Résumé exécutif

Les nouveautés récentes montrent que l’adoption de l’intelligence artificielle (IA) dans les statistiques officielles dépend de plus en plus d’une ingénierie des données reproductible, d’une incertitude mesurable et d’une diffusion transparente. Les développements les plus utiles cette semaine ne sont pas des fonctions d’IA isolées, mais des versions et des orientations qui rendent les chaînes assistées par modèle plus auditables, interopérables et gouvernables.

Nouveautés de la semaine

Nettoyage et contrôle de qualité

Guide UNECE sur la quantification de l’incertitude pour l’inférence statistique assistée par ML, publié en juin 2026

L’UNECE a publié un guide pratique sur la quantification de l’incertitude dans l’inférence statistique assistée par apprentissage automatique (machine learning, ML) pour les statistiques officielles. Il traite de l’utilisation du ML par les offices statistiques tout en préservant la rigueur statistique, notamment la validité fondée sur le plan de sondage et le rapportage de l’incertitude.

Ce point est important car de nombreux usages prometteurs de l’IA dans les statistiques officielles, comme le codage automatisé, l’imputation, l’estimation par imagerie satellitaire ou l’amélioration de données administratives, modifient la structure des erreurs. Un cas d’usage consiste à ajouter des diagnostics d’incertitude à une chaîne d’imputation ou de classification assistée par ML avant d’utiliser les résultats dans des estimations d’enquête. La mise en oeuvre doit documenter l’estimande visé, les données d’entraînement, les données de validation, le plan de sondage, l’erreur du modèle, la performance par sous-groupe et le moment où une revue humaine est requise.

Discussion de l’OCDE sur la qualité des données à l’ère de l’IA, publiée le 9 juillet 2026

L’OCDE a publié une analyse sur la façon dont l’IA générative transforme l’accès des utilisateurs aux statistiques officielles. Le texte souligne que la qualité des données doit être protégée tout au long de la chaîne d’information, y compris le contexte et l’attribution que les systèmes d’IA peuvent omettre ou déformer.

Pour les offices statistiques, l’enjeu dépasse les systèmes internes de production. Un cas d’usage consiste à tester si des assistants d’IA publics retrouvent correctement la dernière publication, la période de référence, les définitions et les avertissements liés à un indicateur clé. La mise en oeuvre devrait renforcer les métadonnées persistantes, les citations de sources, les historiques de révision, les interfaces de programmation applicative (API) et les consignes aux utilisateurs afin que l’accès médié par l’IA ne sépare pas les chiffres de leur contexte officiel.

Traitement et intégration

Apache Arrow 25.0.0, publié le 10 juillet 2026

Apache Arrow 25.0.0 ajoute plusieurs fonctions PyArrow pertinentes pour les chaînes statistiques, notamment des aides pour les propriétés de chiffrement Parquet, la conversion de tables Arrow en tenseurs, une option de type de colonne par défaut pour la conversion CSV, la prise en charge des types d’extension dans la lecture des schémas Parquet et plusieurs corrections de justesse ou de plantage.

Ce point compte car les chaînes prêtes pour l’IA déplacent souvent les données entre moteurs de dataframes, magasins Parquet, bibliothèques de ML et services analytiques. Un cas d’usage est la préparation d’extraits de registres administratifs au format Arrow ou Parquet pour validation, appariement ou entraînement de modèles sans conversions répétées vers des formats moins efficaces. Les équipes doivent tester la préservation des schémas, les types d’extension, les fuseaux horaires, les paramètres de chiffrement Parquet et la compatibilité avec les outils aval avant de mettre à jour les environnements partagés.

Polars Cloud 0.10.0 et Polars 1.43, publiés les 4 août et 23 juillet 2026

Polars Cloud 0.10.0 ajoute la diffusion de résultats de requêtes distribuées vers Python avec sink_batches(), pl.collect_all() distribué, une prise en charge expérimentale de HDFS pour les déploiements sur site et des optimisations pour les scans partitionnés de type hive. Polars 1.43 ajoute la construction de listes imbriquées avec pl.list(), des sommes exponentiellement pondérées, des indications sur le côté de construction des jointures et des jointures plus rapides sur données partitionnées.

Pour les statistiques officielles, ces nouveautés sont utiles lorsque de grands ensembles de données administratives, de paradonnées ou de registres doivent être transformés de manière reproductible avant l’édition assistée par modèle, l’appariement ou l’analyse. Un cas d’usage consiste à produire plusieurs sorties de contrôle de qualité à partir d’un même scan de grande taille, sans relire plusieurs fois la source. La mise en oeuvre doit traiter le nouveau planificateur et certaines expressions comme expérimentaux lorsque la documentation le précise, rendre les callbacks idempotents et relancer les tests de régression sur les jointures, partitions, valeurs manquantes et sorties ordonnées.

Analyse et modélisation

scikit-learn 1.9.0, publié en juin 2026

scikit-learn 1.9.0 introduit une configuration pour l’interface sparse, adopte la dépendance légère Narwhals pour élargir la prise en charge des dataframes, étend la compatibilité avec l’Array API, ajoute une API expérimentale de callbacks et améliore le traitement des poids d’échantillonnage dans plusieurs estimateurs.

Cette version est pertinente pour les enquêtes et les données administratives car de nombreuses chaînes statistiques utilisent des modèles de ML transparents et inspectables plutôt que des systèmes opaques de frontière. Un cas d’usage est l’entraînement et le suivi d’un modèle de classification pondéré pour appuyer le codage des professions, des branches d’activité ou des propensions de réponse, tout en conservant des pipelines lisibles et une validation reproductible. Les équipes doivent vérifier les changements liés aux poids, aux entrées sous forme de dataframes, aux sorties sparse et aux journaux de callbacks avant de migrer des scripts de production vers la version 1.9.

Cadre LLM pour la recherche par enquête et l’imputation, soumis le 19 mai 2026

Un article récent sur arXiv propose et évalue un cadre en cinq étapes pour utiliser les grands modèles de langage (large language models, LLM) dans la recherche par enquête : conception du questionnaire, sélection de l’échantillon, test pilote, imputation des données manquantes et analyse post-collecte. L’étude utilise des données d’enquête sur la préparation aux catastrophes et insiste sur l’audit des biais par sous-groupe.

L’article reste expérimental et ne doit pas être interprété comme une recommandation de production pour les estimations officielles. Il est néanmoins pertinent parce qu’il confronte les LLM à des problèmes classiques d’enquête, notamment la non-réponse, les biais et le refus fondé sur des sources vérifiables. Un cas d’usage consiste à concevoir un pilote de recherche comparant l’imputation assistée par LLM à des méthodes établies, comme l’imputation multiple ou les forêts aléatoires, avec contrôle obligatoire des biais par sous-groupe avant toute utilisation opérationnelle. La mise en oeuvre doit utiliser des données non confidentielles ou approuvées pour la recherche, préenregistrer les métriques d’évaluation et signaler les cas où une bonne précision globale masque des erreurs par sous-groupe.

Rapportage et diffusion

Mises à jour de l’API Gemini sur les journaux et les options de modèles en production, publiées les 6 et 21 juillet 2026

Les notes de version de l’API Gemini de Google ajoutent, le 6 juillet, la prise en charge des journaux développeur pour l’Interactions API et annoncent, le 21 juillet 2026, la disponibilité générale de Gemini 3.6 Flash et Gemini 3.5 Flash-Lite. Le même journal signale aussi des dépréciations de paramètres, ce qui compte pour la maintenance de systèmes fondés sur des API.

Pour les offices statistiques, l’enjeu principal n’est pas le nom commercial du modèle mais le schéma opérationnel : les services d’aide à la recherche dans les métadonnées, à la rédaction ou aux réponses publiques doivent disposer de journaux, d’identifiants de modèles stables, d’un suivi des dépréciations et de contrôles de coûts. Un cas d’usage est un assistant public non confidentiel de métadonnées enregistrant la version du modèle, les sources de récupération, les paramètres de sécurité et les résultats de revue des réponses. La mise en oeuvre doit exclure les microdonnées confidentielles, séparer les journaux des enregistrements statistiques, surveiller les dépréciations et imposer des réponses fondées sur des sources pour toute statistique publiée.

Gouvernance, confidentialité et IA responsable

Orientations de la Commission européenne sur la transparence de l’AI Act, publiées le 20 juillet 2026 et mises à jour le 27 juillet 2026

La Commission européenne a publié des lignes directrices sur les obligations de transparence de l’AI Act applicables aux fournisseurs et déployeurs de certains systèmes d’IA. Ces obligations commencent à s’appliquer le 2 août 2026 et couvrent notamment l’information des utilisateurs lorsqu’ils interagissent avec un système d’IA, ainsi que le marquage ou l’étiquetage de contenus générés ou modifiés par IA.

Ce point concerne la diffusion statistique, la communication d’enquête et les outils analytiques publics, surtout lorsque les utilisateurs peuvent ignorer qu’un texte, un son, une image ou une réponse interactive est généré par IA. Un cas d’usage est la revue des chatbots d’enquête, services d’aide automatisés, supports de formation synthétiques et portails de données assistés par IA afin de vérifier les exigences de divulgation et d’étiquetage. La mise en oeuvre doit cartographier les systèmes selon le risque et l’exposition des utilisateurs, documenter la revue humaine, conserver la provenance des contenus générés et aligner les politiques institutionnelles sur l’avis juridique applicable.

Implications pour les offices statistiques

Le message commun est que la préparation à l’IA devient un enjeu de système. Les agences productrices de données ont besoin de chaînes qui conservent les schémas et la provenance, de workflows de modélisation qui rapportent l’incertitude et la performance par sous-groupe, et de systèmes de diffusion qui relient les statistiques officielles à leur source, période de référence et réserves méthodologiques.

Ces développements rappellent aussi la nécessité d’une adoption par étapes. Certaines ressources sont des bibliothèques prêtes pour la production, certaines fonctions restent expérimentales et certaines méthodes de recherche demeurent des pilotes. Les offices statistiques devraient séparer exploration et production officielle, exiger des preuves versionnées pour les étapes assistées par modèle et veiller à ce que les systèmes publics d’IA indiquent clairement leur statut, leurs sources et leurs limites.

Prochaines actions

  • Examiner une chaîne statistique prioritaire et repérer où l’IA ou le ML modifie l’incertitude, les biais ou la traçabilité.
  • Ajouter les métadonnées de source, période de référence, révision et réserve aux indicateurs publics les plus susceptibles d’être interrogés par des systèmes d’IA.
  • Tester les mises à jour Arrow, Parquet, Polars et scikit-learn sur des extraits représentatifs avant de modifier les environnements partagés.
  • Exiger des contrôles de performance par sous-groupe pour tout pilote d’imputation, de codage ou de classification assisté par modèle.
  • Constituer un inventaire des outils d’IA destinés au public et vérifier si les labels de transparence, les journaux et la revue humaine sont suffisants.
  • Figer les versions des modèles, bibliothèques et API dans les notebooks de recherche et les scripts de production.

Sources