SlideShare a Scribd company logo
1 of 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

More Related Content

What's hot

La grh à travers les compétences pour améliorer la
La grh à travers les compétences pour améliorer laLa grh à travers les compétences pour améliorer la
La grh à travers les compétences pour améliorer la
Allaeddine Makhlouk
 
Veille technologique : méthode et outils
Veille technologique : méthode et outilsVeille technologique : méthode et outils
Veille technologique : méthode et outils
M-Colette Fauré
 

What's hot (20)

Le bien-être au travail des salariés : un enjeu majeur pour les entreprises
Le bien-être au travail  des salariés : un enjeu majeur pour les entreprisesLe bien-être au travail  des salariés : un enjeu majeur pour les entreprises
Le bien-être au travail des salariés : un enjeu majeur pour les entreprises
 
Memoire presentation
Memoire presentationMemoire presentation
Memoire presentation
 
Introduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence ArtificielleIntroduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence Artificielle
 
Big data
Big dataBig data
Big data
 
Transformation Digitale
Transformation DigitaleTransformation Digitale
Transformation Digitale
 
Diaporama archivage electronique
Diaporama archivage electroniqueDiaporama archivage electronique
Diaporama archivage electronique
 
La grh à travers les compétences pour améliorer la
La grh à travers les compétences pour améliorer laLa grh à travers les compétences pour améliorer la
La grh à travers les compétences pour améliorer la
 
Etude : Processus / Méthode pour l’Élaboration du Schéma Directeur des Systè...
Etude : Processus / Méthode pour l’Élaboration  du Schéma Directeur des Systè...Etude : Processus / Méthode pour l’Élaboration  du Schéma Directeur des Systè...
Etude : Processus / Méthode pour l’Élaboration du Schéma Directeur des Systè...
 
Formation Transformation Digitale 2016
Formation Transformation Digitale 2016Formation Transformation Digitale 2016
Formation Transformation Digitale 2016
 
Technologies pour le Big Data
Technologies pour le Big DataTechnologies pour le Big Data
Technologies pour le Big Data
 
Veille technologique : méthode et outils
Veille technologique : méthode et outilsVeille technologique : méthode et outils
Veille technologique : méthode et outils
 
Data mining - Introduction générale
Data mining - Introduction généraleData mining - Introduction générale
Data mining - Introduction générale
 
BPM - Business Process Management
BPM - Business Process ManagementBPM - Business Process Management
BPM - Business Process Management
 
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...
 
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
 
Modélisation des processus métiers BPMN
Modélisation des processus métiers BPMNModélisation des processus métiers BPMN
Modélisation des processus métiers BPMN
 
Histoire du big data
Histoire du big dataHistoire du big data
Histoire du big data
 
Generation start up
Generation start up Generation start up
Generation start up
 
Industrie 4.0 : la fusion d’internet et des usines
Industrie 4.0 : la fusion d’internet et des usines Industrie 4.0 : la fusion d’internet et des usines
Industrie 4.0 : la fusion d’internet et des usines
 
Les enjeux de la transformation numérique
Les enjeux de la transformation numériqueLes enjeux de la transformation numérique
Les enjeux de la transformation numérique
 

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

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
 
Presentation pole-17 dec - v4
Presentation pole-17 dec - v4Presentation pole-17 dec - v4
Presentation pole-17 dec - v4
Muriel Milhaud
 
Portails d'information
Portails d'informationPortails d'information
Portails d'information
SKennel
 
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
 

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

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...
 
Matinale du MDM 2011
Matinale du MDM 2011Matinale du MDM 2011
Matinale du MDM 2011
 

More from Gautier Poupeau

More from Gautier Poupeau (18)

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 - 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
 
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
 

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

Editor's Notes

  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