Science des données : comment le MIT bâtit un réseau mondial de talents

La science des données est souvent présentée comme une affaire d’outils, de code et d’algorithmes. Mais, pour qu’elle produise des résultats utiles dans une entreprise, une administration ou une association, elle dépend aussi de femmes et d’hommes capables de poser les bonnes questions, de comprendre les limites des chiffres et de travailler avec les personnes concernées. C’est sur cette articulation entre savoirs fondamentaux, projets réels et relations durables que se construit un véritable réseau de talents.

À mesure que les organisations utilisent davantage les données pour éclairer leurs choix, le besoin de profils formés s’intensifie. La réponse ne peut pas se limiter à recruter des spécialistes déjà opérationnels : elle passe également par des parcours accessibles, exigeants et reliés aux réalités du terrain. Le MicroMasters Program in Statistics and Data Science du Massachusetts Institute of Technology, ou MIT, et son partenariat avec le Brescia Institute of Technology (BREIT) au Pérou offrent un exemple concret de cette démarche.

La science des données commence par les fondamentaux

L’essor de l’intelligence artificielle a rendu les outils d’analyse et d’apprentissage automatique plus visibles. Il ne dispense pas pour autant de maîtriser les fondements mathématiques et statistiques. Un modèle peut produire une prévision, classer des informations ou repérer une tendance, mais son résultat n’a de valeur que si l’on sait examiner les données utilisées, les hypothèses retenues et le degré d’incertitude associé.

Cette culture permet notamment de distinguer une corrélation d’une explication, de repérer une donnée incomplète ou biaisée, et de choisir une méthode adaptée à un problème précis. Elle évite aussi de traiter un résultat généré par un outil comme une vérité automatique. Dans des domaines où les décisions peuvent toucher à l’éducation, au logement ou à l’allocation de ressources, cette prudence est essentielle.

La formation en science des données ne se réduit donc ni à apprendre un langage informatique ni à utiliser une plateforme d’IA. Elle associe plusieurs dimensions, dont voici la place dans le parcours décrit par le MIT et le BREIT :

Le MicroMasters du MIT, une formation pensée pour s’adapter

Au MIT, le professeur Devavrat Shah dirige le MicroMasters Program in Statistics and Data Science. Le programme a formé plus d’un millier de diplômés à travers le monde. Son ambition est de proposer un socle rigoureux, tout en laissant aux apprenants une flexibilité dans leur parcours.

Cette souplesse répond à une réalité simple : les personnes qui se forment à la data ne partent pas toutes du même niveau et ne visent pas les mêmes métiers. Certaines veulent approfondir les statistiques, d’autres souhaitent mieux analyser des données dans leur secteur, d’autres encore envisagent de travailler sur des systèmes d’apprentissage automatique. Un parcours modulaire permet de progresser sans abandonner l’exigence des concepts fondamentaux.

Le contenu évolue aussi avec les besoins exprimés par les organisations. L’ajout de cours, notamment sur l’analyse des séries temporelles, illustre cette capacité d’adaptation. Les séries temporelles correspondent à des données observées au fil du temps, par exemple des évolutions mensuelles ou saisonnières. Leur analyse est utile dès qu’il faut comprendre une dynamique, détecter des variations ou établir des prévisions à partir d’observations successives.

L’enjeu n’est pas de courir après chaque nouveauté technique. Il est plutôt de donner aux apprenants les moyens d’aborder de nouveaux outils avec méthode. Cette capacité à apprendre, vérifier et expliquer devient particulièrement importante dans un domaine où les pratiques évoluent rapidement.

Au Pérou, relier le cours aux besoins du terrain

Le partenariat entre le MIT et le Brescia Institute of Technology, ou BREIT, montre ce que peut produire une coopération entre une institution académique internationale et un établissement ancré dans un territoire. Au Pérou, des personnes formées dans le cadre du MicroMasters participent à des projets ayant un impact local, ce qui enrichit à la fois leur apprentissage et l’usage concret de leurs compétences.

Le programme avancé de science des données du BREIT ne met pas uniquement l’accent sur l’aspect technique. Ses participants étudient l’analyse de données et l’apprentissage automatique à travers le MicroMasters, tout en rencontrant des spécialistes de la communication, de la réflexion critique et de l’éthique. Cette combinaison est déterminante : une analyse solide peut rester inutilisée si elle n’est pas comprise par les équipes qui doivent agir, ou si ses conséquences ne sont pas discutées avec rigueur.

Pour Renato Castro, lauréat du programme, ce parcours a constitué un tournant. « J’ai su que l’intelligence artificielle et la science des données étaient l’avenir », explique-t-il. La formation l’a ensuite conduit à travailler sur différents projets dans la région. Son témoignage rappelle que la valeur d’un enseignement réside aussi dans une manière de raisonner : décomposer un problème, examiner les données disponibles, tester une approche et en communiquer clairement les résultats.

Des projets avec les ONG pour passer de l’analyse à l’action

Les exemples de terrain donnent une mesure plus concrète de ce que recouvrent les compétences en science des données. Diego Trujillo Chappa, diplômé du programme, a travaillé avec une organisation non gouvernementale sur l’abandon scolaire. Avec son équipe, il a élaboré un modèle amélioré intégrant des facteurs socio-économiques. L’objectif était de renforcer la capacité opérationnelle de l’organisation face à ce problème.

Cet exemple illustre un point fondamental : les données ne remplacent pas la connaissance des réalités sociales. Elles peuvent, en revanche, aider une organisation à structurer son observation, à prendre en compte plusieurs facteurs et à mieux orienter ses priorités. Les facteurs socio-économiques permettent ici de ne pas réduire un phénomène complexe à une seule variable ou à une lecture purement administrative.

Yajaira Huerta a, de son côté, mobilisé la modélisation de données dans le cadre d’actions liées à la construction de logements pour les personnes sans abri. En période de crise, elle a contribué à identifier les besoins critiques grâce à ces outils. L’intérêt pratique est clair : lorsque les ressources sont limitées, une meilleure compréhension des besoins peut aider à répartir les efforts de façon plus éclairée.

Ces projets ne sont pas seulement des exercices pédagogiques. Ils créent une boucle d’apprentissage utile : les apprenants affrontent des données imparfaites et des contraintes réelles, les organisations bénéficient d’une expertise mobilisée sur leurs enjeux, et les formations peuvent affiner leurs contenus à partir des difficultés rencontrées.

Une communauté mondiale, au-delà du diplôme

Former des personnes individuellement est une première étape. Construire une communauté qui leur permet de continuer à apprendre, d’échanger et de collaborer constitue une seconde étape, tout aussi importante. Les diplômés du MicroMasters ont accès à un réseau mondial d’ateliers et de conférences, où ils peuvent partager leurs expériences et échanger avec des professeurs du MIT.

Certains apprenants ont également eu l’occasion de se rendre sur le campus et d’y rencontrer des étudiants et des chercheurs. Ces rencontres contribuent à transformer un programme de formation en réseau de pratique. Les participants ne disposent plus seulement d’un contenu de cours : ils peuvent confronter leurs approches, trouver des interlocuteurs pour un projet et maintenir un lien avec des personnes confrontées à des questions similaires dans d’autres pays ou secteurs.

Yajaira Huerta résume cette dimension en ces termes : « Je suis passionnée par l’histoire du MIT et ses avancées en IA. » L’intérêt d’un tel réseau ne tient pas uniquement au prestige d’une institution. Il repose sur la circulation des connaissances, sur la possibilité de demander un retour d’expérience et sur l’émergence de collaborations nouvelles.

Du parcours de formation au recrutement de nouveaux profils

Le terme de « pipeline de talents » désigne le chemin qui permet à des personnes d’acquérir progressivement les compétences attendues puis de les mobiliser dans des projets ou des emplois. Dans la science des données, ce pipeline ne se limite pas au diplôme. Il comprend l’identification des prérequis, l’accompagnement pendant la formation, la pratique sur des cas concrets et la capacité des organisations à reconnaître les compétences acquises.

Dans cette perspective, la collaboration avec l’Institute for Data, Systems, and Society, ou IDSS, du MIT comprend le développement d’outils d’évaluation technique. Ces outils servent à apprécier rapidement si les candidats possèdent les connaissances nécessaires avant d’entrer dans le programme. L’objectif est double : orienter les personnes vers un parcours adapté et éviter qu’elles ne se retrouvent face à des exigences pour lesquelles elles ne sont pas préparées.

Le suivi ne s’arrête pas à l’admission. Les assistants pédagogiques fournissent des retours réguliers sur les projets de données. Ce type de retour est précieux dans une discipline appliquée : il aide les apprenants à comprendre non seulement si une réponse est correcte, mais aussi comment améliorer leur démarche, documenter leurs choix ou présenter un résultat. Les organisations qui proposent des projets y trouvent également un intérêt, en bénéficiant d’analyses mieux structurées et d’une relation suivie avec les participants.

Ce qu’il faut surveiller pour bâtir des réseaux durables

L’expérience du MIT et du BREIT dessine plusieurs conditions pour créer un réseau de talents qui ne soit pas un simple annuaire de diplômés. La première est de préserver les fondamentaux statistiques et mathématiques, même lorsque les outils d’IA donnent l’impression de simplifier le travail. La deuxième est de placer les apprenants devant des problèmes concrets, avec des partenaires capables de définir leurs besoins et d’utiliser les résultats.

La troisième condition est d’accorder autant d’importance aux compétences de communication et d’éthique qu’à la technique. Expliquer les limites d’un modèle, écouter les équipes métier et anticiper les effets d’une décision font partie intégrante du travail. Enfin, une communauté vivante suppose des espaces d’échange réguliers : ateliers, conférences, projets collectifs et rencontres entre apprenants, enseignants et organisations.

Pour les employeurs comme pour les établissements de formation, l’enjeu est donc moins de trouver immédiatement le profil parfait que de contribuer à un écosystème durable. En reliant les cours, les évaluations, les projets locaux et les échanges internationaux, ce type de réseau peut faire émerger des professionnels mieux préparés à traiter des problèmes complexes, sans perdre de vue les réalités humaines que les données cherchent à éclairer.