21
Intégration de données hétérogènes et/ou multisources
Dans beaucoup de domaines d'application, de nombreuses données sont récoltées et disponibles dans
différentes sources de données ayant une organisation et une structure qui leur sont propres. L'interrogation unifiée de sources de données multiples et le liage de données hétérogènes sont des défis majeurs pour permettre un accès uniforme à des usagers (décideurs, experts, grand public) ayant des besoins d’analyse très variés. Il s'agit de développer d'une part les méthodes de synthétisation (fusion) de
ces données, mais également des approches à base de connaissances qui permettent de garder la provenance des données dans les résultats d'analyse obtenus de sorte que les sources et liens puissent être
vérifiés et interrogés et ainsi rendre les résultats plus compréhensibles et donc mieux acceptés par un
utilisateur non informaticien.
Aspects matériels et calcul (architectures distribuées, etc.)
Le traitement de grandes quantités de données créé des contraintes matérielles qui ne peuvent être
ignorées par les algorithmes mis en oeuvre. Par exemple, un stockage décentralisé des données sur de
multiples serveurs nécessitera des algorithmes décentralisés qui puissent traiter localement des sousensemble des données, et communiquer un minimum d'information entre les serveurs. La prise en
compte de telles contraintes pose de nouveaux défis mathématique et algorithmiques.
Explicabilité
Une capacité importante pour les systèmes artificiels automatisés est le fait de pouvoir expliquer, argumenter, justifier un raisonnement, une décision ou une action. Cela est indispensable pour une meilleure acceptabilité des programmes prodiguant conseils ou injonctions (dans le cas d’un véhicule
autonome par exemple).
Les grands défis concernant cette thématique:
Résumé / Restitution linguistique
La restitution linguistique porte sur la production d'un contenu linguistique adoptant un discours précis, répondant à un besoin d'intervention, de diagnostic ou de synthèse, et généré pour un utilisateur.
Les formes de restitution sont multiples comme les réponses rédigées à une question précise, les résumés d'un article, d'un livre ou d'un ensemble de tweets, les recommandations, les tendances, les opinions, ou encore les exercices de validation de connaissances. La restitution linguistique s'appuie sur
des techniques d'extraction d'informations employant principalement des méthodes d'apprentissage
supervisé. La restitution linguistique devrait s'enrichir en se couplant à d'autres types de restitution
(graphique, image), se dynamiser pour intégrer l'évaluation perpétuelle des contenus au cours du
temps et s'incrémenter des connaissances validées par les humains.
Intégration de données hétérogènes et/ou multisources
Dans beaucoup de domaines d'application, de nombreuses données sont récoltées et disponibles dans
différentes sources de données ayant une organisation et une structure qui leur sont propres. L'interrogation unifiée de sources de données multiples et le liage de données hétérogènes sont des défis majeurs pour permettre un accès uniforme à des usagers (décideurs, experts, grand public) ayant des besoins d’analyse très variés. Il s'agit de développer d'une part les méthodes de synthétisation (fusion) de
ces données, mais également des approches à base de connaissances qui permettent de garder la provenance des données dans les résultats d'analyse obtenus de sorte que les sources et liens puissent être
vérifiés et interrogés et ainsi rendre les résultats plus compréhensibles et donc mieux acceptés par un
utilisateur non informaticien.
Aspects matériels et calcul (architectures distribuées, etc.)
Le traitement de grandes quantités de données créé des contraintes matérielles qui ne peuvent être
ignorées par les algorithmes mis en oeuvre. Par exemple, un stockage décentralisé des données sur de
multiples serveurs nécessitera des algorithmes décentralisés qui puissent traiter localement des sousensemble des données, et communiquer un minimum d'information entre les serveurs. La prise en
compte de telles contraintes pose de nouveaux défis mathématique et algorithmiques.
Explicabilité
Une capacité importante pour les systèmes artificiels automatisés est le fait de pouvoir expliquer, argumenter, justifier un raisonnement, une décision ou une action. Cela est indispensable pour une meilleure acceptabilité des programmes prodiguant conseils ou injonctions (dans le cas d’un véhicule
autonome par exemple).
Les grands défis concernant cette thématique:
Résumé / Restitution linguistique
La restitution linguistique porte sur la production d'un contenu linguistique adoptant un discours précis, répondant à un besoin d'intervention, de diagnostic ou de synthèse, et généré pour un utilisateur.
Les formes de restitution sont multiples comme les réponses rédigées à une question précise, les résumés d'un article, d'un livre ou d'un ensemble de tweets, les recommandations, les tendances, les opinions, ou encore les exercices de validation de connaissances. La restitution linguistique s'appuie sur
des techniques d'extraction d'informations employant principalement des méthodes d'apprentissage
supervisé. La restitution linguistique devrait s'enrichir en se couplant à d'autres types de restitution
(graphique, image), se dynamiser pour intégrer l'évaluation perpétuelle des contenus au cours du
temps et s'incrémenter des connaissances validées par les humains.