Dans cet article, nous discutons des développements récents de la recherche en apprentissage statistique, qui ambitionnent de repenser l’avenir des essais cliniques. Ces travaux visent à pallier les limites inhérentes à ces derniers et à permettre la prédiction des effets de traitement dans des populations distinctes de celles étudiées initialement. Ils s’inscrivent ainsi dans une perspective plus large de personnalisation des traitements, où la prise en charge est adaptée en fonction des caractéristiques individuelles de chaque patient.

Si la « médecine personnalisée » s’impose désormais comme un idéal régulièrement invoqué, force est de constater que, dans de nombreux domaines, le paradigme du one-size-fits-all — un traitement identique pour l’ensemble des patients — demeure prédominant. Cette situation s’explique entre autres par la difficulté, voire la subtilité, qu’il y a à établir de manière robuste l’effet moyen d’un traitement au sein d’une population donnée.

1) L’essai clinique randomisé : un étalon d’or aux nombreuses limitations. 

Les essais cliniques randomisés constituent l’étalon d’or de la médecine fondée sur les preuves (“evidence-based medicine”) pour évaluer l’efficacité d’une intervention sur une population. Dans leur forme la plus simple, ils consistent à recruter des volontaires puis à les répartir aléatoirement entre un groupe recevant le traitement étudié et un groupe témoin recevant un traitement de référence. Cette randomisation assure, en moyenne, l’équilibre des caractéristiques initiales (âge, facteurs de risque, antécédents médicaux) entre les groupes, permettant ainsi d’attribuer avec confiance toute différence observée à l’intervention testée. Les essais permettent donc d’isoler l’effet propre du traitement en minimisant l’influence de facteurs confondants : c’est ce que l’on appelle la validité interne.

Malgré leur rigueur méthodologique, les essais cliniques randomisés présentent des limitations majeures. Ils sont tout d’abord coûteux et chronophages : en contexte d’urgence sanitaire, comme lors de la pandémie de Covid-19, leur temporalité peut se révéler incompatible avec l’exigence de décisions rapides, rendant nécessaire le recours à d’autres sources de preuves pour évaluer l’efficacité d’un vaccin ou d’un traitement. Ensuite, il n’est ni possible ni éthique de mener un essai dans toutes les situations. On ne saurait, par exemple, assigner un groupe de volontaires à fumer pendant vingt ans afin d’en observer les effets. Enfin, les critères stricts d’inclusion et d’exclusion — souvent indispensables pour des raisons de sécurité — entraînent deux conséquences majeures :

• Des populations restreintes : la taille médiane des essais cliniques en chirurgie n’atteint que 122 participants, ce qui limite non seulement la puissance statistique, compromettant la détection d’effets pourtant réels mais rend aussi difficile l’usage de méthodes d’intelligence artificielle, gourmandes en données, ou la personnalisation des traitements (identifier « un patient qui me ressemble »).
• Un déficit de validité externe : ces critères conduisent à sélectionner des participants éloignés des profils rencontrés en pratique courante — par exemple, un groupe homogène d’hommes jeunes et en bonne santé, là où les patients réels sont souvent plus âgés, présentent des comorbidités, ou appartiennent à des populations vulnérables. Les femmes enceintes, les personnes âgées ou les patients avec des maladies chroniques en sont fréquemment exclus. Cela conduit à des effets de traitements estimés sur des populations qui diffèrent des populations qui pourraient bénéficier du traitement (en mathématiques, cela correspond à ce qu’on appelle un changement de distribution). Dans certains domaines, tels que les pathologies respiratoires ou allergiques, moins de 10 % des patients qui recevront effectivement le traitement dans la vie réelle correspondent au profil des participants inclus dans les essais [Pahus2019]. Cette absence de représentativité n’est pas anodine : elle réduit la portée clinique et politique des conclusions, et crée une inégalité dans la connaissance médicale, en laissant certains sous-groupes de patients avec un déficit de preuves pour guider leur prise en charge.

2) Les données de vie réelle : une richesse à exploiter avec prudence

Face aux limites des essais cliniques, les autorités sanitaires, telles que la U.S. Food and Drug Administration (FDA) et l’European Medicines Agency (EMA) [HMA_RW2024], s’appuient de plus en plus sur l’analyse de données dites « de vie réelle » pour guider la décision médicale et réglementaire en complément des essais cliniques. Ces données peuvent provenir de la recherche (registres, cohortes, biobanques, études épidémiologiques) ou de la pratique courante (dossiers médicaux électroniques, bases administratives ou d’assurance, applications patients).  Elles peuvent, dans une certaine mesure, être plus rapidement accessibles que les données d’essais cliniques, mais surtout elles offrent une représentation plus fidèle des populations susceptibles de bénéficier d’un traitement. Leur volume et leur diversité ouvrent ainsi des perspectives considérables.

Cependant, leur exploitation se heurte à un obstacle majeur : l’absence de randomisation. Dans les données de vie réelle, les traitements sont attribués selon des critères médicaux ou logistiques, ce qui introduit des biais de confusion.

C’est pourquoi l’analyse de données de vie réelle demeure exposée aux critiques. Pour établir un lien de causalité — et aboutir à des conclusions comparables à celles d’un essai randomisé (ce que l’on nomme l’« émulation d’essai clinique » [Hern2016]) — il est indispensable de distinguer l’effet propre d’un traitement de l’influence des variables confondantes. Cela suppose de disposer de l’ensemble de ces variables, comme la sévérité dans l’exemple précédent. La taille des bases de données ne résout pas ce problème : sans les bonnes variables, aucune méthode, même l’algorithme d’intelligence artificielle le plus sophistiqué, ne permet de séparer corrélation et causalité. En pratique, le “design” de l’étude  — sa conception et sa structuration pour répondre à une question précise  — est souvent plus déterminant que la méthode d’analyse. C’est pourquoi un dialogue étroit entre méthodologistes, cliniciens et experts en données est essentiel dès la conception du projet, afin d’identifier les informations à collecter et de définir les méthodes d’analyse les plus adaptées.

Ces méthodes peuvent aller des méthodes statistiques classiques, comme les régressions multivariées, à des approches plus récentes d’apprentissage statistique ou d’intelligence artificielle, telles que le double machine learning [Cherno2018]. Ces techniques permettent de modéliser des relations complexes et de traiter des données massives, hétérogènes et parfois décentralisées, notamment grâce à l’apprentissage fédéré.

Notons qu’il existe toutefois des approches, comme les analyses de sensibilité, qui permettent de renforcer la confiance dans les conclusions même en présence de facteurs confondants non observés. C’est notamment grâce à ce type de méthodes que l’effet causal du tabagisme sur le cancer du poumon a pu être conforté [Cornfield1959].

3) Les promesses et les défis de l’intégration de données

Combiner les informations issues des essais randomisés et des données de vie réelle  constitue aujourd’hui un domaine de recherche extrêmement actif. L’idée centrale est que certaines connaissances peuvent émerger d’analyses intégratives, en combinant les forces des différentes sources de données, que l’on ne pourrait jamais obtenir en analysant chaque source de données isolément.

Parmi les applications à fort potentiel, trois se distinguent particulièrement :

1. Prédire l’effet d’un traitement évalué dans un essai sur une nouvelle population cible, différente de celle de l’essai initial  — ce que l’on désigne parfois sous les termes de transportabilité, généralisation, et qui se rattache également aux méthodes d’adaptation de domaines.
2. Comparer les résultats d’essais cliniques et de données de vie réelle afin de valider et consolider les méthodes d’analyse de données de vie réelle.
3. Mieux estimer les effets hétérogènes d’un traitement (i.e. l’effet du traitement dépend des caractéristiques du patient), ouvrant la voie à une personnalisation plus fine des soins.

Prenons le premier cas : prédire l’effet d’un traitement dans une population cible différente de celle de l’essai. Ces approches, de plus en plus considérées comme essentielles, pour repenser le rôle des essais cliniques dans la production de preuves médicales, ont des implications majeures. En France, la prise en charge ou non des médicaments par la solidarité nationale repose sur leur efficacité [FHA2024], et l’amélioration thérapeutique conditionne aussi leur prix. Ainsi, la capacité à anticiper les bénéfices d’un traitement dans des populations diverses, notamment celles qui en bénéficient, peut influencer non seulement les prix (et donc les dépenses associées), mais aussi l’accès aux soins et les politiques de santé. Par ailleurs, des travaux récents suggèrent que les méthodes de généralisation pourraient également redéfinir le rôle de la méta-analyse [Berenfeld2025], traditionnellement placée au sommet de la hiérarchie de la médecine fondée sur les preuves.

Les techniques actuelles — pondération, régression, ou approches hybrides — permettent  d’ajuster les différences de caractéristiques entre la population de l’essai et la population cible. Imaginons un traitement dit hétérogène dont l’efficacité varie fortement selon l’âge : quasi nulle chez les jeunes, mais bénéfique pour les personnes âgées. Un essai incluant des participants de 20 à 65 ans, majoritairement âgés de 25 ans, ne reflète pas une population cible couvrant le même intervalle mais avec une majorité de participants autour de 60 ans. Pour prévoir l’effet du traitement, à partir des résultats de l’essai, dans la population cible, la méthode de pondération par probabilité inverse (inverse propensity weighting), couramment utilisée en sondages,  attribue plus de poids, aux participants âgés de l’essai, afin que la distribution des âges de l’échantillon pondéré corresponde à celle de la population cible. Ainsi, un traitement dont l’efficacité a été démontrée par un essai en France pourrait être réévalué pour les États-Unis en pondérant les participants français de façon à ce qu’ils ressemblent aux Américains.

Un des principaux défis est que cette approche exige un certain recouvrement des caractéristiques entre les deux populations. Or, dans la pratique, ce recouvrement est souvent limité. Par exemple, si un essai a été mené uniquement sur des individus de 20 à 40 ans et que l’on souhaite prévoir l’effet du traitement chez des personnes de 40 à 60 ans (un traitement efficace chez de jeunes adultes le sera-t-il aussi chez les personnes âgées ?), ou encore si un traitement a été testé exclusivement chez des hommes et que l’on souhaite extrapoler aux femmes, on sort de la zone de simple réajustement statistique pour entrer dans celle de l’extrapolation, beaucoup plus incertaine et risquée. Ces situations posent des questions méthodologiques et cliniques majeures : les résultats obtenus dans un contexte géographique, culturel ou sanitaire donné peuvent-ils être valables dans un autre ? Autant de problématiques qui sont aujourd’hui au cœur des recherches en intelligence artificielle sur la fusion des données et la transportabilité des effets de traitement.

4) Quelle mesure choisir pour estimer un effet de traitement ?

Jusqu’à présent, nous avons surtout discuté des sources de données utilisées pour estimer un effet de traitement : les essais cliniques, qui permettent de démêler l’effet du traitement de celui des autres facteurs ; les données de vie réelle, plus représentatives des populations d’intérêt et disponibles en grand volume ; et enfin les approches qui combinent ces deux sources afin de tirer parti de leurs forces respectives et de compenser leurs faiblesses. Mais nous n’avons pas encore abordé une question centrale : comment mesure-t-on concrètement un effet de traitement ?

Prenons un exemple. Dans un essai clinique, un médicament vise à réduire le risque d’accident vasculaire cérébral (AVC) dans les cinq années suivant la prescription. Supposons que 3 % des patients non traités fassent un AVC, contre 1 % parmi les patients traités. À première vue, on peut dire que le traitement fonctionne.  Mais cet effet peut être exprimé de plusieurs manières.

C’est pourquoi les autorités de santé exigent, pour les essais cliniques, la présentation de plusieurs indicateurs afin de permettre une lecture nuancée des résultats. Et il est important que le public ait accès à ces différentes façons de lire les résultats. Il existe de nombreuses mesures d’effet — risk difference, risk ratio, odds ratio, number needed to treat (nombre de patients à traiter pour éviter un événement indésirable) — qui non seulement  donnent des impressions différentes, mais  dépendent aussi du risque de base: diviser un risque par trois n’a pas le même impact selon qu’il soit initialement de 90 % ou de 0,3 %. Et cela vaut déjà pour l’essai clinique, considéré comme la source de données la plus « propre », et ne concerne qu’un effet moyen dans la population, sans même aborder la question des effets individualisés. Une autre subtilité tient au fait qu’un effet peut apparaître homogène ou hétérogène selon la mesure retenue : ainsi, il peut varier avec l’âge en différence de risque, tout en restant constant en rapport de risque. Ce phénomène rappelle qu’il est essentiel de recourir à plusieurs indicateurs pour restituer une vision complète des effets d’un traitement, tout en affinant la compréhension mathématique des phénomènes sous-jacents. Cette diversité de mesures est fondamentale pour guider la décision médicale et réglementaire en tenant compte du contexte, des priorités et du profil des patients.

5) Et la personnalisation dans tout ça ? 

Nous avons vu comment estimer l’effet moyen d’un traitement dans une population donnée. Prédire cet effet dans une autre population constitue déjà, en un sens, une première étape vers la personnalisation des traitements. Mais il est possible d’aller plus loin. La littérature scientifique regorge d’extensions des méthodes classiques (pondération, régression, etc.) permettant d’adapter les traitements aux caractéristiques individuelles des patients. Cependant, il reste nécessaire de mener davantage de recherches pour renforcer la confiance dans les résultats produits par ces approches.

Prenons un exemple : pour déterminer la dose optimale d’un traitement en fonction du profil d’un patient, on trouve aisément plus d’une vingtaine d’algorithmes, chacun déclinable en plusieurs variantes. Résultat : des dizaines de recommandations possibles, parfois très éloignées de la dose que le médecin prescrirait réellement. Du point de vue du patient, cette disparité peut être déstabilisante ; du point de vue du médecin, elle constitue un obstacle majeur à l’adoption de ces méthodes. D’où l’importance de poursuivre les travaux, notamment pour mieux quantifier l’incertitude associée aux décisions — un défi qui reste largement statistique.

Par ailleurs, un fossé important subsiste entre la théorie et la pratique. Les articles méthodologiques abondent, mais les implémentations concrètes et pérennes restent rares. Les raisons sont multiples : incitations académiques orientées vers la production de nouvelles méthodes plutôt que la consolidation d’approches existantes ou encore absence d’infrastructures pour maintenir du code et des logiciels sur le long terme.

Il est crucial de rappeler que, même si l’IA permet d’exploiter des données toujours plus complexes et volumineuses, la qualité des données reste déterminante. Certaines informations essentielles peuvent être absentes des données: état psychologique, recours à des thérapies alternatives (ex. acupuncture), liens entre financement et gravité des cas, désaccords au sein des équipes soignantes. Ces éléments ne peuvent parfois être identifiés qu’au travers de discussions collaboratives.

En définitive, c’est le travail main dans la main entre expert IA, statisticien et clinicien qui permettra de transformer les avancées méthodologiques en bénéfices réels pour les patients et toutes les parties prenantes (personnels de santé, etc.).

Les avancées dans ce domaine sont prometteuses, et pourraient à court terme contribuer à éclairer les décisions des autorités de santé, tout en favorisant une médecine plus équitable et mieux personnalisée.

Julie Josse, Chercheuse Inria

Pour aller plus loin

[Pahus2019] Pahus, L., et al (2019). Randomised controlled trials in severe asthma: selection by phenotype or stereotype. European Respiratory Journal. 

[HMA_RW2024] Real-world evidence framework to support EU regulatory decision-making 3rd report on the experience gained with regulator-led studies from February 2024 to February. 2025https://www.ema.europa.eu/en/documents/report/real-world-evidence-framework-support-eu-regulatory-decision-making-3rd-report-experience-gained-regulator-led-studies-february-2024-february-2025_en.pdf

[Cherno2018] Chernozhukov et at. (2018).  Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal.

[Hern2016] Hernan M. A. & Robins, J.M. (2016). Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available. American Journal of Epidemiology.

[Cornfield1959] Cornfield J, Haenszel W, and Hammond EC et al. (1959). Smoking and lung cancer: recent evidence and a discussion of some questions. J Natl Cancer Inst., 22:173–203.

[Haas2021] Haas et al. (2021). Impact and effectiveness of mRNA BNT162b2 vaccine against SARS-CoV-2 infections and COVID-19 cases, hospitalisations, and deaths following a nationwide vaccination campaign in Israel: an observational study using national surveillance data. The Lancet. 

[Berenfeld2025] Berenfeld, C. et al. (2025). Causal Meta Analysis: Rethinking the foundations of evidence-based medicine.

[FHA2024] French Health Authority (2024). Pricing & reimbursement of drugs and hta policies in france.

Vous avez probablement déjà vu l’intelligence artificielle (IA) représentée sous la forme d’un robot humanoïde plus ou moins sympathique.

Cette représentation anthropomorphique est vivement critiquée, car les intelligences artificielles à notre disposition sont encore loin de prétendre à égaler l’humain, à part peut-être dans notre prédisposition à inventer ce que l’on ne sait pas.

Une alternative beaucoup plus pertinente pour illustrer l’intelligence artificielle serait une banale caisse à outils. Car l’intelligence est d’abord dans ce que l’utilisateur fait de l’IA.

Néanmoins, l’IA n’est pas un outil banal et je souhaite vous parler dans cet article du petit miracle qui s’opère lorsque l’on confie une intelligence artificielle générative à un développeur informatique.

L’IA générative, une IA démocratisée

Jusqu’à présent, l’intelligence artificielle était le pré carré des analystes de données et ingénieurs en apprentissage automatique – machine learning et deep learning. Pour chaque problème à résoudre, il fallait concevoir, entraîner et mettre en œuvre une nouvelle intelligence artificielle. Un algorithme capable de reconnaître des chats ne pouvaient pas reconnaître différentes espèces d’oiseaux tant qu’il n’était pas entraîné pour cela.

L’intelligence artificielle générative a engendré une disruption aussi brutale que soudaine qui s’explique en partie par sa capacité à parler comme l’humain, mais surtout par sa polyvalence.

Les grands modèles de langages ou « LLM » (voir un lexique sur ce sujet), c’est-à-dire les modèles profonds de grande taille qui sont le cerveau de l’IA générative, peuvent être programmés pour réaliser toutes sortes de tâches par le biais d’un prompt écrit en langage naturel.

« Genère moi un email », « reformule moi le titre de cet article », ou encore « écrit moi une dissertation, fait vite car je dois la rendre demain » sont désormais des instructions informatiques tout à fait valide, il suffit de donner ces prompts à ChatGPT et Mistral pour obtenir le résultat escompté.

Cette avancée ne se limite pas au texte, les modèles profonds de grande taille, appelés modèles de fondation, existent aussi pour les images, les séries temporelles et d’autres typologies de données.

Tout un chacun peut s’approprier l’IA générative depuis son ordinateur ou son smartphone et l’on peut déjà constater sa démocratisation en milieu professionnel, scolaire ou pour un usage personnel.

Les résultats sont impressionnants, amusants ou inquiétants selon le point de vue. Et pourtant, je pense que nous n’effleurons que la surface des capacités de l’intelligence artificielle générative si l’on se cantonne à cette utilisation directe.

La naissance d’une nouvelle informatique fondée sur l’intégration entre IA et génie logiciel

Intégrer l’IA générative dans des programmes informatiques décuple immédiatement sa puissance. Les instructions transmises à l’IA peuvent être multipliées à l’infini par des boucles, conditionnées par des opérations logiques, interconnectées avec les systèmes d’information des entreprises.

Bien que le jargon puisse impressionner, il n’y a en fait ici rien de compliqué. Montre en main, il faut 30 minutes pour apprendre à des professionnels non développeurs comment déclencher leur premier appel vers un LLM depuis un outil d’automatisation libre tel que n8n.

Moyennant un peu de temps et de patience, tout le monde peut apprendre à créer des petits programmes intégrant l’intelligence artificielle, ce n’est pas plus dur que d’apprendre les bases de la guitare ou de la peinture à l’huile. En tant que formateur, j’utilise désormais l’IA générative comme un prétexte pour former les débutants en programmation aux langages Python et JavaScript.

Cette rencontre entre la programmation informatique traditionnelle et l’IA n’a rien anodin. On assiste à la naissance d’une nouvelle informatique qui n’est plus fondée uniquement sur des relations logiques formelles. L’IA apporte la créativité, la capacité de généralisation ou encore la tolérance aux incohérences qui manquaient jusqu’à présent à l’informatique.

L’IA générative permet d’apporter une réponse floue à des problèmes flous. Par exemple, tout le monde s’est déjà rendu compte que les processus administratifs n’étaient jamais vraiment rationnels et encore moins exempts de cas particuliers et de situations contradictoires. Un circuit logique ne peut pas capturer cette complexité, mais l’IA peut la tolérer par sa capacité à réagir aux situations inattendues.

C’est l’informatique qu’auraient voulu voir naître Von Neumann et Turing mais que la puissance de calcul de leur époque n’aurait jamais laissé espérer, les contraignants à une approche entièrement logique.

Le retour sur investissement de l’IA générative dépend fortement des développeurs informatiques

Il en résulte que l’impact de l’intelligence artificielle sur les entreprises ne découlera probablement pas de l’introduction de plateformes grand public comme ChatGPT ou Mistral, mais de l’appropriation de ces technologies par les acteurs traditionnels de l’automatisation, notamment les développeurs informatiques.

Je prône l’adoption du terme « développement LLM » pour qualifier cette discipline naissante, comme un miroir « développement web » ou du « développement logiciel » au sens large.

Le rôle des développeurs paraît encore sous-estimé aujourd’hui en 2025. La capacité de l’intelligence artificielle à parler comme les humains nous éblouit, mais réduit par là même notre capacité à observer des phénomènes plus techniques, plus discrets mais peut-être plus impactants.

Les développeurs informatiques eux-mêmes sont concentrés sur l’impact de la génération automatique de code informatique sur leur métier, dans un contexte économique difficile selon les domaines, et n’ont pas encore eu le temps de s’intéresser pleinement à la possibilité de créer leurs propres systèmes d’intelligence artificielle. On pourra se référer à un article récent sur le sujet avec une analyse économique.

Le terme « agent » gagne toutefois en popularité en informatique. Il transcrit une forme extrême de symbiose entre l’informatique logique et l’IA. On peut définir un agent comme un programme informatique rendu autonome et capable de décision grâce à l’utilisation de l’intelligence artificielle en plusieurs points de son code.

Quand vous parlez à ChatGPT, vous parlez sans le savoir à un « agent », qui possède par exemple des capacités d’analyse de documents. Cette analyse ne provient qu’en partie du LLM, le cerveau du système : le découpage et le stockage des documents complexes dans des bases de données adéquates est tout aussi important pour produire une analyse de qualité. Ces étapes sont gérées par des systèmes informatiques traditionnels, non-intelligents. Le pré-traitement et le rangement optimal des documents est très important, au point qu’il s’agit d’un champ de recherche à part entière, le « RAG » ou « génération augmentée par une recherche ».

En définitive, tirer parti de l’intelligence artificielle n’est plus un problème de données, mais un problème de génie logiciel.

Mon opinion est que si demain tous les chercheurs en intelligence artificielle cessaient leurs travaux pour prendre des vacances bien méritées et que les LLM stagnaient pour toujours, il serait toujours possible de faire d’immense progrès en apprenant à utiliser plus intelligemment les modèles déjà existants.

Va-t-on tout automatiser ?

L’automatisation des métiers par l’IA est au cœur de toutes les réflexions. On peut citer dans ce domaine l’analyse de l’Organisation Internationale du Travail, qui procède à un découpage des métiers en tâches pour identifier celles qui sont automatisables par l’IA, ou encore les analyses du prix Nobel d’économie Daron Acemoğlu (lien vidéo).

Doit-on alors s’attendre à voir une vague d’automatisation de tâches toujours plus complexes, à mesure que les programmeurs informatiques s’approprient l’intelligence artificielle générative ?

C’est une hypothèse raisonnable mais je tends à adopter une approche conservatrice de l’automatisation. Car l’automatisation est une discipline empirique, un phénomène qui ne peut s’analyser pleinement qu’ex post. C’est-à-dire que pour prouver qu’une tâche est automatisable de façon certaine, il n’y a pas d’autre méthode que procéder à son automatisation.

Si l’on se contente de considérer que l’automatisation est possible, sans jamais la mettre en œuvre, nous sommes face à une automatisation hypothétique. Et les hypothèses n’apportent que très rarement des gains de productivité et des points de croissance dans l’économie.

Avons-nous seulement effleuré la surface de l’intelligence artificielle générative ?

Je réponds probablement, mais surtout je retourne réviser mon code Python, car c’est au tour des développeurs informatiques d’écrire la prochaine page de l’impact de l’intelligence artificielle sur les entreprises et la société au sens large.

Eric Burel, Ingénieur ENSIMAG,  LBKE – www.lbke.fr, Formateur en intelligence artificielle générative,

Après plus de dix ans d’hébergement par Le Monde, et une super expérience, binaire vient de migrer pour le site de La Recherche. Toutes les archives avec leur immense diversité, et leur incroyable valeur, sont disponibles. Nous remercions nos nombreux auteurs et très nombreux lecteurs et sommes convaincus qu’ils nous resteront fidèles.

Notez notre nouvel URL : https://blogbinaire.larecherche.fr

Au revoir Le Monde ! … Bonjour La Recherche !

PS : et merci à la Société Informatique de France pour son soutien dans cette migration.

Après plus de dix ans d’hébergement par Le Monde, et une super expérience, Binaire migre à la demande du Monde. Nous gardons toute notre amitié au journal Le Monde que nous remercions pour la riche expérience de ces années.

Nous rejoignions aujourd’hui le site de La Recherche. Toutes les archives avec leur immense diversité, et leur incroyable valeur, resteront disponibles. Nous remercions nos nombreux auteurs et très nombreux lecteurs et sommes convaincus qu’ils nous resteront fidèles. 

Notez notre nouvel URL : https://www.larecherche.fr/blogbinaire

Au revoir Le Monde ! … Bonjour La Recherche !

Sa passion pour la programmation débute tôt : à quinze ans, il conçoit un jeu de Mastermind qui lui vaut, en 1982, le Prix scientifique Philips pour les jeunes. C’est la première de nombreuses distinctions. En 2007, il obtient le Grand prix de philosophie de l’Académie française pour le livre, “Les Métamorphoses du calcul. Une étonnante histoire de mathématiques”. Dans cet ouvrage, il montre comment les mathématiques et la logique se transforment au XXᵉ siècle avec l’intégration de la notion de calcul.  Il reçoit le Grand prix d’informatique Inria – Académie des sciences en 2023, et la Médaille Histoire des Sciences et Épistémologie de cette même académie en 2024. Autant de signes qu’il fut l’un des meilleurs scientifiques de son domaine, mais aussi bien plus que cela.

Ses recherches ont porté sur la formalisation des preuves mathématiques, et sur la mécanisation de leur conception. Un logiciel peut alors vérifier la preuve d’un théorème, aider un humain à en trouver une, voire dans certains cas, trouver automatiquement une telle preuve. Si les langages informatiques suffisamment puissants permettent tous d’exprimer les mêmes fonctions, les fonctions calculables, il n’en est pas de même pour l’expression des preuves. Les langages d’expression de preuves sont souvent incomparables. Gilles s’est alors attelé à une tâche ambitieuse : concevoir un langage universel de preuve, Dedukti, capable de représenter des démonstrations issues de divers systèmes logiques, et de faciliter leur traduction mutuelle. Il rêvait d’une bibliothèque universelle de preuves mathématiques.

Gilles a également tenu une place essentielle dans le mouvement qui a conduit à généraliser l’enseignement de l’informatique dans les collèges et lycées français. Il a participé au rapport de l’Académie des sciences “L’enseignement de l’informatique en France : il est urgent de ne plus attendre” (2013), puis à l’élaboration du premier programme officiel et du premier manuel scolaire d’informatique. Signe de la qualité de ses analyses et de ses contributions, il a été nommé au conseil supérieur des programmes en 2023. 

Gilles était également un penseur, un philosophe. Il partageait avec son ami Michel Serres le goût de l’illustration lumineuse, du récit juste. Il excellait à rendre limpide l’abstrait, à frapper les esprits par des exemples pertinents, souvent inattendus. C’était un immense passeur de sciences. Ses livres de médiation scientifique ont marqué, tout comme la pièce de théâtre Qui a hacké Garoutzia, coécrite avec Serge Abiteboul et Laurence Devillers, mise en scène à Avignon par Lisa Bretzner.

Gilles a relié sa pensée scientifique riche, informée et d’une largeur remarquable, incluant la science informatique, mais aussi la recherche en quantique, avec l’éthique du numérique en tant que réflexion sur les conduites humaines et les valeurs qui les fondent. Dès le début des années 2000, il s’est associé aux développements des réflexions sur l’impact sociétal des sciences et technologies numériques. Il a participé à la CERNA (Commission de réflexion sur l’éthique de la recherche en sciences et technologies du numérique) puis a été un membre particulièrement actif et apprécié du CNPEN (Comité national pilote d’éthique du numérique) où ses analyses et propositions ont été remarquablement éclairantes. Par sa profonde culture scientifique et sa vision du domaine du numérique, il savait porter des analyses précises et factuelles sur l’état des impacts du numérique sur notre société tout en ayant une vision prospective pertinente et convaincante.

Profondément militant, Gilles a contribué directement à mettre en pratique ses idées, convictions et compétences. Il a présidé l’ARDHIS (Association pour la reconnaissance des droits des personnes homosexuelles et trans à l’immigration et au séjour). Il a été directeur scientifique adjoint d’Inria de 2010 à 2013, Il a contribué à la mise en place effective en France des cours en ligne ouverts et largement disponibles (Mooc) qui se prolongent aujourd’hui dans Fun (France Université Numérique) et le Learning Lab d’Inria. Il a participé au Comité national pilote d’éthique du numérique, et au Conseil national du numérique. 

Dans toutes les différentes facettes de sa vie, Gilles a été brillant, original, drôle, doté d’un humour éclairant et parfois impertinent, rigoureux, passionné, chaleureux, admirable dès qu’on le connaissait, et profondément humaniste avant tout.

Il reste pour nous un ami, et pour tous, un modèle. 

Serge Abiteboul, Inria et ENS Paris, Claude Kirchner, Président du CCNE du numérique et Inria.

Gilles et Binaire

Gilles a été un des premiers éditeurs du blog binaire. Il est resté un ami fidèle :

• L’universalité de la vérification des démonstrations mathématiques, Entretien de Gilles Dowek avec Serge Abiteboul et Claire Mathieu, 2024 
• L’expo Réseaux-Monde au Centre Pompidou, Gilles Dowek et Fabien Tarissan, 2022
• L’informatique, quelques questions pour se fâcher entre amis, Serge Abiteboul et Gilles Dowek, 2021
• Des pistes pour sortir de la crise de l’enseignement des sciences, Gilles Dowek, 2019
• Langages des maths, langages de l’informatique, Entretien de Thierry Coquand, avec Serge Abiteboul et Gilles Dowek, 2019
• Les mutations du cognitif, Entretien de Michel Serres, avec Serge Abiteboul et Gilles Dowek, 2018
• Élections : 4 bits au premier tour, 1 seul au second, Gilles Dowek et al. 2017
• Podcastscience : Informatique et Ethique, Sur Podcast Science, Serge Abiteboul et Gilles Dowek, 2016
• Hibou chou genou caillou…, Gilles Dowek, 2016
• Jules Ferry 3.0, Serge Abiteboul et Gilles Dowek, 2014
• La place de l’informatique dans la classification des sciences, Gilles Dowek, 2014
• Athéna, Héphaïstos et la robotique, Entretien de Jean-Paul Laumond, par Serge Abiteboul et Gilles Dowek, 2014
• L’informatique : la science au cœur du numérique, Rapport du Conseil scientifique de la SIF avec Gilles Dowek – 5 articles, 2014

Pour un été non binaire : partez avec binaire dans vos favoris.

Nous faisons notre pause estivale avant de revenir partager avec vous des contenus de popularisation sur l’informatique !

À la rentrée nous parlerons à nouveau aussi bien de technologie que de science, d’enseignement, de questions industrielles, d’algorithmes, de data… bref, de tous les sujets en lien avec le monde numérique qui nous entoure …

Et nous le ferons sur une nouvelle plateforme … toujours en lien avec LeMonde.fr mais enrichi de nouveaux partenariats … à suivre.

D’ici là, vous pouvez tout de même passer l’été avec binaire en profitant de nos collections qui contiennent sûrement de beaux articles que vous n’avez pas encore eu le temps de lire :

©Catherine Créhange undessinparjour avec sa gracieuse autorisation.