Un open data pour la recherche scientifique

L’État et ses ser­vices publics dis­posent d’un gise­ment extra­or­di­naire de don­nées et d’informations sur les indi­vi­dus et les entre­prises, ayant un carac­tère sen­sible et béné­fi­ciant d’une pro­tec­tion spé­ci­fique : don­nées per­son­nelles, don­nées rele­vant du secret des affaires, etc.

Un potentiel considérable de valorisation économique et sociale

Une masse d’informations aus­si consi­dé­rable col­lec­tée par les admi­nis­tra­tions et ser­vices publics n’implique pas, du fait des garde-fous juri­diques, que ces infor­ma­tions puissent être détour­nées pour des fins autres que celles pour les­quelles elles ont été col­lec­tées, ni même qu’il existe une « auto­ri­té cen­trale » capable de les appa­rier entre elles sans contrôle et auto­ri­sée à le faire.

Elle consti­tue un poten­tiel consi­dé­rable de valo­ri­sa­tion éco­no­mique et sociale au ser­vice de l’intérêt géné­ral et, simul­ta­né­ment, porte en elle une menace poten­tielle à l’égard de la vie pri­vée et de la confiance que les citoyens ont à l’égard de leur gouvernement.

Il est vain d’insister sur le poten­tiel de valo­ri­sa­tion en niant les dan­gers, de même qu’il est vain de pous­ser à l’extrême le prin­cipe de pré­cau­tion en oubliant les bien­faits consi­dé­rables que l’utilisation de ces don­nées peut appor­ter à la société.

Face à cette dif­fi­cul­té, per­mettre à des cher­cheurs d’exploiter ces don­nées dans un cadre strict et sécu­ri­sé peut consti­tuer une réponse d’un inté­rêt majeur.

Bienfaits et dangers

Il est impé­ra­tif de consi­dé­rer simul­ta­né­ment les bien­faits et les dan­gers de l’exploitation de don­nées per­son­nelles comme les deux faces d’une même pro­blé­ma­tique. Des don­nées agré­gées qui ne contien­draient aucune infor­ma­tion ris­quant de mettre en dan­ger la vie pri­vée peuvent pré­sen­ter un inté­rêt indé­niable pour cer­tains acteurs, par exemple pour construire des indi­ca­teurs sur la per­for­mance des centres hos­pi­ta­liers. Mais l’agrégation obère très pro­ba­ble­ment une grande par­tie du poten­tiel de valo­ri­sa­tion des données.

Inver­se­ment, une source de don­nées à haute valeur ajou­tée avec une gra­nu­la­ri­té fine a de grandes chances d’être aus­si une source de dan­ger pour la vie pri­vée si son usage est détourné.

En effet, une base de don­nées, même ren­due ano­nyme, c’est-à-dire sans le nom, pré­nom, adresse et numé­ro de Sécu­ri­té sociale des indi­vi­dus, peut pré­sen­ter un risque réel d’identification des indi­vi­dus pré­sents dans cette base. On parle alors de don­nées indi­rec­te­ment nomi­na­tives et de risque de réidentification.

Autre­ment dit, la pro­ba­bi­li­té n’est jamais nulle qu’en croi­sant les variables de la base de façon sys­té­ma­tique on arrive à iden­ti­fier des indi­vi­dus, d’autant plus si l’on dis­pose d’informations externes supplémentaires.

Un encadrement législatif solide

Quelles sont les solu­tions ? En pre­mier lieu, l’encadrement légis­la­tif et régle­men­taire doit être solide. S’agissant de la France et, plus géné­ra­le­ment, de l’espace euro­péen, cet enca­dre­ment est clai­re­ment éta­bli, via notam­ment les dis­po­si­tions pro­té­geant le secret médi­cal, le secret fis­cal, le secret sta­tis­tique ou encore le secret des affaires, ain­si que l’ensemble des lois et règle­ments euro­péens. En outre, la légi­ti­mi­té et l’autorité de la CNIL sont indiscutables.

Quand il s’agit de recherche scientifique – et non d’open data – le risque à maîtriser est le risque de dissémination

En deuxième lieu, il existe un ensemble de métho­do­lo­gies et d’algorithmes sta­tis­tiques pour réduire le risque de réiden­ti­fi­ca­tion tout en mini­mi­sant la perte d’information asso­ciée. En effet, il y a néces­sai­re­ment perte d’information dès lors qu’on réduit la pro­ba­bi­li­té de réidentification.

Les algo­rithmes et métho­do­lo­gies sta­tis­tiques ont jus­te­ment pour but de mini­mi­ser le ratio entre le « coût » (la perte d’information) et le « béné­fice » (la réduc­tion de la pro­ba­bi­li­té de réidentification).

Mal­heu­reu­se­ment, ce genre de tech­nique conduit en géné­ral à une perte d’information qui fait perdre à la base de don­nées son inté­rêt pour des recherches scien­ti­fiques pous­sées, même si la base garde sou­vent un inté­rêt dans une logique d’open data visant à ali­men­ter le débat public.

Contrai­re­ment à la logique de l’open data, la recherche scien­ti­fique exige en revanche de per­mettre à des cher­cheurs dûment auto­ri­sés de pou­voir tra­vailler direc­te­ment sur les don­nées brutes les plus exhaustives.

Face au risque de réiden­ti­fi­ca­tion par nature très impor­tant, l’enjeu cru­cial est plu­tôt d’empêcher toute fuite de don­nées en dehors du cercle strict des seuls cher­cheurs auto­ri­sés. Le risque à maî­tri­ser n’est donc plus le risque de réiden­ti­fi­ca­tion mais le risque de dissémination.

S’enfermer dans un bunker

Long­temps, la seule « tech­no­lo­gie » uti­li­sable pour pré­ve­nir le risque de dis­sé­mi­na­tion rele­vait de la tech­nique du « bun­ker », c’est-à- dire la construc­tion d’un centre phy­sique dans lequel le cher­cheur doit se rendre, être fouillé à l’entrée et la sor­tie, et sur­veillé pen­dant tout le temps où il tra­vaille sur les don­nées à l’intérieur de ce bunker.

Les pre­miers centres phy­siques ont été créés aux États-Unis ou au Cana­da il y a plu­sieurs décennies.

Pour l’anecdote, aux États-Unis, le centre phy­sique est sur­veillé par la police et c’est un poli­cier qui fouille le cher­cheur avant et après l’entrée dans le bun­ker. Inutile de dire que cette façon de faire de la recherche est très coû­teuse et ne cor­res­pond pas vrai­ment aux pra­tiques de la recherche scientifique.

La deuxième géné­ra­tion tech­no­lo­gique a por­té sur le remote exe­cu­tion dans lequel le cher­cheur n’a pas accès aux don­nées et se contente d’envoyer son pro­gramme infor­ma­tique à l’administration pro­prié­taire des don­nées qui se charge alors de le faire tour­ner et ren­voie les résul­tats au cher­cheur (après avoir véri­fié que rien de confi­den­tiel ne s’y trou­vait). Très lourd aussi.

La troi­sième géné­ra­tion a natu­rel­le­ment consis­té à implé­men­ter un logi­ciel de sécu­ri­té sur le poste infor­ma­tique du cher­cheur mais cette solu­tion, uti­li­sée aux Pays-Bas par exemple, est extrê­me­ment coû­teuse à gérer (il n’y a pas deux cher­cheurs sur terre qui ont le même maté­riel et le même envi­ron­ne­ment infor­ma­tique) et, au final, très peu sécu­ri­sée, car le cher­cheur est sou­vent admi­nis­tra­teur de son poste de travail.

Travailler à distance

L’administration fran­çaise est en pointe car elle a déve­lop­pé la qua­trième géné­ra­tion grâce à une inno­va­tion tech­no­lo­gique bre­ve­tée et label­li­sée « Équi­pe­ment d’excellence » qui per­met à des cen­taines de cher­cheurs fran­çais et euro­péens de tra­vailler à dis­tance sur des don­nées confi­den­tielles sans risque de dissémination.

Les données ne quittent jamais les serveurs centraux

Cette solu­tion tech­no­lo­gique repose sur un ter­mi­nal phy­sique minia­tu­ri­sé (SD Box) qui fonc­tionne en remote access, qui est tota­le­ment indé­pen­dant du réseau infor­ma­tique local et qui néces­site une iden­ti­fi­ca­tion bio­mé­trique forte (par empreinte digi­tale) pour être utilisé.

Ain­si, les don­nées ne quittent jamais les ser­veurs cen­traux de l’administration fran­çaise, les­quels ser­veurs sont eux-mêmes tota­le­ment étanches aux réseaux infor­ma­tiques de l’administration et ne peuvent dia­lo­guer qu’avec les ter­mi­naux SD Box.

---

Articles similaires :

L’eau douce : enjeux et défis pour la recherche en France et en europe Loïc Ber­trand (94), le goût de la recherche Sophie Bour­zeix (87), la recherche appli­quée n’est pas sans risques Les grands pro­jets de recherche EMBLEEMA Par­ta­ger ses don­nées de san­té pour faire pro­gres­ser la recherche