ingénierie des données. J’ai appris de nouveaux langages, découvert de nombreux outils et développé des compétences que je n’imaginais pas nécessairement acquérir au départ.
Bref, j’ai parcouru une bonne partie du chemin que j’avais envie d’explorer.
Et pourtant, depuis quelque temps, une question me revient régulièrement.
Avec tous ces outils à ma disposition, qu’est-ce que j’ai vraiment envie d’en faire ?
La question peut sembler paradoxale. Pendant des années, j’ai cherché à développer mes compétences techniques pour mieux analyser et comprendre le monde qui m’entoure. Aujourd’hui, alors qu’elles occupent une place importante dans mon quotidien, je ressens l’envie de retrouver certains sujets que j’avais progressivement laissés de côté.
Et comme si cela ne suffisait pas, l’intelligence artificielle vient bouleverser notre manière de travailler.
De quoi alimenter quelques réflexions.
Huit années à mettre les mains dans les données#
Lorsque je me suis intéressé à la data science, j’étais surtout attiré par les modèles.
Je voulais apprendre à mieux prédire, à quantifier des relations complexes et à mobiliser des méthodes qui dépassaient le cadre de mes études en économétrie. Je voyais alors la programmation comme un moyen d’y parvenir.
Puis les expériences professionnelles sont arrivées.
Chez CDC Habitat, j’ai travaillé sur des problématiques de Business Intelligence, de transformation des données et de restitution d’informations.
Chez EDATER, j’ai retrouvé des sujets plus directement liés à ma formation initiale, notamment à travers des travaux d’analyse économique et d’aide à la décision.
Chez ENGIE Green, j’ai également approfondi les dimensions techniques du traitement des données, notamment autour des séries temporelles et de leur exploitation.
Ces expériences ont été différentes, mais elles m’ont progressivement appris une même chose : entre une question intéressante et une réponse exploitable, il y a parfois beaucoup plus de travail qu’on ne l’imagine.
Un modèle ne fonctionne pas tout seul. Il lui faut des données fiables, correctement structurées, suffisamment documentées et disponibles au bon moment. Il faut ensuite pouvoir reproduire les traitements, contrôler les résultats et parfois automatiser toute une chaîne de production.
C’est ainsi que je me suis progressivement intéressé au Data Engineering.
Un domaine qui peut sembler assez éloigné de l’économie, mais qui répond finalement à une difficulté très concrète : comment produire des analyses fiables lorsque les données deviennent volumineuses, hétérogènes et régulièrement mises à jour ?
Aujourd’hui, je retrouve ces préoccupations dans mes projets personnels.
Avec Sentinel, mon observatoire des métiers de la data, je cherche par exemple à collecter des offres d’emploi, à les préparer, à identifier celles qui concernent réellement les métiers de la donnée et à produire des indicateurs exploitables.
Sur le principe, cela semble assez simple.
Dans la pratique, il faut gérer plusieurs sources, des formats différents, des doublons, des erreurs de classification et des problèmes de qualité des données.
Mais au-delà des difficultés techniques, il faut surtout définir précisément ce que l’on cherche à mesurer.
Compter les offres publiées au cours d’une période n’est pas la même chose que compter les annonces encore disponibles à une date donnée. Dans le premier cas, on mesure un flux ; dans le second, un stock. Et aucun de ces indicateurs ne correspond directement au nombre de recrutements effectivement réalisés.
Ce sont des distinctions qui peuvent sembler élémentaires, mais qui changent complètement l’interprétation des résultats.
Elles me rappellent un principe essentiel de l’économétrie : avant de chercher à expliquer un phénomène, encore faut-il s’assurer que les données permettent réellement de le mesurer.
Finalement, même lorsque je construis un pipeline, les questions statistiques et méthodologiques ne sont jamais très loin.
Quand programmer ne signifie plus tout à fait coder#
Mon rapport à l’intelligence artificielle a lui aussi beaucoup évolué.
Lorsque j’ai commencé à l’étudier, l’IA était avant tout pour moi un ensemble de méthodes mathématiques et statistiques.
Des modèles de régression aux réseaux de neurones, en passant par les machines à vecteurs de support (SVM) et leurs fonctions noyau, il fallait comprendre les principes, les hypothèses et les mécanismes d’apprentissage.
On s’intéressait aux fonctions de coût, à l’optimisation, aux hyperparamètres et aux métriques d’évaluation. Il fallait préparer les données, entraîner les modèles, comparer les résultats et essayer de comprendre pourquoi certaines approches fonctionnaient mieux que d’autres.
C’était une IA que l’on cherchait à construire et à maîtriser.
Et c’est précisément cette dimension scientifique qui m’intéressait. Derrière les algorithmes, on retrouvait les mathématiques, les probabilités et les statistiques que j’avais appris à apprécier pendant mes études.
Puis une autre manière d’utiliser l’IA s’est progressivement imposée.
Avec l’arrivée des grands modèles de langage (Large Language Models, ou LLM) et des assistants accessibles au grand public, l’intelligence artificielle a commencé à quitter les environnements spécialisés pour s’inviter dans des activités beaucoup plus quotidiennes.
Plus besoin de maîtriser une fonction de coût ou de comprendre les mécanismes d’un réseau de neurones pour commencer à utiliser ces outils. Il suffit désormais, dans bien des cas, de formuler une demande en langage naturel.
Les mathématiques n’ont évidemment pas disparu. Elles sont toujours au cœur de ces systèmes, mais elles deviennent largement invisibles pour celui qui les utilise.
Et cette différence est considérable.
L’IA n’est plus seulement un objet d’étude ou une technologie que l’on intègre dans une application. Elle devient un interlocuteur, un assistant et, de plus en plus, un acteur capable d’exécuter certaines tâches.
Dans mon métier, ce changement est particulièrement visible avec les agents de programmation.
Pendant des années, j’ai appris à coder, à chercher dans la documentation, à comprendre les erreurs, à améliorer mes programmes et à découvrir de nouvelles bibliothèques. J’ai passé beaucoup de temps dans mon environnement de développement, à écrire et corriger du code.
Aujourd’hui, je peux demander à un agent d’implémenter une fonctionnalité, de proposer des tests, de modifier plusieurs fichiers ou de rechercher l’origine d’un problème.
Je continue à programmer, mais une partie des tâches que je réalisais entièrement moi-même peut désormais être déléguée.
Et je trouve cette évolution assez remarquable.
Elle permet de gagner du temps sur certaines opérations, d’explorer plus rapidement des solutions et de concentrer davantage d’efforts sur la conception d’un projet.
Mais elle modifie aussi profondément notre façon de travailler.
Je passe parfois davantage de temps à définir ce que je veux construire, à formuler des contraintes et à vérifier les résultats qu’à écrire moi-même le code.
Le travail se déplace progressivement vers la conception, l’architecture et la supervision. Ce déplacement m’intéresse, car il permet de consacrer davantage d’attention aux choix techniques et aux problèmes que l’on cherche réellement à résoudre.
Il exige aussi de conserver une bonne compréhension de ce que l’on délègue.
Un agent peut produire un programme parfaitement exécutable, mais scientifiquement incorrect. Il peut introduire une fuite de données dans un modèle prédictif, construire un indicateur mal défini ou proposer une analyse convaincante à partir d’hypothèses erronées.
Si l’on ne comprend plus suffisamment les mécanismes sous-jacents, comment peut-on contrôler sérieusement ce qu’il produit ?
À mes yeux, l’IA ne supprime donc pas le besoin d’expertise. Elle transforme plutôt la manière dont cette expertise s’exerce.
Il faut toujours savoir poser les bonnes questions, évaluer une méthode, identifier les limites d’un résultat et prendre des décisions techniques.
Mais au-delà de ces considérations, cette évolution m’amène à réfléchir à quelque chose de plus personnel.
J’ai consacré beaucoup de temps à apprendre des outils, à comprendre leur fonctionnement et à développer mes compétences. Certaines tâches que je prenais plaisir à réaliser peuvent aujourd’hui être accomplies beaucoup plus rapidement, parfois sans que j’aie besoin d’intervenir directement.
Je n’ai aucune envie de m’opposer à cette évolution. Au contraire, les possibilités offertes par ces outils sont passionnantes et je compte bien continuer à les explorer.
Mais elles m’amènent à reconsidérer la place que je souhaite donner à la technique dans mon quotidien.
Si les outils me permettent de passer moins de temps à les manipuler, à quoi ai-je envie de consacrer le temps gagné ?
Car finalement, maîtriser des technologies n’a jamais été une fin en soi.
Ce que je cherchais au départ#
Je repense parfois aux raisons qui m’avaient poussé vers l’économie.
À cette envie de comprendre les comportements humains, les mécanismes économiques et les interactions entre individus. Aux statistiques, aux probabilités, à l’économétrie, mais aussi aux simulations et à la théorie des jeux qui m’avaient particulièrement intéressé.
Au fil des années, j’ai développé des compétences directement mobilisables dans mes missions professionnelles. C’était nécessaire, et je suis content du chemin parcouru.
Mais à force d’apprendre de nouveaux outils, de nouvelles architectures et de nouvelles technologies, je me demande si je n’ai pas parfois accordé davantage d’attention aux moyens qu’aux questions auxquelles je voulais répondre.
Le monde de la data évolue rapidement. Une bibliothèque en remplace une autre, une nouvelle architecture apparaît, un modèle plus performant fait parler de lui. Une technologie devient incontournable, puis une autre arrive.
Il est difficile de ne pas vouloir suivre ce mouvement, particulièrement lorsqu’on exerce un métier dans lequel les compétences techniques occupent une place aussi importante.
Et il faut évidemment continuer à apprendre.
Mais je n’ai pas envie que ma curiosité se limite à la prochaine technologie à maîtriser.
J’ai aussi envie de retrouver des problèmes qui m’intéressent pour ce qu’ils représentent, indépendamment des outils nécessaires pour les résoudre.
C’est notamment le cas des simulations.
Retrouver le goût de la simulation#
Depuis quelque temps, je m’intéresse de nouveau à un domaine que j’avais découvert il y a plusieurs années : l’économie computationnelle.
Et plus particulièrement aux modèles multiagents, ou Agent-Based Models (ABM).
Le principe est assez fascinant.
Plutôt que de chercher à décrire directement le comportement global d’un système, on peut commencer par représenter les individus qui le composent.
Chaque agent possède ses propres caractéristiques, ses contraintes et ses règles de comportement. On définit un environnement, on laisse les agents interagir, puis on observe ce qui se produit.
Des comportements collectifs peuvent alors émerger d’interactions individuelles relativement simples.
Et c’est précisément ce qui m’intéresse.
Comment un marché peut-il se former à partir des décisions de ses participants ? Comment des comportements de coopération ou de concurrence apparaissent-ils ? Comment certaines inégalités ou dynamiques collectives peuvent-elles émerger ?
On retrouve ici des questions fondamentales de l’économie.
L’Agent-Based Computational Economics (ACE) propose justement d’utiliser ces simulations pour étudier des systèmes économiques composés d’agents en interaction.
Il ne s’agit évidemment pas de reproduire parfaitement le fonctionnement de l’économie réelle. Une simulation reste un modèle, avec ses hypothèses, ses simplifications et ses limites.
Il faut également s’interroger sur la pertinence des règles retenues, la sensibilité des résultats aux paramètres et leur éventuelle confrontation aux observations.
Mais c’est justement tout l’intérêt de l’exercice : construire un environnement expérimental, modifier certaines hypothèses, observer leurs conséquences et essayer de comprendre les mécanismes à l’œuvre.
Je retrouve dans cette démarche une grande partie de ce qui m’avait attiré vers l’économie.
Et aujourd’hui, je peux l’aborder avec un regard différent.
Je connais davantage de méthodes statistiques, je programme plus facilement et je dispose d’outils qui me permettent de concevoir des expériences plus ambitieuses. Je peux également envisager d’analyser les résultats de ces simulations avec des méthodes de data science.
Je n’en suis pas un spécialiste. C’est un domaine que j’ai envie de redécouvrir, d’étudier et surtout de pratiquer.
Et je trouve assez réjouissant que les compétences acquises pendant toutes ces années puissent finalement me permettre de renouer avec une ancienne passion.
Trois piliers pour continuer à avancer#
Tout cela ne signifie pas que je souhaite abandonner la data science ou le Data Engineering. Bien au contraire.
Je commence plutôt à voir plus clairement comment ces domaines peuvent se compléter dans les projets que j’aimerais mener.
Pour les prochaines années, j’ai envie d’organiser mes explorations autour de trois piliers.
L’économie quantitative et computationnelle#
C’est celui auquel je souhaite redonner davantage de place.
Je veux approfondir les modèles économiques, les méthodes quantitatives, les questions de causalité et les systèmes complexes.
Je souhaite notamment reprendre la simulation multiagents, explorer les approches de l’ACE et confronter différents modèles à des questions économiques concrètes.
Pas nécessairement pour en faire immédiatement une spécialisation professionnelle, mais d’abord parce que ces sujets m’intéressent.
J’aimerais pouvoir partir d’une question, construire un modèle simple, expérimenter plusieurs hypothèses et observer les résultats. Et surtout, comprendre pourquoi certains phénomènes apparaissent.
La data science et l’intelligence artificielle#
Je souhaite évidemment continuer à développer mes compétences en statistiques, machine learning et intelligence artificielle.
Les séries temporelles, la prévision, la détection d’anomalies ou encore l’optimisation restent des sujets que j’apprécie particulièrement.
Je veux continuer à expérimenter, à comparer les méthodes et à comprendre dans quelles conditions elles sont réellement utiles.
Un modèle plus complexe n’est pas nécessairement meilleur. Une prédiction précise n’est pas toujours une explication satisfaisante. Et une méthode récente n’est pas forcément plus adaptée qu’un modèle statistique classique.
L’IA générative et les agents font naturellement partie de ces explorations. Ils ouvrent de nouvelles possibilités, mais soulèvent aussi des questions intéressantes sur la fiabilité, l’autonomie et la place du raisonnement humain.
Le Data Engineering#
Enfin, je souhaite conserver et approfondir mes compétences en ingénierie des données.
La construction de pipelines, la qualité des données, les architectures décisionnelles, l’automatisation et la reproductibilité des traitements sont devenues des préoccupations importantes dans ma manière de travailler.
Je ne les considère pas comme de simples compétences annexes. Elles permettent de passer d’une expérience réalisée dans un notebook à un système capable de produire des résultats régulièrement et de manière contrôlée.
Elles peuvent également servir des projets d’économie computationnelle ou de data science, notamment lorsqu’il faut collecter des données, multiplier les simulations ou analyser un grand nombre de scénarios.
Finalement, je ne vois plus ces trois domaines comme des spécialisations concurrentes, mais comme trois façons complémentaires d’aborder un problème.
L’économie m’aide à formuler des questions et à comprendre les mécanismes.
La data science m’apporte des méthodes pour analyser, quantifier et prédire.
Le data engineering me permet de construire les outils et les systèmes nécessaires pour exploiter ces analyses dans de bonnes conditions.
Reste à voir ce que j’arriverai à construire à leur intersection.
Et maintenant, par où commencer ?#
Je n’ai pas de programme parfaitement défini pour les prochaines années. J’ai quelques directions en tête, des sujets que j’aimerais approfondir et des expériences que je voudrais mener, mais je souhaite aussi conserver la liberté de suivre ma curiosité.
J’aimerais continuer à travailler sur des projets concrets, développer mes compétences et rester ouvert aux opportunités professionnelles.
Mais je souhaite également consacrer du temps à des expérimentations plus personnelles.
Reprendre un modèle économique qui m’avait intéressé pendant mes études, tester une simulation multiagents, comparer plusieurs méthodes de prévision ou explorer une nouvelle approche statistique.
Parfois, cela débouchera sur un projet suffisamment abouti pour rejoindre mon portfolio. D’autres fois, ce sera simplement une expérience, une découverte ou une réflexion que je partagerai sur ce blog.
Et certaines expérimentations ne donneront probablement rien de particulièrement remarquable.
Ce n’est pas très grave.
Je crois que j’ai aussi envie de retrouver une certaine liberté d’apprendre, sans devoir systématiquement justifier chaque sujet par son utilité professionnelle immédiate.
C’est peut-être l’une des choses que mes études d’économie m’avaient apportées et que je souhaite préserver : la possibilité de s’intéresser à une question simplement parce qu’elle mérite, à mes yeux, d’être explorée.
La boucle est-elle bouclée ?#
En 2020, j’écrivais que mon passage vers la data ne représentait pas réellement un changement de sujet.
Je le pense toujours.
Depuis 2018, j’ai appris à développer des modèles, à manipuler des données, à construire des systèmes et à travailler sur des problématiques très diverses.
J’ai également découvert à quel point les technologies peuvent évoluer rapidement, parfois jusqu’à modifier notre manière d’exercer un métier.
Mais mes premières interrogations sont toujours là.
Pourquoi les individus agissent-ils comme ils le font ? Comment se forment les phénomènes collectifs ? Comment peut-on modéliser, mesurer et comprendre des systèmes complexes ?
Ce sont les mêmes questions qui m’avaient attiré vers l’économie.
Alors, la boucle est-elle bouclée ?
Pas tout à fait.
Je ne reviens pas à mon point de départ. Je reviens vers certaines de mes premières passions, mais avec davantage d’expérience, de nouvelles compétences et probablement une autre façon de voir les choses.
Et je ne sais pas encore où cela me conduira.
Il y a huit ans, je voulais surtout élargir ma boîte à outils pour mieux comprendre et analyser les phénomènes qui m’intéressaient.
Aujourd’hui, j’ai envie de prendre davantage de temps pour choisir les questions auxquelles je souhaite consacrer ces outils.
Finalement, je n’ai toujours pas vraiment changé de sujet.
Mais j’ai encore beaucoup à découvrir.
Cet article fait suite à « De l’économie à la data : je ne change pas vraiment de sujet », publié en août 2020. Six années séparent ces deux réflexions, et huit années se sont écoulées depuis mes premiers pas dans la data, en 2018.
