À l’issue de la conférence The European path towards Trusted Smart Statistics dédiée à l’émergence d’une société des données, les instances représentatives du système statistique européen adoptaient le 12 octobre 2018 le Mémorandum de Bucarest, posant les principes d’une refonte majeure des appareils de production de la statistique publique dans les différentes nations européennes. Ces principes visent plus particulièrement à doter le système statistique européen des capacités nécessaires pour prendre en compte les nouveaux gisements de données et de méthodes alternatives de traitement du chiffre, et cela dans de multiples dimensions, incluant le cadre juridique, les compétences techniques et les solutions informatiques de mise en œuvre (Ouvrir dans un nouvel ongletEurostat, 2018).

La notion de Trusted Smart Statistics embrasse ainsi un vaste ensemble d’évolutions liées à la démultiplication des sources d’information sur la société au sens large, dont les illustrations ne manquent pas :

Autant d’exemples où la statistique publique est amenée à investir pour valoriser des informations de forme et de nature bien différentes des données d’enquête (Unece, Ouvrir dans un nouvel onglet2013a ; Ouvrir dans un nouvel onglet2013b).

Ces investissements s’accompagnent également d’innovations dans les processus statistiques, pour être en mesure de valoriser la richesse de ces nouvelles sources, mais aussi pour faire face à leur complexité, ou à leurs imperfections, qui impliquent des traitements conséquents de mise en conformité statistique. Au premier rang de ces innovations, figurent les méthodes dites d’apprentissage (machine learning) et leurs cas d’usage prometteurs dans les domaines de la codification et de la classification, de l’édition et de l’imputation des données. Le Machine Learning Project mis en place par la Commission économique pour l’Europe des Nations Unies (Unece) a ainsi pris la mesure, dans son rapport conclusif, des investissements réalisés à ce jour dans la communauté de la statistique publique : « De nombreux instituts nationaux de statistique étudient la manière dont le machine learning peut être utilisé pour accroître la pertinence et la qualité des statistiques officielles dans un environnement caractérisé par des demandes croissantes d’informations fiables, des technologies accessibles et en développement rapide et de nombreux concurrents. » (Ouvrir dans un nouvel ongletUnece, 2021).

Les gisements de données massives, au cœur des Trusted Smart Statistics, présentent des caractéristiques qui, du fait de leur volumétrie, de leur vélocité (avec leur vitesse de constitution et de renouvellement) ou de leur variété (données structurées mais aussi non structurées, comme des images), en rendent la manipulation particulièrement complexe. Sont ainsi considérées comme des données massives ou big data les informations dont les caractéristiques sont telles qu’elles ne peuvent être facilement collectées, stockées, manipulées ou analysées par des équipements informatiques traditionnels.

Il est alors nécessaire de mettre en place des infrastructures d’un nouveau type, permettant d’anticiper sur les cas d’usage de la statistique publique, voire de les inspirer, dans une approche portée par les opportunités rendues possibles par l’innovation technologique.

Derrière la notion d’infrastructure informatique, il faut entendre de multiples strates, qui sont chacune des variables clefs dans la composition des services attendus : les capacités de stockage de la donnée selon différentes méthodes (fichier, objet, base de données, etc.), la puissance de traitement (mémoire vive, CPU, GPU) ou encore les services de traitement (logiciels permettant d’exécuter des langages comme R, Python, etc.), mais aussi des architectures techniques d’orchestration dédiées à la mise en relation de ces différentes strates. Par exemple, le calcul distribué est une méthode de traitement de la donnée fondée sur la division d’un problème unique en une multitude de problèmes plus petits, afin de résoudre en parallèle chacun de ces problèmes sur un même centre de calcul (via le multithreading) ou en les répartissant sur plusieurs centres de calcul liés entre eux (appelés alors un cluster). La mise en œuvre effective d’un calcul distribué nécessite de mobiliser plusieurs éléments logiciels, appelés également framework, pour gérer l’accès aux données, les répartir entre des nœuds de traitement, d’effectuer toutes les opérations d’analyse nécessaires, puis de livrer les résultats.

Ces infrastructures se destinent à des professionnels du traitement de la donnée qui sont appelés à développer, pour leurs besoins propres, des briques techniques et à les assembler en un processus intégré (ou pipeline). L’appellation de data scientist traduit, parmi ses multiples acceptions, cette implication accrue du statisticien dans l’élaboration puis l’orchestration informatique de son traitement, au-delà des seules phases de conception ou de recette. Les nouvelles infrastructures de data science prennent en compte ce rôle étendu de ses utilisateurs, en leur accordant des possibilités d’action plus large qu’une infrastructure conventionnelle.

À cet élargissement du domaine d’intervention, correspond également un renforcement de la place des travaux de prototypage dans l’activité des statisticiens publics, à travers des démarches de va-et-vient entre la conception d’un traitement statistique et sa mise en œuvre. Certes, les traitements statistiques ont toujours été des processus évolutifs, appelés à connaître des adaptations à l’épreuve des données. Cette dimension est toutefois accentuée s’agissant de données qui, contrairement à des fichiers d’enquête, ne présentent pas nativement les qualités attendues en termes de stabilité des concepts et de précision des mesures. Par exemple, les données de téléphonie mobile peuvent comporter des évolutions dans les informations de localisation, liées aux méthodes de triangulation à partir de la position des antennes-relais, dont l’implantation évolue au fil des ans. Ou encore, l’interprétation des images satellitaires ou aériennes pour établir des indicateurs statistiques comme la tâche urbaine se fonde sur des clichés dont la qualité dépend des saisons ou des conditions météorologiques. Enfin, l’analyse des offres d’emploi en ligne peut être conduite pour en déduire des éléments sur les compétences requises, sur des champs textuels dont le contenu est hétérogène d’un recruteur à un autre, pour décrire un même métier.

Ce type de données appelle en outre à conduire des traitements statistiques de nature évolutive, fondés sur des algorithmes apprenants, plutôt que des opérations déterministes. Le comportement de l’algorithme est ainsi conçu pour évoluer au fur et à mesure qu’il « apprend » des données qui lui sont transmises, et son orchestration nécessite de disposer, au sein de l’infrastructure informatique, de services et de briques techniques pensées en conséquence. Le statisticien doit non seulement concevoir l’algorithme de traitement, mais aussi s’intéresser à sa mise en œuvre, prenant ainsi à son compte des éléments qui relèvent habituellement de l’exploitation informatique.

La forte évolutivité des nouveaux gisements de données appelle à engager, en complément des projets informatiques structurants, des approches plus agiles, conduites dans des calendriers courts : fondées sur du tâtonnement, des essais et erreurs, des intuitions, elles privilégient une opportunité pour laquelle il s’agit de faire le point sur les possibilités offertes, plutôt que d’expertiser la solution optimale pour un objectif défini à l’avance. Ces démarches de prospection privilégient l’expérimentation avec une mise en place accélérée d’un premier prototype, afin de faire la preuve du concept de façon empirique, sans forcément traiter toutes les facettes d’un sujet.

Les expérimentations peuvent toutefois buter sur une difficulté pour accéder aux ressources nécessaires à leur réalisation... naturellement plus faciles à accorder à un projet qui présente, par ses études préalables, toutes les garanties souhaitées par des instances d’arbitrage. L’essor des « laboratoires » dans les grandes organisations publiques comme privées est une réponse pour contrebalancer la place prédominante des investissements via les projets structurants, en proposant des espaces de créativité laissant la part belle au prototypage et à l’expérimentation. Un laboratoire, ou « lab », a pour principale caractéristique de proposer une « autre façon d’inventer » par rapport au processus de R&D dominant. Pour cela, il est, au moins en partie, en dehors des règles habituelles de fonctionnement de l’organisation, donc en dehors des procédures classiques de décision.

Conçu pour répondre aux besoins d’outillage en data science, le SSPCloud (figure 1) est une nouvelle infrastructure mise en place par l’Insee pour offrir, sur le versant informatique, un environnement « lab » propice à l’engagement d’expérimentations : sur les nouveaux gisements de données et les nouvelles méthodes de traitement, plus particulièrement sur des calculs distribués sur données massives, comme les données de téléphonie mobile pour calculer des populations présentes à des échelles géographiques fines (Suarez Castillo et alii, 2020) ; sur des méthodes d’apprentissage, comme des systèmes apprenants de codification automatique de libellés de professions dans des nomenclatures.

Figure 1. Pour faire un tour sur le SSPCloud

D’abord créé « en dehors de l’organisation » (encadré 1), le SSPCloud trouve ses origines en 2017, avec la participation d’une équipe de l’Insee au hackathon New Techniques and Technologies for Statistics (NTTS). Celle-ci joue le rôle de déclencheur : l’équipe parvient à proposer un traitement de données massives intégrant à la volée des restitutions sous forme de data visualisation, mais rapporte dans son retour d’expérience d’importantes limitations techniques rencontrées dans les infrastructures alors à leur disposition. Répondre à ce besoin sera le fil conducteur des travaux engagés par un collectif d’agents de la direction du système d’information. L’opportunité offerte par la disponibilité d’équipements informatiques décommissionnés de leur usage initial permettra, quelques mois plus tard, de créer le premier prototype fonctionnel d’une plateforme d’expérimentation en data science, qui évoluera ensuite pour devenir le SSPCloud.

Le dispositif a continué d’évoluer et de s’enrichir, jusqu’à recevoir plusieurs soutiens institutionnels internes et externes, et s’ouvrir à l’ensemble du système statistique public en octobre 2020. Pour mettre en exergue cette volonté d’ouverture et faire référence au paradigme technologique utilisé, l’appellation de SSPCloud a été retenue pour ce nouveau service mutualisé entre l’Insee et les services statistiques ministériels.

Le SSPCloud se présente comme une « fabrique créative », ou FabLab, de la statistique publique. Ouvert en libre service, il propose un accès direct à l’ensemble des matériels physiques (comme des cartes graphiques), logiques (comme des framework et briques logicielles) utiles à une activité de data science (figure 2). Le statisticien public y dispose des composants techniques nécessaires pour prototyper et tester un processus de traitement, de bout en bout.

Figure 2. Le SSPCloud vu de l’intérieur : dans la mécanique du nuage

L’accès à ces ressources est immédiat : il n’est pas nécessaire, par exemple, de demander le provisionnement préalable d’un espace de stockage, ou d’un environnement de recette, les technologies utilisées rendent autonome l’utilisateur pour en disposer.

Les réalisations conduites sur le SSPCloud ne font pas l’objet d’une régulation ou d’un contrôle : l’utilisateur a le libre choix des éléments qu’il mobilise, sans être contraint par un cadre technique de cohérence qui viendrait délimiter le champ des possibles.

Pour rester une fabrique créative, le SSPCloud évolue par ailleurs en permanence, avec l’installation de nouveaux logiciels et leur mise à jour en continu. L’utilisateur peut contribuer à élargir le catalogue de services et introduire de nouvelles briques techniques dont ses pairs pourront bénéficier. Le SSPCloud place ainsi le statisticien au cœur de la conception et du développement de ses futurs processus statistiques.

Dans ses partis pris technologiques, le SSPCloud s’appuie sur une architecture répondant à plusieurs sources d’influence de l’informatique contemporaine.

La capacité de dimensionner des traitements – ce que désigne la notion de scalabilité – est une attente clef du data scientist, pour stocker et manipuler des données massives, mais aussi pour disposer de ressources computationnelles adaptées aux méthodes de machine learning.

Ce besoin trouve sa réponse dans la distribution du traitement sur plusieurs centres de calcul, par exemple avec une ferme de serveurs – une approche au cœur des technologies du Cloud computing (l’informatique en nuage). Le fournisseur de service, également appelé Cloud provider, met à disposition à la demande des ressources physiques (CPU, mémoire, disques, GPU) fournies par des serveurs distants, partagés entre plusieurs clients, de façon à ce que le service puisse être redimensionné au fur et à mesure du besoin exprimé, en mutualisant de vastes ensemble de serveurs.

Pour être mise en œuvre, cette approche nécessite également d’adapter l’orchestration des traitements : ce fut en particulier l’objectif poursuivi dans le développement du framework Hadoop. L’idée principale est la colocalisation du traitement et de la donnée : si le fichier source se trouve réparti sur plusieurs serveurs (approche horizontale), chaque section du fichier source est directement traitée par un processus de la machine hébergeant cette section pour éviter les transits réseaux entre les serveurs.

Le SSPCloud a adopté une solution qui s’inscrit dans le sillage de ces travaux, en retenant le framework Apache Spark conçu comme une méthode pour accélérer le traitement des systèmes Hadoop (encadré 2). Il a d’ailleurs été utilisé à cette fin, au cours du premier semestre 2021, pour prototyper une architecture alternative à celle pré-existante, s’agissant du processus de traitement des données de caisse dans le cadre de l’élaboration de l’indice des prix à la consommation. Une accélération des traitements pouvant atteindre jusqu’à un facteur 10 a ainsi été obtenue, pour des opérations qui prenaient jusqu’alors plusieurs heures d’exécution.

Dans une infrastructure Cloud, l’ordinateur de l’utilisateur devient un simple point d’accès pour exécuter des applications ou des traitements sur une infrastructure centrale. Le SSPCloud a été conçu sur ce modèle, en permettant aux statisticiens publics de s’y connecter depuis n’importe quel poste, dès lors que ce dernier accède à Internet. Indépendant des infrastructures propres de l’Insee ou des services statistiques ministériels, il ne nécessite donc pas d’être relié à un réseau local de l’administration d’appartenance, ce qui lui permet en outre d’accueillir des utilisateurs venus d’autres horizons (par exemple, des membres d’instituts statistiques européens, des universitaires, etc.). L’infrastructure du SSPCloud apporte ainsi un service dit ubiquitaire, accessible en tout lieu, depuis n’importe quel terminal doté d’un navigateur internet (ordinateur, tablette, téléphone, etc.).

Cette logique visant à concilier scalabilité et ubiquité a également influencé le choix des technologies de stockage de la donnée. Le SSPCloud s’appuie sur S3 (Simple Storage Service), un stockage dit « objet » – un objet se composant d’un fichier, d’un identifiant et de métadonnées, le tout de taille arbitraire, non bornée. Chaque dépôt de données (ici appelé un bucket) se trouve consultable directement avec un adressage unique (une URL par dépôt) et des services d’accès par API. Pensé pour offrir un dimensionnement adaptable, optimisé pour lancer des calculs intensifs, le stockage S3 apporte également des propriétés intéressantes pour faciliter l’accès aux données : ainsi, il comporte une API de sélection pour n’appeler dans une requête qu’un sous-ensemble d’un fichier, même si celui-ci est compressé ou chiffré. Surtout, il est le complément naturel à des architectures fondées sur des environnements dits conteneurisés, pour lesquels il apporte une couche de persistance, des modalités de connexion facilitées sans compromettre la sécurité, voire en la renforçant par rapport à un système de stockage traditionnel.

Dans le monde de l’informatique, un conteneur est un regroupement logique de ressources, qui permet d’encapsuler et d’exécuter des ensembles logiciels, par exemple une application, des bibliothèques et d’autres dépendances réunies en un seul package. La conteneurisation (encadré 3) propose un système logique d’isolation, apportant une réponse à deux problématiques majeures des environnements de traitement de données :

Dans le cas d’un environnement dédié à l’expérimentation, le mécanisme des conteneurs permet de gérer une forte évolutivité de l’offre de services : en effet, contrairement à une plateforme centrale monolithique qui implique pour chaque utilisateur d’adapter son code à la montée de version logicielle du socle, un dispositif de conteneur permet à chacun de maîtriser les composants qu’il utilise. Ce dispositif permet de rejouer, dans des conditions techniques maîtrisées, l’intégralité d’un traitement.

Le SSPCloud est fondé sur l’utilisation de conteneurs, en s’appuyant sur l’environnement open source Kubernetes pour déployer et gérer les services conteneurisés. Ce choix technologique, parfaitement en phase avec les environnements Cloud, répond en outre naturellement aux besoins de scalabilité : la ressource affectée à un conteneur est en effet paramétrable, et des traitements complexes peuvent être répartis au sein d’un cluster et pris en charge par plusieurs conteneurs en parallèle. En conséquence, les environnements dédiés aux données massives sont désormais de plus en plus souvent organisés via le recours à un mariage du Cloud computing et de l’orchestration de conteneurs. Les frameworks big data comme Apache Spark ou Dask fonctionnent en parfaite synergie avec les conteneurs : le traitement massif s’y trouve découpé dans une multitude de petites tâches et le conteneur est sans aucun doute la meilleure façon de déployer ces petites opérations unitaires, en minimisant la ressource requise.

L’ensemble des technologies réunies au sein du SSPCloud amène à revoir, en profondeur, le geste professionnel du statisticien dans son usage de l’environnement informatique. Au tournant des années deux-mille, la micro-informatique connaissant son apogée, une grande partie des ressources techniques d’un agent de l’Insee étaient locales, ou du moins dans une logique d’accès local : le statisticien avait, sur sa machine, son code et son logiciel de traitement, ainsi qu’un accès aux données via un système de partage de fichiers. Cet environnement a conduit, dans une certaine mesure, à l’essor d’une gestion manuelle des traitements réalisés « en self » par le statisticien.

Lorsque, dans une démarche de rationalisation des infrastructures informatiques, des systèmes de traitement mutualisés ont été de nouveau privilégiés, ces derniers ont cherché à préserver l’expérience utilisateur en proposant d’accéder à un « bureau distant ». Par exemple, l’Architecture Unifiée Statistique (AUS), un centre de calcul interne à l’Insee, propose une forme de transition entre une informatique locale et une informatique centralisée : elle concentre toutes les ressources sur des serveurs centraux, mais recrée un poste virtuel par agent, ce qui l’amène à garder la même pratique, largement manuelle, dans l’élaboration de ses scripts et dans l’exécution de ses traitements.

L’expérience utilisateur au sein du SSPCloud est radicalement différente, et rend impérative l’appropriation d’autres gestes. L’utilisateur ne dispose pas d’un bureau distant, et doit apprendre à composer avec des ressources qui, dans leur conception, sont évanescentes et n’existent qu’au moment de leur mobilisation effective. Ce cadre permet d’adopter des pratiques vertueuses, pour mieux séparer le code, les données et le processus, dont la persistance sera gérée selon des technologies différentes. Il lui faut également apprendre à organiser leur orchestration, dans un cadre qui concilie autonomie et automatisation. Le statisticien voit ainsi sa pratique se rapprocher de celle d’un développeur.

La première transformation du geste du statisticien porte sur sa capacité à organiser la persistance des éléments qu’il mobilise dans son traitement. Dans le SSPCloud, l’ensemble des services sont dits « non-persistants » : ils sont conçus pour être désactivés lorsque l’utilisateur n’en a plus l’usage. Tout ce qui a été développé au sein de ce service disparaît à cette occasion – plus précisément, toutes les ressources conçues au sein d’un conteneur s’effacent avec l’extinction de ce dernier – contrairement à la pratique sur un poste local où l’utilisateur garde une trace de ses fichiers sur son espace de stockage, de même qu’avec un poste distant adossé à un répertoire de fichiers.

L’utilisateur du SSPCloud doit veiller à organiser la pérennité des ressources qu’il crée – à commencer par son programme informatique. Les fonctionnalités d’un outil de contrôle de version comme Git, utilisé avec une forge collaborative, permet au statisticien de gérer son code en dehors de l’environnement dans lequel il travaille, et d’y recourir depuis n’importe quel terminal. L’utilisation de Git permet en outre d’accroître la traçabilité des traitements et de les archiver au fur et à mesure qu’ils sont conçus, participant ainsi à l’amélioration continue des processus statistiques. D’autres services peuvent alors être adossés au dépôt du code source, pour « construire » le pipeline statistique, tester son intégrité, produire ses modules – c’est la fonction première d’une forge logicielle, un incontournable du génie logiciel qui devient également un élément pivot dans l’environnement de travail du statisticien. Le SSPCloud est prévu pour fonctionner de pair avec des forges logicielles – il comporte en son sein une instance privée du logiciel GitLab, et permet également d’appeler les services des instances publiques de GitHub et GitLab.

La deuxième transformation apportée par le SSPCloud a trait à la méthode d’orchestration des traitements. L’utilisateur de cette infrastructure est appelé à construire de lui-même l’environnement technique adapté à son besoin, sans avoir à solliciter des équipes informatiques. À cette fin, il lui faudra apprendre à spécifier, de façon programmatique, les différents paramètres qui vont composer son environnement d’exécution.

Cette approche est possible grâce à l’utilisation des technologies Cloud et de la conteneurisation. En effet, les technologies Cloud sont agnostiques quant aux services qui y sont déployés et les conteneurs quant à eux sont façonnables à loisir par l’utilisateur, qui en définit lui-même le contenu et les ressources allouées. La possibilité offerte au statisticien de déployer en quelques secondes des bases de données, un cluster de calcul et un environnement de traitement statistique, qu’il a lui-même choisis voire conçus lui permet la plus grande créativité.

Cette approche permet également de concevoir l’orchestration d’une suite d’opérations élémentaires. Ainsi, le statisticien peut concevoir un ordonnancement de tâches telles que par exemple, récupérer toutes les nuits des données issues du web, en extraire les informations pertinentes, les stocker dans des tables de données et alimenter une application interactive qui sera mise à jour et déployée automatiquement.

Cette logique, poussée jusqu’à son terme, a par exemple permis à une équipe de statisticiens de l’Insee de déployer un service de distancier (calcul de distances routières) utilisable par la communauté SSPCloud pour outiller des analyses spatiales. Ils ont ainsi à la fois transformé des données, déployé en toute autonomie un serveur offrant une API de calcul des distances routières et enfin, développé et déployé une application interactive permettant à un utilisateur de calculer des distances entre différents lieux. Fait remarquable, aucune intervention d’un exploitant informatique n’a été requise pour réaliser l’ensemble de ces tâches.

L’enjeu d’une pleine maîtrise du contexte d’exécution vaut tout autant pour les activités d’études que pour les activités de production statistique. Dans le cas de travaux académiques, il est par exemple exigé, pour des publications se fondant sur l’exploitation de données, de répondre à un nouveau critère de scientificité : la possibilité pour un tiers de reproduire à l’identique l’ensemble des résultats publiés.

L’atteinte de cette reproductibilité demande donc de concevoir des solutions de traitement du chiffre qui puissent être rejouées d’une part, partagées avec des tiers d’autre part. Les technologies de conteneurs répondent parfaitement à cette attente, en décrivant de façon normée et datée toutes les ressources d’un ensemble de traitements, description qui peut être publiée sur des espaces ouverts (par exemple, des registres de conteneurs) et reliées à la publication du code source d’un traitement (par exemple, sur une forge logicielle publique comme GitHub ou GitLab).

Cette exigence se diffuse progressivement au monde de la statistique publique, déjà attachée au fait de pouvoir rendre compte, par la documentation méthodologique et les rapports qualité, du processus d’élaboration d’un indicateur. Là où le statisticien public était amené à constituer une documentation passive des étapes de son processus, dans l’optique de rendre compte d’une conformité, le data scientist procède désormais d’une documentation active, où la description même des tâches à conduire va être menée de façon à automatiser leur mise en œuvre. La capacité à décrire les environnements de traitement de façon programmatique, avec des « contrats » de conteneurisation, est au cœur de cette démarche.

En plus d’être une infrastructure informatique, le SSPCloud a été pensé comme un « lieu » facilitant les rencontres entre des acteurs forts de compétences et d’expériences différentes. L’accès au SSPCloud depuis Internet rend possible son accès à l’ensemble du système statistique public – et plus largement, à l’ensemble des acteurs souhaitant s’inscrire dans un courant de partage de leur connaissance.

Date symbolique de cette volonté collaborative, la pré-ouverture du SSPCloud a été conduite le 20 mars 2020, au tout début du premier confinement lié à la crise pandémique, une période où beaucoup d’agents publics n’avaient plus d’accès à leur environnement administratif de travail. La version de test du SSPCloud a alors été dédiée à l’accueil de l’ensemble des agents publics, quelle que soit leur administration d’appartenance, pour leur apporter un espace de formation en distanciel aux logiciels de data science.

Couvrant tout autant des étapes de découverte (initiation à des langages) que des cas d’usages plus avancés (machine learning, calcul distribué), l’espace pédagogique du SSPCloud a immédiatement rencontré son public, en outillant par la même occasion une communauté d’agents dédiés à l’apprentissage de R et Python, la communauté Spyrales. Le dispositif des conteneurs permet en particulier de proposer, aisément, des systèmes de tutoriels interactifs, en associant dans des environnements sur mesure les logiciels, les exercices et jeux de données, les exemples de programmes, sous la forme par exemple d’un notebook. Le SSPCloud est devenu, par la même occasion, la terre virtuelle d’accueil d’évènements à visée pédagogique, organisés en distanciel en 2020 et en 2021, à l’instar d’un jeu sérieux de formation en R.

L’élargissement des publics bénéficie plus généralement à l’innovation, en facilitant la coopération entre des équipes qui, autrement, évoluent dans des systèmes d’information étanches.

L’essor de l’open source est venu apporter un cadre juridique et une méthode de travail permettant d’accompagner cette volonté de partage. La statistique a été marquée par l’essor des logiciels libres durant ces 20 dernières années : c’est ainsi que R et maintenant Python sont devenus les langages de référence pour la statistique en lieu et place, par exemple, de SAS®.

Au-delà de l’usage de langages et logiciels open source, les statisticiens ont plus généralement pris l’habitude de partager leurs programmes : ainsi, la publication d’un article proposant une nouvelle méthode de traitement des données est désormais quasi systématiquement accompagnée par la publication, par les mêmes auteurs, d’une librairie R ou Python implémentant leurs méthodes. Le partage du savoir statistique s’effectue donc de façon duale, à la fois scientifique mais aussi technique.

Le SSPCloud a fait le choix de fonder ses services, exclusivement, sur des briques open source – logiciels statistiques, systèmes de gestion de base de données, outils de développement, etc. Il s’agit en effet de s’assurer de la portabilité des travaux menés sur le SSPCloud vers n’importe quel autre environnement de data science, sans barrière de propriété, là où l’introduction de logiciels commerciaux conduit inéluctablement à limiter les possibilités de réutilisation.

De façon emblématique, l’interface graphique du SSPCloud est elle-même le fruit d’un projet collaboratif Ouvrir dans un nouvel ongletopen source développé à cette occasion par l’Insee. Ce projet logiciel, intitulé Onyxia (figure 1), permet à l’utilisateur de lancer ses services, de gérer ses dépôts de données, de paramétrer ses ressources. Elle est conçue pour pouvoir être déployée sur d’autres infrastructures utilisant des technologies de conteneurs, et peut ainsi être réutilisée par d’autres directions informatiques désireuses de constituer des services de même nature.

Fidèle à sa vocation de fabrique créative, le SSPCloud se veut une pierre de touche pour aider le statisticien à découvrir de nouvelles technologies, mais aussi pour permettre aux ingénieurs informatiques d’imaginer de nouvelles architectures de traitement du chiffre.

Bac-à-sable pour ses utilisateurs finaux, le SSPCloud l’est également pour ses concepteurs, dans une posture de veille sur les nouvelles opportunités techniques à prendre en compte. La démarche du SSPCloud vise ainsi à nouer des partenariats technologiques avec des tiers, tant au niveau du système statistique européen qu’auprès d’autres acteurs spécialisés dans la manipulation et l’exploration de données (centres de recherche, observatoires). L’ensemble du projet, fondé sur l’open source, permet d’en imaginer une réutilisation par de futurs partenaires, créant des instances propres tout en contribuant à améliorer, avec leurs retours d’expérience, la conception d’ensemble du SSPCloud. C’est ainsi qu’Eurostat a mis en place en 2021, sur la base du code source partagé, un environnement expérimental de traitement de la donnée, engageant la dynamique d’échanges au cœur de l’intention portée par les équipes du SSPCloud.