SlideShare une entreprise Scribd logo
1  sur  15
Gautier Poupeau
gpoupeau@ina.fr
@lespetitescases
Christine Braemer
cbraemer@ina.fr
Les missions du professionnels de l’information
Valoriser
Acquérir
Modéliser
Décrire
Organiser
Repérer
Assurer la continuité
de l’accès à l’information pertinente
Les changements en cours
La « numérisation » du monde : un changement de
granularité
En permettant le traitement informatisé du contenu lui-même, la numérisation a
provoqué une modification dans l’appréhension des choses : du document à la
donnée.
La description est
numérique
Le document/support est
accessible via une notice qui
en décrit la globalité
Le document est numérisé
ou nativement numérique
Le moteur de recherche permet
d’accéder au contenu du document
Le document est un ensemble de
données exploitables
Le document lui-même devient
une source de données
Le Big Data : décloisonnement et émergence des données
En apportant des réponses à certains blocages technologiques, le Big Data a vu
l’émergence d’un intérêt des DSI et, plus globalement, des organisations pour la
donnée elle-même au-delà des processus.
Le décloisonnement
des silos applicatifs
La donnée d’usage,
pierre angulaire du
service aux utilisateurs
Fouille et IA : automatisation et nouvelles formes de valorisation
La maturité des technologies de fouille de données et la disponibilité de données
numériques massives permettent d’envisager l’automatisation de certaines tâches et
l’apparition de nouveaux cas d’usages.
Extraire/générer de la donnée Mise en relation de contenus Statistiques
Extraction d’entités
nommées
Analyse des images Transcription de la parole
Reconnaissance optique
de caractères Recommandations
par le contenu
Identification de
contenus équivalents
Analyse du
comportement
Data-visualisation
Tableaux de bord
Les enjeux pour le professionnel de
l’information face à ces changements
Elargir son périmètre d’action à toutes les données
Métadonnées
Contenu
Données d’usage
et contributions
Référentiels
Données générées
/secondaires
• Documentaire (collection) ou non (bases de données diverses)
• Issu d’un processus de numérisation (OCR, Speech to text, reconnaissance de
formes) ou nativement numérique
Données sur le contenu qui peuvent être de nature :
• descriptive
• administrative (technique, traçabilité, juridique)
• structure
Données de référence partagées entre les différents ensembles de données et
permettant d’assurer une cohérence entre eux
Toutes les données laissées par les utilisateurs : logs, traces, contributions sur
les réseaux sociaux en rapport avec les données
Données obtenues à partir de l’exploitation des autres types de données :
données quantitatives, extraction, machine learning, inférence…
Assurer la contextualisation et la cohérence des données
(Méta)données
Contenu
Données extraites
Traces
Référentiel
Mise en relation
de contenus
Contributions
Statistiques
Garantir la qualité des données et des référentiels
Une IA performante nécessite
des données de très bonne
qualité !
Garantir et optimiser l’accès aux données
Le professionnel de l’information :
un analyste et
un « curateur » des données
Le professionnel de l’information :
un architecte de l’information
un metteur en scène des données
Grâce à sa compréhension et sa connaissance des données, le professionnel de l’information
est un relais pour offrir une vue des données disponibles et en déployer les usages
Assurer la maîtrise des données
• Animer et assurer la gouvernance de données à
l’échelle de l’organisation
• Développer et maintenir le modèle logique de
données de l’organisation
• Mettre en œuvre une expertise et une
connaissance transverse
Décloisonner les silos, organiser et stocker les données selon leur logique et pas
simplement leur usage impose de déployer une gouvernance de données à l’échelle de
l’organisation
Se positionner à l’interface entre le métier et la DSI
Finalement, le professionnel de l’information est à l’interface entre le métier et la DSI
Le professionnel de
l’information aide la
DSI à mieux
appréhender le sens et
la logique des données
et à en assurer la
qualité et la
maintenabilité
Le professionnel de
l’information
accompagne le métier
pour faire des données
un « asset »
incontournable à leurs
activités
Le cycle de vie de la donnée
Modélisation
Acquisition
Stockage
Exposition
Visualisation
Organisation conceptuel / Structuration logique
Indexation machine / Organisation physique
Saisie / Récupération / Préparation / Génération / Transformation
Interrogation / Mise à disposition / Interopérabilité
Usages / Architecture de l’information / Expérience utilisateur (UX) / Interface utilisateur (UI)
Exploitation
Text & Data Mining / Analyse / Traitement
Gestion
Intégrité / Enrichissement / Référentiels
Pour plus d’informations :
http://www.ina-expert.com
Gautier Poupeau
gpoupeau@ina.fr
@lespetitescases
Christine Braemer
cbraemer@ina.fr

Contenu connexe

Tendances

Visite guidée au pays de la donnée - Du modèle conceptuel au modèle physique
Visite guidée au pays de la donnée - Du modèle conceptuel au modèle physiqueVisite guidée au pays de la donnée - Du modèle conceptuel au modèle physique
Visite guidée au pays de la donnée - Du modèle conceptuel au modèle physiqueGautier Poupeau
 
Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...
Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...
Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...Mehdi Hamime
 
BigData_Chp4: NOSQL
BigData_Chp4: NOSQLBigData_Chp4: NOSQL
BigData_Chp4: NOSQLLilia Sfaxi
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleLilia Sfaxi
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesJean-Marc Dupont
 
Big Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendancesBig Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendancesJean-Michel Franco
 
BigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingBigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingLilia Sfaxi
 
Rapport- Conception et réalisation d'une plateforme social learning
Rapport- Conception et réalisation d'une plateforme social learningRapport- Conception et réalisation d'une plateforme social learning
Rapport- Conception et réalisation d'une plateforme social learningRouâa Ben Hammouda
 
BigData_TP3 : Spark
BigData_TP3 : SparkBigData_TP3 : Spark
BigData_TP3 : SparkLilia Sfaxi
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business IntelligenceLilia Sfaxi
 
Présentation pfe Développement d'une application bancaire mobile
Présentation pfe Développement d'une application bancaire mobilePrésentation pfe Développement d'une application bancaire mobile
Présentation pfe Développement d'une application bancaire mobileNader Somrani
 
Introduction au big data
Introduction au big dataIntroduction au big data
Introduction au big dataAbdelghani Azri
 
Cours Base de données relationnelles
Cours Base de données relationnellesCours Base de données relationnelles
Cours Base de données relationnellesAymen Kasmi
 
Cours Big Data Chap3
Cours Big Data Chap3Cours Big Data Chap3
Cours Big Data Chap3Amal Abid
 
Big Data, Hadoop & Spark
Big Data, Hadoop & SparkBig Data, Hadoop & Spark
Big Data, Hadoop & SparkAlexia Audevart
 

Tendances (20)

Visite guidée au pays de la donnée - Du modèle conceptuel au modèle physique
Visite guidée au pays de la donnée - Du modèle conceptuel au modèle physiqueVisite guidée au pays de la donnée - Du modèle conceptuel au modèle physique
Visite guidée au pays de la donnée - Du modèle conceptuel au modèle physique
 
Big data
Big dataBig data
Big data
 
Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...
Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...
Ecole ESMA : Projet Fin de semestre - Application de gestion d'une école - Di...
 
BigData_Chp4: NOSQL
BigData_Chp4: NOSQLBigData_Chp4: NOSQL
BigData_Chp4: NOSQL
 
Chp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation MultidimensionnelleChp3 - Modélisation Multidimensionnelle
Chp3 - Modélisation Multidimensionnelle
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
 
Chapitre 2 hadoop
Chapitre 2 hadoopChapitre 2 hadoop
Chapitre 2 hadoop
 
Big Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendancesBig Data : concepts, cas d'usage et tendances
Big Data : concepts, cas d'usage et tendances
 
BigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingBigData_Chp3: Data Processing
BigData_Chp3: Data Processing
 
Big data
Big dataBig data
Big data
 
Rapport- Conception et réalisation d'une plateforme social learning
Rapport- Conception et réalisation d'une plateforme social learningRapport- Conception et réalisation d'une plateforme social learning
Rapport- Conception et réalisation d'une plateforme social learning
 
BigData_TP3 : Spark
BigData_TP3 : SparkBigData_TP3 : Spark
BigData_TP3 : Spark
 
Business Intelligence
Business IntelligenceBusiness Intelligence
Business Intelligence
 
Présentation pfe Développement d'une application bancaire mobile
Présentation pfe Développement d'une application bancaire mobilePrésentation pfe Développement d'une application bancaire mobile
Présentation pfe Développement d'une application bancaire mobile
 
Introduction au big data
Introduction au big dataIntroduction au big data
Introduction au big data
 
Les BD NoSQL
Les BD NoSQLLes BD NoSQL
Les BD NoSQL
 
Cours Base de données relationnelles
Cours Base de données relationnellesCours Base de données relationnelles
Cours Base de données relationnelles
 
Cours Big Data Chap3
Cours Big Data Chap3Cours Big Data Chap3
Cours Big Data Chap3
 
Big Data, Hadoop & Spark
Big Data, Hadoop & SparkBig Data, Hadoop & Spark
Big Data, Hadoop & Spark
 
Traitement distribue en BIg Data - KAFKA Broker and Kafka Streams
Traitement distribue en BIg Data - KAFKA Broker and Kafka StreamsTraitement distribue en BIg Data - KAFKA Broker and Kafka Streams
Traitement distribue en BIg Data - KAFKA Broker and Kafka Streams
 

Similaire à Big data, Intelligence artificielle, quelles conséquences pour les professionnels de l'information ?

Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...Gautier Poupeau
 
Visite guidée au pays de la donnée - Introduction et tour d'horizon
Visite guidée au pays de la donnée - Introduction et tour d'horizonVisite guidée au pays de la donnée - Introduction et tour d'horizon
Visite guidée au pays de la donnée - Introduction et tour d'horizonGautier Poupeau
 
Presentation 2009 offre Social Computing
Presentation 2009 offre Social ComputingPresentation 2009 offre Social Computing
Presentation 2009 offre Social ComputingSocial Computing
 
Data Management - PramaTALK
Data Management - PramaTALKData Management - PramaTALK
Data Management - PramaTALKPramana
 
Système d'aide à l’indexation et à la recherche d’information sur le web
Système d'aide à l’indexation et à la recherche d’information sur le webSystème d'aide à l’indexation et à la recherche d’information sur le web
Système d'aide à l’indexation et à la recherche d’information sur le webespenel
 
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?Zeenea
 
Impacts technologiques de la gouvernance de l'information
Impacts technologiques de la gouvernance de l'informationImpacts technologiques de la gouvernance de l'information
Impacts technologiques de la gouvernance de l'informationClaude Super
 
De la business intelligence au Big Data
De la business intelligence au Big DataDe la business intelligence au Big Data
De la business intelligence au Big DataTechnofutur TIC
 
Les Services du savoir
Les Services du savoirLes Services du savoir
Les Services du savoirAlbert Simard
 
Infographie (Big?) Data - EnjoyDigitAll by BNP Paribas
Infographie (Big?) Data - EnjoyDigitAll by BNP ParibasInfographie (Big?) Data - EnjoyDigitAll by BNP Paribas
Infographie (Big?) Data - EnjoyDigitAll by BNP ParibasEnjoyDigitAll by BNP Paribas
 
Atelier de définition d’une offre de service de gestion de l’information (ECM...
Atelier de définition d’une offre de service de gestion de l’information (ECM...Atelier de définition d’une offre de service de gestion de l’information (ECM...
Atelier de définition d’une offre de service de gestion de l’information (ECM...Perrein Jean-Pascal
 
Presentation pole-17 dec - v4
Presentation pole-17 dec - v4Presentation pole-17 dec - v4
Presentation pole-17 dec - v4Muriel Milhaud
 
2011 10 27 dematerialisation de l information by competitic
2011 10 27 dematerialisation de l information by competitic2011 10 27 dematerialisation de l information by competitic
2011 10 27 dematerialisation de l information by competiticCOMPETITIC
 
Search 2010 - Tendances et perspectives
Search 2010 - Tendances et perspectivesSearch 2010 - Tendances et perspectives
Search 2010 - Tendances et perspectivesAref Jdey
 
Portails d'information
Portails d'informationPortails d'information
Portails d'informationSKennel
 
Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"
Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"
Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"Alain Chekroun
 
2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...
2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...
2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...COMPETITIC
 
Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...
Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...
Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...Denodo
 

Similaire à Big data, Intelligence artificielle, quelles conséquences pour les professionnels de l'information ? (20)

Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
 
Visite guidée au pays de la donnée - Introduction et tour d'horizon
Visite guidée au pays de la donnée - Introduction et tour d'horizonVisite guidée au pays de la donnée - Introduction et tour d'horizon
Visite guidée au pays de la donnée - Introduction et tour d'horizon
 
Presentation 2009 offre Social Computing
Presentation 2009 offre Social ComputingPresentation 2009 offre Social Computing
Presentation 2009 offre Social Computing
 
Data Management - PramaTALK
Data Management - PramaTALKData Management - PramaTALK
Data Management - PramaTALK
 
Sujet de thèse : CATCAP
Sujet de thèse : CATCAPSujet de thèse : CATCAP
Sujet de thèse : CATCAP
 
Présentation OCARA
Présentation OCARAPrésentation OCARA
Présentation OCARA
 
Système d'aide à l’indexation et à la recherche d’information sur le web
Système d'aide à l’indexation et à la recherche d’information sur le webSystème d'aide à l’indexation et à la recherche d’information sur le web
Système d'aide à l’indexation et à la recherche d’information sur le web
 
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
Gouvernance des données - Pourquoi démarrer une gouvernance des données agile ?
 
Impacts technologiques de la gouvernance de l'information
Impacts technologiques de la gouvernance de l'informationImpacts technologiques de la gouvernance de l'information
Impacts technologiques de la gouvernance de l'information
 
De la business intelligence au Big Data
De la business intelligence au Big DataDe la business intelligence au Big Data
De la business intelligence au Big Data
 
Les Services du savoir
Les Services du savoirLes Services du savoir
Les Services du savoir
 
Infographie (Big?) Data - EnjoyDigitAll by BNP Paribas
Infographie (Big?) Data - EnjoyDigitAll by BNP ParibasInfographie (Big?) Data - EnjoyDigitAll by BNP Paribas
Infographie (Big?) Data - EnjoyDigitAll by BNP Paribas
 
Atelier de définition d’une offre de service de gestion de l’information (ECM...
Atelier de définition d’une offre de service de gestion de l’information (ECM...Atelier de définition d’une offre de service de gestion de l’information (ECM...
Atelier de définition d’une offre de service de gestion de l’information (ECM...
 
Presentation pole-17 dec - v4
Presentation pole-17 dec - v4Presentation pole-17 dec - v4
Presentation pole-17 dec - v4
 
2011 10 27 dematerialisation de l information by competitic
2011 10 27 dematerialisation de l information by competitic2011 10 27 dematerialisation de l information by competitic
2011 10 27 dematerialisation de l information by competitic
 
Search 2010 - Tendances et perspectives
Search 2010 - Tendances et perspectivesSearch 2010 - Tendances et perspectives
Search 2010 - Tendances et perspectives
 
Portails d'information
Portails d'informationPortails d'information
Portails d'information
 
Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"
Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"
Solutions GED/Dématérialisation - "Gouvernance documentaire" et "Dématique"
 
2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...
2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...
2011 05 26 Anticipez les évolutions de votre environnement pour adapter votre...
 
Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...
Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...
Webinar Denodo & CRIP : Souveraineté, information sensible et data gouvernanc...
 

Plus de Gautier Poupeau

Why I don't use Semantic Web technologies anymore, event if they still influe...
Why I don't use Semantic Web technologies anymore, event if they still influe...Why I don't use Semantic Web technologies anymore, event if they still influe...
Why I don't use Semantic Web technologies anymore, event if they still influe...Gautier Poupeau
 
Visite guidée au pays de la donnée - Traitement automatique des données
Visite guidée au pays de la donnée - Traitement automatique des donnéesVisite guidée au pays de la donnée - Traitement automatique des données
Visite guidée au pays de la donnée - Traitement automatique des donnéesGautier Poupeau
 
Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?
Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?
Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?Gautier Poupeau
 
Aligner vos données avec Wikidata grâce à l'outil Open Refine
Aligner vos données avec Wikidata grâce à l'outil Open RefineAligner vos données avec Wikidata grâce à l'outil Open Refine
Aligner vos données avec Wikidata grâce à l'outil Open RefineGautier Poupeau
 
Découverte du SPARQL endpoint de HAL
Découverte du SPARQL endpoint de HALDécouverte du SPARQL endpoint de HAL
Découverte du SPARQL endpoint de HALGautier Poupeau
 
Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...
Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...
Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...Gautier Poupeau
 
Réalisation d'un mashup de données avec DSS de Dataiku - Première partie
Réalisation d'un mashup de données avec DSS de Dataiku - Première partieRéalisation d'un mashup de données avec DSS de Dataiku - Première partie
Réalisation d'un mashup de données avec DSS de Dataiku - Première partieGautier Poupeau
 
Data in the center of the Information System
Data in the center of the Information SystemData in the center of the Information System
Data in the center of the Information SystemGautier Poupeau
 
Les technologies du Web appliquées aux données structurées (1ère partie : Enc...
Les technologies du Web appliquées aux données structurées (1ère partie : Enc...Les technologies du Web appliquées aux données structurées (1ère partie : Enc...
Les technologies du Web appliquées aux données structurées (1ère partie : Enc...Gautier Poupeau
 
Les technologies du Web appliquées aux données structurées (2ème partie : Rel...
Les technologies du Web appliquées aux données structurées (2ème partie : Rel...Les technologies du Web appliquées aux données structurées (2ème partie : Rel...
Les technologies du Web appliquées aux données structurées (2ème partie : Rel...Gautier Poupeau
 
Information numérique : défintions et enjeux
Information numérique : défintions et enjeuxInformation numérique : défintions et enjeux
Information numérique : défintions et enjeuxGautier Poupeau
 
Les professionnels de l'information face aux défis du Web de données
Les professionnels de l'information face aux défis du Web de donnéesLes professionnels de l'information face aux défis du Web de données
Les professionnels de l'information face aux défis du Web de donnéesGautier Poupeau
 
L’apport des technologies du Web sémantique à la gestion des données structur...
L’apport des technologies du Web sémantique à la gestion des données structur...L’apport des technologies du Web sémantique à la gestion des données structur...
L’apport des technologies du Web sémantique à la gestion des données structur...Gautier Poupeau
 
Index nominum to ontology
Index nominum to ontologyIndex nominum to ontology
Index nominum to ontologyGautier Poupeau
 
Le Web de données et les bibliothèques
Le Web de données et les bibliothèquesLe Web de données et les bibliothèques
Le Web de données et les bibliothèquesGautier Poupeau
 
A la découverte du Web sémantique
A la découverte du Web sémantiqueA la découverte du Web sémantique
A la découverte du Web sémantiqueGautier Poupeau
 

Plus de Gautier Poupeau (17)

Why I don't use Semantic Web technologies anymore, event if they still influe...
Why I don't use Semantic Web technologies anymore, event if they still influe...Why I don't use Semantic Web technologies anymore, event if they still influe...
Why I don't use Semantic Web technologies anymore, event if they still influe...
 
Visite guidée au pays de la donnée - Traitement automatique des données
Visite guidée au pays de la donnée - Traitement automatique des donnéesVisite guidée au pays de la donnée - Traitement automatique des données
Visite guidée au pays de la donnée - Traitement automatique des données
 
Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?
Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?
Un modèle de données unique pour les collections de l'Ina, pourquoi ? Comment ?
 
Aligner vos données avec Wikidata grâce à l'outil Open Refine
Aligner vos données avec Wikidata grâce à l'outil Open RefineAligner vos données avec Wikidata grâce à l'outil Open Refine
Aligner vos données avec Wikidata grâce à l'outil Open Refine
 
Découverte du SPARQL endpoint de HAL
Découverte du SPARQL endpoint de HALDécouverte du SPARQL endpoint de HAL
Découverte du SPARQL endpoint de HAL
 
Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...
Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...
Réalisation d'un mashup de données avec DSS de Dataiku et visualisation avec ...
 
Réalisation d'un mashup de données avec DSS de Dataiku - Première partie
Réalisation d'un mashup de données avec DSS de Dataiku - Première partieRéalisation d'un mashup de données avec DSS de Dataiku - Première partie
Réalisation d'un mashup de données avec DSS de Dataiku - Première partie
 
Data in the center of the Information System
Data in the center of the Information SystemData in the center of the Information System
Data in the center of the Information System
 
Les technologies du Web appliquées aux données structurées (1ère partie : Enc...
Les technologies du Web appliquées aux données structurées (1ère partie : Enc...Les technologies du Web appliquées aux données structurées (1ère partie : Enc...
Les technologies du Web appliquées aux données structurées (1ère partie : Enc...
 
Les technologies du Web appliquées aux données structurées (2ème partie : Rel...
Les technologies du Web appliquées aux données structurées (2ème partie : Rel...Les technologies du Web appliquées aux données structurées (2ème partie : Rel...
Les technologies du Web appliquées aux données structurées (2ème partie : Rel...
 
Information numérique : défintions et enjeux
Information numérique : défintions et enjeuxInformation numérique : défintions et enjeux
Information numérique : défintions et enjeux
 
Les professionnels de l'information face aux défis du Web de données
Les professionnels de l'information face aux défis du Web de donnéesLes professionnels de l'information face aux défis du Web de données
Les professionnels de l'information face aux défis du Web de données
 
L’apport des technologies du Web sémantique à la gestion des données structur...
L’apport des technologies du Web sémantique à la gestion des données structur...L’apport des technologies du Web sémantique à la gestion des données structur...
L’apport des technologies du Web sémantique à la gestion des données structur...
 
RDF en quelques slides
RDF en quelques slidesRDF en quelques slides
RDF en quelques slides
 
Index nominum to ontology
Index nominum to ontologyIndex nominum to ontology
Index nominum to ontology
 
Le Web de données et les bibliothèques
Le Web de données et les bibliothèquesLe Web de données et les bibliothèques
Le Web de données et les bibliothèques
 
A la découverte du Web sémantique
A la découverte du Web sémantiqueA la découverte du Web sémantique
A la découverte du Web sémantique
 

Dernier

analyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptxanalyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptxHadJer61
 
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...France Travail
 
Bidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from TransformersBidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from Transformersbahija babzine
 
To_understand_transformers_together presentation
To_understand_transformers_together presentationTo_understand_transformers_together presentation
To_understand_transformers_together presentationbahija babzine
 
Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023France Travail
 
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel AttalELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attalcontact Elabe
 

Dernier (6)

analyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptxanalyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptx
 
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
 
Bidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from TransformersBidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from Transformers
 
To_understand_transformers_together presentation
To_understand_transformers_together presentationTo_understand_transformers_together presentation
To_understand_transformers_together presentation
 
Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023
 
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel AttalELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
 

Big data, Intelligence artificielle, quelles conséquences pour les professionnels de l'information ?

  • 2. Les missions du professionnels de l’information Valoriser Acquérir Modéliser Décrire Organiser Repérer Assurer la continuité de l’accès à l’information pertinente
  • 4. La « numérisation » du monde : un changement de granularité En permettant le traitement informatisé du contenu lui-même, la numérisation a provoqué une modification dans l’appréhension des choses : du document à la donnée. La description est numérique Le document/support est accessible via une notice qui en décrit la globalité Le document est numérisé ou nativement numérique Le moteur de recherche permet d’accéder au contenu du document Le document est un ensemble de données exploitables Le document lui-même devient une source de données
  • 5. Le Big Data : décloisonnement et émergence des données En apportant des réponses à certains blocages technologiques, le Big Data a vu l’émergence d’un intérêt des DSI et, plus globalement, des organisations pour la donnée elle-même au-delà des processus. Le décloisonnement des silos applicatifs La donnée d’usage, pierre angulaire du service aux utilisateurs
  • 6. Fouille et IA : automatisation et nouvelles formes de valorisation La maturité des technologies de fouille de données et la disponibilité de données numériques massives permettent d’envisager l’automatisation de certaines tâches et l’apparition de nouveaux cas d’usages. Extraire/générer de la donnée Mise en relation de contenus Statistiques Extraction d’entités nommées Analyse des images Transcription de la parole Reconnaissance optique de caractères Recommandations par le contenu Identification de contenus équivalents Analyse du comportement Data-visualisation Tableaux de bord
  • 7. Les enjeux pour le professionnel de l’information face à ces changements
  • 8. Elargir son périmètre d’action à toutes les données Métadonnées Contenu Données d’usage et contributions Référentiels Données générées /secondaires • Documentaire (collection) ou non (bases de données diverses) • Issu d’un processus de numérisation (OCR, Speech to text, reconnaissance de formes) ou nativement numérique Données sur le contenu qui peuvent être de nature : • descriptive • administrative (technique, traçabilité, juridique) • structure Données de référence partagées entre les différents ensembles de données et permettant d’assurer une cohérence entre eux Toutes les données laissées par les utilisateurs : logs, traces, contributions sur les réseaux sociaux en rapport avec les données Données obtenues à partir de l’exploitation des autres types de données : données quantitatives, extraction, machine learning, inférence…
  • 9. Assurer la contextualisation et la cohérence des données (Méta)données Contenu Données extraites Traces Référentiel Mise en relation de contenus Contributions Statistiques
  • 10. Garantir la qualité des données et des référentiels Une IA performante nécessite des données de très bonne qualité !
  • 11. Garantir et optimiser l’accès aux données Le professionnel de l’information : un analyste et un « curateur » des données Le professionnel de l’information : un architecte de l’information un metteur en scène des données Grâce à sa compréhension et sa connaissance des données, le professionnel de l’information est un relais pour offrir une vue des données disponibles et en déployer les usages
  • 12. Assurer la maîtrise des données • Animer et assurer la gouvernance de données à l’échelle de l’organisation • Développer et maintenir le modèle logique de données de l’organisation • Mettre en œuvre une expertise et une connaissance transverse Décloisonner les silos, organiser et stocker les données selon leur logique et pas simplement leur usage impose de déployer une gouvernance de données à l’échelle de l’organisation
  • 13. Se positionner à l’interface entre le métier et la DSI Finalement, le professionnel de l’information est à l’interface entre le métier et la DSI Le professionnel de l’information aide la DSI à mieux appréhender le sens et la logique des données et à en assurer la qualité et la maintenabilité Le professionnel de l’information accompagne le métier pour faire des données un « asset » incontournable à leurs activités
  • 14. Le cycle de vie de la donnée Modélisation Acquisition Stockage Exposition Visualisation Organisation conceptuel / Structuration logique Indexation machine / Organisation physique Saisie / Récupération / Préparation / Génération / Transformation Interrogation / Mise à disposition / Interopérabilité Usages / Architecture de l’information / Expérience utilisateur (UX) / Interface utilisateur (UI) Exploitation Text & Data Mining / Analyse / Traitement Gestion Intégrité / Enrichissement / Référentiels
  • 15. Pour plus d’informations : http://www.ina-expert.com Gautier Poupeau gpoupeau@ina.fr @lespetitescases Christine Braemer cbraemer@ina.fr

Notes de l'éditeur

  1. Modéliser les données Analyser et comprendre les données Traiter et manipuler les données Comprendre le fonctionnement d’un SI dans son ensemble Mener un projet Architecture de l’information