1Avec l’entrée dans l’ère digitale, l’humanité est devenue un gigantesque producteur de données, qui tendent à englober et à enrichir le savoir. En effet, le taux de production de données a dépassé depuis quelques années la capacité de stockage, ce qui illustre la fragilité des données digitales et pose en même temps la question de leur préservation et du savoir à long terme. Si la plupart des données digitales sont le résultat des manipulations des systèmes d’information, il existe une catégorie qui jette une lumière particulière sur la problématique de la préservation du savoir : les donnés scientifiques. Leur particularité provient de la densité très élevée en contenu nouveau, liée à une démarche structurée (préparation, expérience, observation) autour d’objectifs scientifiques à la limite du savoir, par exemple pour sonder l’Univers lointain ou mesurer la structure profonde de la matière.

Préservation et pérennité des données

2La quantité de données scientifiques est en croissance exponentielle, comme l’illustre l’exemple des données d’observation de la Terre représentées en figure 1. L’investissement humain et financier pour obtenir ces données est significatif. Dans certains cas, comme pour des installations de grande envergure dans la physique des particules et dans l’astrophysique et pour des données satellitaires, le coût intégré des programmes dépasse un milliard d’euros. La reproductibilité de ces lots de données – dont la préservation à long terme n’est pas toujours prévue dans le projet initial – est donc limitée par le coût des installations, mais aussi et surtout par la nature et le moment des observations. Très étroitement lié à la préservation, l’accès aux donnés scientifiques est lui aussi problématique, car, très souvent, ces lots de données sont analysés rapidement après leur collecte, mais ne sont pas préparés pour un accès pérenne. Enfin, la préservation suppose la réutilisation, ce qui engendre un autre type de problèmes, liés à la préservation des méthodes et du savoir-faire autour des lots de données. Ces considérations s’appliquent à des échantillons très complexes, comme, par exemple, les événements collectés par le Large Hadron Collider (figure 2). En plus, des tailles de données allant jusqu’à plusieurs centaines de Pétaoctets* (10¹⁵ octets), deviennent envisageables dans plusieurs disciplines scientifiques à l’horizon de 2020.

3Du point de vue technologique, la conservation des données scientifiques pose un problème nouveau aussi, car, bien que la sauvegarde et le stockage des données de base soient bien maîtrisés, pour le long terme, il n’existe pas de système automatique capable de pérenniser un ensemble complexe de données, de logiciels et de métadonnées. Les sauts technologiques abrupts (changement de technologie, de système d’opération ou de compilateur) sont souvent la cause principale de la perte des données. Des unités de « cloud-computing » ont le potentiel d’abriter des données sauvegardées sur des machines virtuelles, ce qui pourrait réduire les risques technologiques. Néanmoins, la taille des données ainsi que la complexité du cadre d’analyse constituent un nouveau défi. En effet, la méthodologie de collecte de données laisse souvent des « trous » dans la sécurisation du savoir, comme des pratiques qui restent souvent dans un cercle restreint d’experts, des pertes partielles des flux logiques d’analyse (« workflows ») ou encore de la documentation incomplète.

Coûts et politiques de sauvegardes

4L’investissement pour prolonger la durée de vie des données scientifiques et pour en assurer un accès ouvert est souvent bien inférieur à leur coût réel. Par exemple, une évaluation récente dans le domaine de la physique des hautes énergies estime qu’avec un effort bien inférieur à 1 % du coût global, le retour scientifique pourrait augmenter de 10 %. Il est certain que des programmes de mise à disposition en accès ouvert des données observationnelles conduisent à une maximisation du retour sur investissement. Certains programmes d’astrophysique ont vu leur output scientifique doubler suite à une stratégie d’ouverture et de mise à disposition des données à la communauté scientifique. En plus, et au-delà des bénéfices en termes de production scientifique directe par réutilisation systématique, certains lots comme les données d’observation de la Terre peuvent avoir un rôle crucial à long terme, dont le bénéfice est très difficile à estimer au moment de l’archivage.

5Afin d’exploiter d’une manière intelligente l’effort investi pour des projets de recherche et d’observation, les programmes scientifiques doivent intégrer de manière cohérente la politique de sauvegarde et d’accès aux données à long terme. Pour certains domaines, une action coordonnée à l’échelle internationale s’impose. Une solution est la mise en place d’organisations cohérentes, par domaine, ainsi que des projets multilaboratoires afin d’exploiter les synergies et de converger sur des solutions techniques durables. Des exemples de telles organisations et projets existent, notamment sous la coupe d’organismes comme la NASA* (Agence spatiale américaine), l’ESA* (Agence spatiale européenne) ou le CERN* (Centre européen pour la Recherche nucléaire). Il est donc indispensable qu’à l’avenir, les infrastructures des données scientifiques prennent en compte la préservation et l’accès aux données scientifiques dans un contexte global et interdisciplinaire.