Les grilles de calcul agrègent un très grand nombre de ressources hétérogènes et distribuées à grande échelle. La complexité de ces systèmes a motivé l'apparition d'un nouveau champ de recherche, l'Informatique Autonomique (ou Autonomic Computing), visant le contrôle et l'administration automatiques de ces systèmes. Dans ce contexte, nous nous intéressons ici à l'analyse exploratoire et la modélisation des tâches soumises à la grille de calcul EGEE ( http://www.eu-egee.org/), visant la découverte de catégories de tâches représentatives, et allant au-delà de la distinction élémentaire entre les tâches correctement exécutées et celles ayant échoué. La difficulté de cette modélisation tient entre autres à la taille (5Gb) et l'hétérogénéité des données disponibles. L'approche proposée se fonde i) sur la segmentation des données en sous-ensembles plus homogènes; ii) sur la construction d'hypothèses discriminantes à partir de ces sous-ensembles; iii) sur l'usage de ces hypothèses pour un changement de représentation des données, et l'exploitation de la métrique associée pour définir des clusters. La validation de l'approche repose sur la stabilité des clusters par rapport aux algorithmes discriminants utilisés dans l'étape ii), d'une part, et d'autre part, sur l'interprétation des clusters obtenus par les experts ("la position des inputs n'est pas disponible"; "problèmes sur l'évaluation de rang sur les ressources").