Au vu de l'évolution des volumes de données (Big Data) et des problématiques associées (vélocité, variété et véracité), nous proposons dans cet article la conception d'un nouveau système collectif d'utilisation massive d'ensemble de classifieurs pour les Big Data sur le Cloud. Nous combinons les avantages de la labellisation par consensus entre plusieurs décisions de classifieurs distribués sur le Cloud avec l'utilisation du paradigme Map/Reduce pour l'apprentissage des modèles par chacun des classifieurs. Pour cela, nous considérons un réseau de classifieurs déployé sur le Cloud. Par l'intermédiaire des Mappers, nous répartissons les données d'apprentissage sur les différents noeuds (classifieurs) tandis que les Reducers lancent la phase d'apprentissage et retourne le modèle du classifieur ainsi qu'un indicateur de performance à optimiser. Ensuite, pour chaque donnée qui arrive, quel que soit le noeud du réseau sur lequel elle arrive, le noeud labellise la donnée et demande à ces voisins d'en faire tout autant. Ils forment ainsi un ensemble de classifieurs. Enfin, à l'aide d'un vote majoritaire pondéré, le noeud questionné renvoie la décision finale. Ainsi, plus le voisinage est étendu, plus la performance cherchée s'améliore. Cependant, il faut limiter cette extension car sinon nous n'obtenons plus des temps de traitements compatibles avec les Big Data.