Rappelons d’abord que l’origine du big data est liée à une logique de programmation distribuée dite map-reduce qui a été développée par des sociétés du Web comme Google, Yahoo!, Facebook etc : ces grands sites mondiaux ont des tonnes de données à analyser et ne pouvaient pas se contenter des approches « bases de données centric » habituelles. Dropbox gère 100 millions de sauvegardes de fichiers par jour, Twitter annonce 200 millions de tweets quotidiens, Facebook supporte 250 millions d’uploads de photos par jour et en stocke plus de 40 milliards… Le big data est donc d’abord une approche informatique qui prend le relais quand une implémentation classique basée sur l’utilisation de quelques serveurs, même très costauds, ne suffit plus pour assurer les temps de traitement attendus. Ainsi, ces acteurs exploitent des clusters regroupant chacun plusieurs milliers de serveurs et manipulant des péta-octets ^[1] de données.

D’un point de vue logiciel, le big data est souvent associé à la pile technologique Hadoop mise en open source par Yahoo! et reprise par nombre d’entreprises à vocation commerciale (EMC, Cloudera, Hortonworks…). Hadoop et ses dérivés apportent un système de stockage distribué, une base de données répartie, ainsi qu’un cadre de programmation et d’exécution de tâches de calcul réparties.

Mais à quoi cela sert-il et quel sens cela a-t-il pour la plupart des entreprises qui ont quelques téra-octets de données à analyser ?

Quelques éléments de réponse :

• Le big data est une technologie et non une solution. C’est un moyen et pas une fin. Donc dire « je vais faire du big data » n’a pas de sens car celui-ci ne répond à aucun besoin fonctionnel en particulier. C’est comme dire « je vais faire de la base de données » ou « je vais faire du Web ». Pour quoi faire ? La démarche doit rester pragmatique : partez de votre besoin, voyez s’il est satisfait de façon acceptable par des solutions existantes. Et si rien de ce qui existe ne convient (trop cher, trop lent) alors demandez-vous si une approche alternative exploitant les technologies du big data peut être envisagée.

• Le big data nécessite de très fortes compétences. Tout d’abord, le niveau de maturité des technologies proposées nécessite des ingénieurs qualifiés pour installer, paramétrer, optimiser et faire tourner ces couches logicielles. A fortiori si vous comptez bâtir des solutions opérationnelles critiques. Il en va de même pour le développement des applications car celles qui veulent tirer partie de l’approche doivent être ré-écrites selon les principes du map-reduce. Souvenons-nous que chez Google ou Facebook, ce sont leurs meilleurs ingénieurs logiciels et  mathématiciens qui développent les applications big data.

• Pour faire du big data, il faut beaucoup de données. Des téra-octets, voire plutôt des dizaines de téra-octets. À moins de 10 ou 15 serveurs, le passage au big data n’a pas de sens.
  Un exemple : Oracle vient de sortir une appliance big data petit format : 18 serveurs, 864 Go de mémoire, 648 To de stockage pour la modique somme de 455 000 $. Et encore… il reste à intégrer et à développer les applications qui reposeront sur cette architecture.

  
  Avec l’arrivée des processeurs massivement multi-cœurs, du in-memory computing ou des SSD, la frontière se déplace et pour la majorité des cas, un seul serveur moderne suffit encore. Alors que dans le cas d’un cluster, il faut prendre en compte le coût élevé de possession (TCO) : achat des machines, installation et administration, électricité, froid, maintenance… A fortiori s’il s’agit de n’effectuer que quelques heures ou jours de calcul par mois, la rentabilité d’une telle approche est difficile à atteindre. Big data et cloud computing pourraient alors avoir un avenir commun, mais a condition que les entreprises veuillent bien envoyer dans le cloud leurs téra-octets de données à analyser.

En définitive, il ne s’agit pas de savoir sur combien de serveurs les calculs sont faits, mais de savoir lesquels. Pour quel usage ? Quelle valeur créée ?
C’est pourquoi ce sont plutôt les éditeurs de logiciels qui vont s’emparer du big data, afin d’offrir des solutions opérationnelles répondant aux besoins des entreprises et passant à l’échelle du péta-octets. Les éditeurs de logiciels déjà actifs dans la BI, le data mining ou les moteurs de recherche intégreront ces techniques pour fournir des version « big » de leurs solutions.

Et d’ailleurs qu’en est-il côté Antidot ? Nos solutions sont conçues dès l’origine pour fonctionner aussi bien sur un seul serveur que sur des clusters de machines pour traiter des millions de données et répondre à des centaines de requêtes par seconde. Et nous travaillons déjà à intégrer à nos solutions les apports de l’approche big data.

Mais au delà de la surenchère marketing, nous nous attachons surtout à fournir des solutions qui créent de la valeur pour nos clients. Ainsi, notre framework d’analyse de documents offre des modules prêts à l’emploi couvrant des besoins aussi variés que la classification, la normalisation, l’annotation, l’enrichissement sémantique ou la géolocalisation des données… Agilité et vitesse d’exécution sont des enjeux qui nous semblent plus importants que force et volume.

Conclusion : ce n’est pas la peine de complexer si vous n’avez pas plusieurs centaines de téra-octets de données à analyser et si vous vous sentez exclu du big data. Car en définitive, seule la valeur que vous saurez tirer de vos données a vraiment de l’importance !

[1] un péta-octet, en abrégé Po, représente 10¹⁵ octets, soit mille téra-octets ou un million de giga-octets…

Chez Antidot, l’approche Open Data nous enthousiasme vraiment, car nous sommes convaincus que c’est le début d’un mouvement qui, en ouvrant les données publiques, va permettre à l’intelligence individuelle et collective des citoyens d’exprimer sa créativité.

Désormais, les données commencent à être publiées, et les standards, technologies et outils sont disponibles : et du coup, tout le monde va comprendre que l’Open Data n’est plus un problème de “comment faire“, mais bien de “que faire” et surtout “pourquoi le faire“.

Or le “que faire” et le “pourquoi le faire” peuvent justifier d’interconnecter des jeux de données issus de producteurs très différents, et de mailler des informations de nature très diverses pour les réutiliser d’une façon qui n’avait pas encore été imaginée. Et du coup, on en vient à considérer qu’il faut partager des données les plus brutes possibles, sans le filtre d’APIs qui présupposent des usages et en limitent d’autres. Espérer que des APIs propriétaires associées à chaque jeu de données vont être vraiment utiles est illusoire, pour une raison très simple : si, pour bâtir une application exploitant 13 jeux de données différents, il faut intégrer 13 APIs de fournisseurs différents, alors le résultat du développement sera un monstre totalement impossible à maintenir et à faire évoluer dans le temps, et donc au final inutile.

Il faut donc que les organisations qui se lancent dans l’Open Data publient des données non seulement ouvertes mais pleinement réutilisables : à cet égard, on ne saurait se contenter de proposer de sous forme d’une collection, aussi riche soit-elle, de fichiers XLS, PDF ou même CSV qui vont nécessiter beaucoup de travail pour que les données qu’ils renferment soient vraiment exploitées. Comme l’a dit fort justement Tim Berners-Lee à TED 2009 : “Raw data now!”

Le W3C a défini des standards pour l’accès aux données brutes, via l’approche du “web sémantique” ou “web des données” qui seul permet une réutilisation généralisée des données, par la mise en réseau massive des silos de données ouvertes où qu’ils se trouvent sur le web. 
Ces standards publiés par le W3C s’appellent RDF, OWL et  SPARQL. ils sont désormais matures et de nombreux outils existent pour les mettre en œuvre.

Nous considérons que la donnée brute en RDF, publiée dans le “nuage du Linked Open Data” ou “LOD cloud” est la seule vraie façon pérenne de permettre une réexploitation massive des données. Et nous ne sommes pas les seuls à le penser, si l’on en juge par la croissance formidable du LOD en l’espace de 4 ans : cliquez sur ces images de 2007, 2009 et 2011  pour les agrandir et mesurer la puissance de ce phénomène.

Pour découvrir l’approche ouverte du “web des données”, nous vous conseillons le lire 3 billets de blog très pédagogiques écrits par notre collaborateur Gautier Poupeau, grand spécialiste du web des données et de l’Open Data. Vous pouvez aussi consulter les différentes présentations d’Antidot sur Slideshare.

Enfin, nous vous rappelons que  notre solution Antidot Information Factory (PDF – 4 pages) permet, de manière industrielle, de mailler très largement des données de provenance et de nature très diverses, de les exploiter et de les valoriser, notamment dans le cadre de projets Open Data ou Linked Data. Par ailleurs, nous avons publié en Open Source une bibliothèque en Java appelée db2triples qui simplifie la transformation en graphe RDF de données issues de bases de données relationnelles classiques. Nos solutions et notre expertise sont à votre disposition, n’hésitez pas à faire appel à nous dans le cadre d’un projet pilote ou d’un “proof of concept” !

Vous pouvez retrouver ici la captation vidéo du Meetup. Grâce à la plateforme PolemicTweet développée par l’IRI, vous retrouvez sous la vidéo les tweets des participants, synchronisés avec le déroulement du Meetup :

Antidot y était présent, comme ce fut le cas pour les précédente éditions, afin de présenter aux marchands en ligne et aux intégrateurs spécialisés les nouvelles fonctionnalités de sa solution AFS@Store, la déclinaison verticale du moteur de recherche Antidot Finder Suite dédiée au secteur de la vente en ligne.

Nous avons également animé deux conférences :

Mardi matin, une conférence à la fois pédagogique et prospective a fait le point sur les apports du web sémantique au e-commerce, notamment suite à l’annonce de l’initiative Schema.org par Bing, Google et Yahoo! :

Jeudi matin, une conférence très pratique a montré comment AFS@Store peut booster le taux de transformation d’un site marchand, réalisé avec Magento ou une autre plateforme e-commerce du marché. Le témoignage de Nicolas Fayon, directeur Internet et e-commerce de la société Oreca, leader français de la vente en ligne pour le sport automobile, fut très convaincant :

Ces Meetups sont organisés dans le cadre du groupe « Les rencontres du Web de données », sponsorisé par le W3C.

La Semantic Web Company est une entreprise viennoise spécialisée, comme son nom l’indique, dans la mise en œuvre des technologies du web sémantique. Dans un billet de blog publié le 26 juin et titré « Dans un proche avenir, les moteurs de recherche basés sur des thésaurus seront généralisés »  SWC publie le résultat d’une étude sur le thème des vocabulaires contrôlés, menée en mai-juin 2011 auprès de plus de 150 intervenants dans 27 pays.

A la première question, « Pensez-vous que les entreprises et autres organisations peuvent grandement bénéficier de l’utilisation du Linked Data ? », la réponse est clairement OUI.

Une question corollaire révèle également que  les organisations de toutes tailles ont globalement la même opinion sur le Linked Data. Seules 14 répondants sur 158 considèrent que le Linked Data est un phénomène de niche. On peut globalement dire que plus de 90% des participants pensent que la plupart ou tout au moins certaines organisations peuvent bénéficier du Linked Data.

Les réponses à la seconde question, « Pensez-vous que les moteurs de recherche qui utilisent des thésaurus afin d’améliorer les résultats seront généralisés ? » sont étonnantes : les deux tiers des participants pensent que la recherche basée sur des thésaurus est déjà ou deviendra dominante dans un avenir proche.

Enfin, les réponses à la question  « Quelle est l’importance de l’utilisation de normes comme SKOS pour les vocabulaires contrôlés ? » parlent d’elles-mêmes.

Plus des trois quarts des participants à l’enquête sont convaincus que des standards comme SKOS sont importants pour leur travail quotidien. Deux ans après l’adoption du nouveau standard SKOS en août 2009, il peut être considéré comme adopté puisque 48,7% des répondants ont déclaré que SKOS est « très important » et 29,1% le désignent comme « pertinent ».

En synthèse de cette étude, on peut dire que la communauté du web sémantique a fait un excellent travail pour convaincre les utilisateurs de vocabulaires contrôlés de tirer avantage de SKOS et du Linked Data. Pour autant, seulement 3 à 5% des interrogés sont informés de l’existence de SparQL considéré comme un outil utile pour construire des API standard autour des vocabulaires contrôlés, afin de réduire les coûts d’implémentation de systèmes d’organisation des connaissances.

Antidot a pris cette orientation il y a plus de 5 ans…

Aujourd’hui, de nombreux articles et conférences sont consacrés aux apports industriels du web sémantique et nous nous en réjouissons.

Car cela fait de nombreuses années qu’Antidot a décidé d’intégrer à ses technologies les standards du web sémantique. Dès 2005, alors même que ces standards étaient encore en discussion au sein du W3C, et après avoir participé à des projets de recherche sur ces sujets, nous sommes allés résolument de l’avant, car nous étions convaincus  que l’amélioration de la qualité des résultats fournis par un moteur de recherche passerait notamment par l’utilisation de thésaurus et de vocabulaires contrôlés.  Ainsi, dès 2007, nous avons mis en œuvre SKOS et RDF dans des projets industriels, par exemple pour le moteur de recherche de petites annonces du groupe PagesJaunes.

Mais bien au delà des apports évidents de l’utilisation des vocabulaires contrôlés et plus largement des référentiels,  notre engagement s’est également porté sur le Linked Data car nous pensons que la consolidation des données internes de l’entreprise avec des données externes démultiplie la valeur de l’information et donc son efficacité pour l’utilisateur. Ces deux points (référentiels et Linked data) sont d’ailleurs liés puisque les référentiels jouent un rôle clés dans le maillage de l’information et servent de pivot pour articuler les données issues de sources diverses.

… et nos choix sont validés par des projets industriels

C’est sur la base de ces travaux, passés de la R&D à l’application concrète, que notre produit phare, le moteur de recherche Antidot Finder Suite, supporte depuis des années les ontologies et thésaurus décrits selon les formalismes OWL et SKOS.

Pour donner un exemple très simple de leur utilisation, c’est grâce à un thésaurus de couleurs nativementexprimé en SKOS, qu’un site marchand vendant des articles textiles et utilisant AFS@Store pourra proposer un vêtement « kaki » à un utilisateur cherchant du « vert » et ceci même si le mot « kaki » ne figure pas explicitement dans la fiche produit :

Autre exemple chez un client institutioneld’Antidot, avec l’AFPA : le moteur de recherche mis en place sur le site web de l’organisme en charge de la formation professionnelle des adultes – www.afpa.fr – intègre le thésaurus Formacode® 2008 pour réaliser une extension sémantique entre le code ROME de l’ANPE et les offres de  formation proposées par l’AFPA :

Cette intégration au moteur de recherche du thésaurus métier, formalisé en SKOS, permet de catégoriser automatiquement toute l’offre de formation et d’y donner accès de manière plus intuitive pour les utilisateurs, qui s’expriment naturellement avec leurs propres mots.

Au-delà de ces deux exemples impliquant la mise en œuvre de vocabulaires contrôlés, Antidot considère que les standards du web sémantique constituent désormais un apport majeur pour mieux

• produire automatiquement des métadonnées sémantisées et standardisées au format RDF, à partir de différentes sources dont on collecte les données qui sont ensuite automatiquement agrégées et dynamiquement articulées ;
• restituer ces données sous forme d’une information nouvelle, enrichie, orientée usage et utilisateur, qui peut être exposée dans la logique du Linked Data.

C’est pour cela que nous avons lancé il y a quelques mois notre solution Antidot Information Factory qui permet de construire et d’exploiter des chaînes de captation et transformation des données pour une mise en relation intelligente des informations disponibles. AIF a rendu possible de grandes réalisations, comme la plateforme ISIDORE du CNRS – TGE Adonis qui apporte un accès unifié à plus d’un million de publications produites par la recherche française en sciences humaines et sociales, et qui constitue à ce jour un des plus grands projets Open Data français.

D’autres projets de grande ampleur, qui tirent parti de façon industrielle des thésaurus, et plus largement du web sémantique et de l’approche du Linked Data, sont en phase de développement chez nos clients et seront mis en production dans les prochains mois. Ces réalisations emblématiques démontrent tout le bien fondé de notre approche technologique, nous ne manquerons pas de vous les présenter le moment venu !

Ces rencontres professionnelles du web sémantique s’articulaient autour de 2 journées complémentaires de conférences et de tutoriels. Elles ont rassemblé plus d’une centaine de participants, issus du secteur associatif, du monde académique et de la recherche, de grandes entreprises et de PME innovantes.

Le premier jour, Gautier Poupeau, consultant chez Antidot et membre du comité de programme, participait à la conférence de presse, en compagnie des représentants du W3C, de la BBC, de l’INRIA, et de Logilab.

L’après-midi, Jérôme Mainka, co-fondateur et directeur de la recherche  d’Antidot, est intervenu pour présenter le sujet “Moteurs de recherche et Web Sémantique” – voir sur Slideshare – télécharger le PPT (5,3 Mo).

Le lendemain, Gautier Poupeau a co-animé 2 tutoriels :

• le matin, “RDFa, comment insuffler un peu d’intelligence à une page Web ?” en compagnie d’Ivan Herman, en charge du Semantic Web au W3C – voir sur slideshare – télécharger le PPT (2,8 Mo)
  RDFa, comment insuffler un peu d’intelligence à une page Web ?

  Voir toutes les présentations publiées par Antidot.
• l’après-midi, “SPARQL, comment illuminer vos mashups en consommant les données du Linked Data ?” avec Alexandre Passant du DERI – voir sur slideshare – télécharger le PPT (3,6 Mo).
  SPARQL, comment illuminer vos mashups en consommant les données du Linked Data ?

  Voir toutes les présentations publiées par Antidot.

De l’avis des participants, qui durant les 2 journées ont commenté en direct sur Twitter, les présentations et tutoriels étaient de très bon niveau et les échanges  enrichissants.

Des compte-rendus de SemWeb Pro ont été publiés, notamment par

• Emmanuelle Bermès de la BNF
• David Larlet

Nous signalons également ces articles de

• Silicon : “Le web sémantique comme future solution de gestion de l’information“
• Clubic : “Retour sur les enjeux du web sémantique“
• L’informaticien : “Le Web sémantique est encore une problématique majeure“
• Collaboratif-Info : “Le Web sémantique, déjà une réalité, pas encore un phénomène de masse“
• 01Net Pro: “Semweb.pro : la France bien positionnée sur le web sémantique“
• LeMagIT : “Semweb Pro : le web sémantique français se cherche encore des entreprises utilisatrices“

Dès à présent nous vous donnons rendez-vous dans un an, pour SemWeb Pro 2012 !

Cet événement a rassemblé, de manière informelle, une trentaine de participants d’horizons divers,  jeudi 16 décembre. Nous remercions l’IRI – Institut de Recherche et d’Innovation du centre Pompidou – d’avoir mis à notre disposition, au cœur de Beaubourg, une salle qui a permis de recevoir ce Meetup dans de très bonnes conditions.

Le thème retenu pour ce premier atelier était “Comment réconcilier le SI legacy et le Web par le Web sémantique ?“, et Christian Fauré, Principal Enterprise Architect chez Cap Gemini et défenseur de longue date du Web sémantique, avait accepté notre proposition de l’animer.

En effet, dans deux récents billets de son blog, titrés “Les technologies relationnelles dans les systèmes d’information” et “Métastabilité et architectures logicielles“, Christian a développé un propos selon lequel il faut distinguer les “technologies de gestion” – en gros, l’informatique de gestion et de production actuelle” et les “technologies relationnelles” – qui sont au cœur du Web. Et il pose la question de savoir en quoi les technologies du Web sémantique peuvent justement permettre de réconcilier ces deux visions.

L’idée était donc de nous réunir en atelier pour échanger autour de ce sujet des “technologies relationnelles” et de l’actualité du web sémantique – sérialisation du RDF, API RDF et RDF comme Hypermedia Type – en essayant de dresser la filiation du Web sémantique avec l’évolution du Web – Web 1.0, Web 2.0 et désormais Web 3.0 – d’une part et les applications traditionnelles du système d’information d’autre part.

Une fois les participants accueillis par un représentant de l’IRI puis par Gautier, Christian a développé le propos déjà publié sur son blog. Il a, dans une première partie, introduit les concepts philosophiques qui sous-tendent sa réflexion en s’appuyant sur les travaux de Bernard Stiegler et de Gilbert Simondon sur la prolétarisation, l’individuation et les systèmes techniques : la grammatisation des relations entre individus s’inscrit dans un milieu technique qui favorise l’individuation (milieu associé) ou pas (milieu dissocié). Pour Christian, les “technologies de gestion” entraînent une désindividuation et donc plutôt la prolétarisation des utilisateurs et même des concepteurs et développeurs de ces systèmes, tandis que les “technologies relationnelles” sont au cœur de l’individuation psychique et collective. Christian considère que le bon concept pour distinguer si une technologie est plutôt “de gestion” ou “relationnelle” est le concept de « métastabilité » appliqué aux architectures logicielles.

Dans le web, la possibilité de feedback introduit la métastabilité : chaque contribution d’un utilisateur est source de feedback sur le service web qu’il utilise et contribue potentiellement à son évolution. Mieux, l’analyse des logs constitue déjà un feedback, alors qu’en technologie de gestion l’analyse des logs ne sert qu’à détecter un bug pour remettre le système logiciel dans un état stable, voire hyper-stable.

Dans les technologies relationnelles, et donc le web, l’itération – qui n’est pas la répétition – devient la norme, et le système entre graduellement en résonance avec ses utilisateurs. En revanche dans les technologies de gestion le système est intégralement spécifié, puis conçu et mis en production avant de passer en maintenance.

Qu’en est-il alors pour les technologies du Web sémantique ? Technologies de gestion ou technologies relationnelles ? La réponse est eu cœur même des interrogations qui accompagnent le Web sémantique depuis 10 ans. En effet, si le Web sémantique s’est d’abord orienté vers l’intelligence artificielle et les systèmes experts qui s’apparentent plutôt aux technologies de gestion, l’émergence depuis 2006 du « Linked Data » ou « Web de données » a permis de réintroduire le Web et les technologies relationnelles dans la réflexion sur le Web sémantique.

Malgré tout, le Web sémantique reste encore une promesse. En effet, l’enjeu du web sémantique aujourd’hui, afin de s’accomplir pleinement en tant qu’ensemble de  technologies relationnelles, est de se « socialiser » c’est-à-dire de ne pas se contenter d’être un « web des machines », avec un fort déséquilibre entre l’écriture de « données liées », qui se limiterait à un back-office, tandis que les utilisateurs seraient cantonnés à de la consultation en mode « lecture » dans le front-office.  Ceci s’inscrit dans un mouvement général du web qui se déplace vers l’utilisateur. Ce mouvement étant soutenu par les développeurs d’applications, comment amener les développeurs au web sémantique ?

En effet, Christian remarque que, De plus, de par la métastabilité inhérente au Web, le processus de normalisation d’une technologie du Web succède toujours  à son adoption. Or la normalisation des technologies du Web sémantique a jusqu’à maintenant suivi un chemin inverse, via des “propostions”, ce qui pourrait expliquer en partie les difficultés rencontrées. Comment alors, dans ces conditions, assurer la « socialisation » du Web sémantique, sa dissémination auprès des développeurs et, au-delà des concepteurs et développeurs, comment amener au web sémantique chaque utilisateur du Web, et de façon véritablement contributive ?

Afin de répondre à ces questions, Christian a esquissé pour finir quelques pistes techniques en posant les questions suivantes :

• Peut-on développer avec des langages fonctionnels des applications mettant en œuvre RDF, sans perdre la richesse du graphe ?
• Quelle sérialisation pour RDF ? XML est-il incontournable ?
• Opportunité d’une API pour RDF ? L’API n’est-elle pas déjà HTTP ?
• Faut-il faire de RDF un Hypermedia Type ?
• Comment faire décoller l’usage de SparQL ?

Les échanges entre les participants ont été animés et parfois presque vifs. Moi qui suis encore au début de ma courbe d’apprentissage sur le web sémantique, j’en ai retenu les points suivants, que vous pouvez évidemment compléter ou discuter en commentaires de ce billet :

• L’Union Européenne a approuvé une roadmap pour favoriser la publication massive de données publiques suivant les principes du Linked Data.
• La question de la maturité des outils de stockage des données a été au cœur de plusieurs interventions sur les problématiques de montée en charge, de maintenance ou même de modèles sous-jacents pour le stockage (SGBDR classique avec éventuellement l’implémentation des standards en cours de réflexion au W3C sur le sujet : R2RML ou direct mapping,  column store…)
• Le bénéfice premier et fondamental du web sémantique, c’est le partage de données : plus il y aura de données partagées via le web sémantique et plus il pourra y avoir de créativité autour de ces données : la publication en RDF peut créer un effet de réseau, et la valeur de ce réseau de données pourrait croître exponentiellement.
• Le premier vecteur de diffusion du web sémantique et de RDF sera peut-être le e-commerce, car s’il existe une information que les entreprises sont prêtes à publier c’est bien leur catalogue. On constate d’ailleurs les progrès rapides de RDFa / GoodRelations, désormais adoptés par les grands acteurs car le secteur du commerce en ligne voit un intérêt de business immédiat. Ainsi par exemple la description complète d’un produit technique comme une chaudière peut nécessiter de décrire plusieurs centaines ’attributs : un graphe RDF le permet.

En conclusion, il a été rappelé que, si ce premier Meetup a été mis sur pied par Gautier et Antidot, qui en organisera un par trimestre, chaque participant peut évidemment s’impliquer en proposant des thèmes et en prenant en charge l’organisation de prochains ateliers : le champ à défricher est très vaste, et toutes les énergies sont à mobiliser !

J’en profite d’ailleurs pour mentionner une autre initiative très intéressante, avec cet événement qui aura lieu les 16 et 17 janvier à Paris : la conférence SemWep.Pro 2011 vous propose une journée de conférence et une journée de tutoriels destinées à faire se rencontrer les acteurs du Web Sémantique, tant du côté de la communauté scientifique que des industriels.

PS : Merci à Gautier, qui a pris le temps de me relire et d’ajouter de nombreux liens fort utiles.

Mise à jour le 10 janvier 2011 : la vidéo de l’intervention de Christian est disponible via son blog.

• améliorer le référencement
• partager et valoriser son catalogue auprès d’un écosystème de partenaires (revendeurs, comparateurs de prix, places de marché).

En plus des techniques traditionnelles (Référencement naturel et API Web) émergent, aujourd’hui, des solutions normalisées (RDFa, Good Relations, Linked Data) issues des travaux menées depuis plus de 10 ans au sein du W3C sur le Web sémantique. Resté longtemps l’apanage des laboratoires de recherche, le Web sémantique est une réalité industrielle implémentée par des grands acteurs du Web tels que Facebook, Yahoo! ou Google, de même que des acteurs du E-Commerce tels que BestBuy, O’Reilly ou overstock.com. Ces initiatives ouvrent une nouvelle ère dans le domaine de la valorisation, du traitement et de la recherche des données du E-Commerce avec l’objectif d’améliorer l’expérience des utilisateurs.

L’essentiel de ce billet reprend les idées exposées dans la présentation « Web sémantique et E-Commerce » disponible sur Slideshare et donnée à l’occasion du salon du E-Commerce à Paris

Le catalogue de produits est la richesse du eCommerçant et le site Web en est la matérialisation, la vitrine « virtuelle » pour les utilisateurs. C’est pourquoi sa maintenance, son enrichissement et sa valorisation sont des facteurs clé de succès pour les sites marchands. La complexité de cette tâche est à la hauteur de l’enjeu et ce travail peut s’avérer rapidement fastidieux et lourd tant pour améliorer la visibilité des produits sur les moteurs de recherche grand public, les techniques dit de référencement naturel étant de plus en plus complexes à maintenir avec l’augmentation de la concurrence, que pour exposer les données du catalogue auprès des partenaires qui présentent chacun des particularités en l’absence de normalisation ou pour l’agrégation de données hétérogènes provenant des différents fournisseurs.

Face à ces difficultés, les technologies du Web sémantique proposent aujourd’hui des solutions.

Telle la tour de Babel, chaque site propose sa solution pour exposer
les données du E-Commerce

Qu’est-ce-que le Web sémantique ou le Web de données ?

Créé il y a plus de 20 ans, le Web constitue un cadre d’interopérabilité pour mettre à disposition, partager et lier des documents sur un réseau de machines connectées. Pour ce faire, il s’appuie sur un ensemble de briques technologiques qui va du langage de communication (HTTP) au langage de structuration d’une page Web (HTML). La force du Web réside dans un consensus né de la normalisation de ces briques ce qui assure l’interopérabilité. Dans le même état d’esprit, le W3C, l’organisme de normalisation du Web, et de nombreux laboratoires de recherche travaillent depuis plus de 10 ans à l’élaboration avec la même architecture technologique d’un cadre d’interopérabilité pour mettre à disposition, partager et lier des données structurées. Alors que les documents étaient à destination des humains, cette nouvelle étape dans l’histoire du Web a vocation à améliorer le traitement des informations et des données par les machines dans un contexte de réseau décentralisé.

S’appuyant sur l’architecture du Web (protocole HTTP, principe d’identification avec des URL), le Web sémantique propose lui-même un ensemble de briques technologiques (RDF, OWL/RDFS, SKOS, SPARQL).

Exposer la richesse de son catalogue dans les pages Web

A la différence d’un humain, une machine n’est pas en capacité de comprendre les différentes informations d’une fiche de caractéristique produit publiée sur une page Web. En particulier, les moteurs de recherche n’identifient pas directement le sens des différentes données et ne savent pas faire de différences entre l’intitulé du produit, sa marque, sa description ou encore son prix. En effet, le but poursuivi par HTML n’est pas d’encoder le sens des informations, mais la structure de la page Web en vue de sa lecture par un humain. A l’inverse, le modèle RDF poursuit précisément cet objectif. Afin de réconcilier les deux au sein d’une page Web, le W3C a mis au point une syntaxe, le RDFa, pour ajouter des assertions/triplets RDF dans le code HTML. Cette syntaxe se présente sous la forme d’attributs invisibles pour l’utilisateur, mais que la machine sera en capacité d’analyser.

Mais, si le W3C a normalisé le modèle (RDF) et la syntaxe (RDFa), c’est-à-dire la manière d’introduire du RDF dans le HTML, en revanche il ne s’occupe pas de normaliser tous les vocabulaires pour tous les domaines. Or, pour assurer toutes les conditions d’interopérabilité, il est nécessaire, comme pour les humains, d’utiliser le même vocabulaire. Dans le domaine du E-Commerce, le RDFa devient peu à peu un enjeu pour améliorer le référencement. Yahoo!, tout d’abord, avec le programme SearchMonkey, Google avec les Google Rich Snippets et, enfin, Facebook avec l’Open Graph Protocol ont annoncé le support de RDFa pour améliorer le rendu des résultats de la recherche ou des recommandations de leurs utilisateurs. Dans ce cadre, ils proposaient tous les deux des vocabulaires spécifiques. De manière parallèle, un chercheur allemand, Martin Hepp, a mis au point et initié la promotion d’un autre vocabulaire beaucoup plus complet, Good Relations.

L’annonce de l’arrêt de SearchMonkey suite à la décision de Yahoo! d’arrêter ces activités “Moteur de recherche” au profit de celui de Microsoft, Bing, et l’annonce récente par Google du support de Good Relations le propulsent comme le vocabulaire de référence pour décrire des produits. Même si le programme Google Rich Snippet n’est actuellement pas disponible dans sa partie “Produits” sur les déclinaisons européennes du moteur de recherche, Google a d’ors et déjà annoncé que ses équipes y travaillaient. Lorsqu’on voit un groupe comme BestBuy qui annonce une augmentation de 30% de son trafic suite à l’implémentation de RDFa et Good relations dans ses pages, on ne peut qu’inviter les sites marchands français à préparer l’avenir et à s’y mettre dès maintenant.

Exemple de Google Rich Snippet avec RDFa et Good Relations

Maintenant que nous avons exposé les enjeux et le contexte industriel, nous verrons dans le prochain billet comment concrètement ajouter du RDFa dans une page Web, ainsi que l’apport des solutions Antidot dans ce domaine.

Au sein de ce rendez-vous incontournable de tous les acteurs européens du e-commerce, l’équipe Antidot anime cette année 2 conférences, dans lesquelles nous avons voulu sortir des sentiers battus : nous ne vous parlerons pas de référencement ou d’e-mailing, pas de discours fumeux sur la maximisation de la transformation. Nous avons en effet choisi lors de ces 2 interventions d’aborder deux thèmes plus axés sur l’innovation afin d’illustrer comment des évolutions technologiques bouleversent régulièrement les habitudes et le paysage, y compris dans le eCommerce.

Premier sujet, l’évolution technologique du Web : dans le cadre d’une matinée « Les nouveaux leviers pour booster ses ventes en ligne », lors d’une intervention intitulée « E-commerce et Web Sémantique : la révolution est en marche » (le mardi 21 à 11h salle S1), nous montrerons comment le web sémantique permet d’industrialiser le référencement de vos produits sur les moteurs de recherche, l’exposition de vos offres vers les comparateurs de prix et vers les places de marché, la consolidation et la structuration des catalogues… Aujourd’hui, les technologies microformats, RDFa et LinkedData sont opérationnelles, et ne pas les intégrer revient à se marginaliser.

Second focus, les usages : au cours d’une matinée « Le moteur de votre succès en ligne ! », l’autre intervention Antidot est titrée « Moteur de recherche e-commerce et interfaces utilisateurs » (le mercredi 22 à 10h15 salle S6). En effet, un bon moteur de recherche offre une panoplie fonctionnelle très large : auto-complétion, tolérance, catégorisation, filtrage, produits similaires… Mais cette richesse, pour donner sa pleine mesure et améliorer significativement l’expérience client, doit être proposée de façon simple, efficace et intuitive. C’est pourquoi nous passerons en revue les bonnes pratiques en matière d’interface utilisateur afin de dégager celles qui sont vraiment créatrice de satisfaction utilisateur.

L’équipe Antidot sera présente durant les 3 jours de cet évènement sur le stand H22 : nous serons à votre disposition, par exemple pour vous présenter nos dernières solutions e-commerce et de belles références clients, comme par exemple Cultura et Milonga Music. Passez donc nous voir !

Plastic Logic : écrans souple et eReader - Crédit Plastic Logic

Notre vocation est de faciliter l’accès à l’information pertinente. Jusqu’à présent, l’outil privilégié a été le navigateur web sur un poste globalement fixe. La banalisation des smartphones, la croissance du trafic 3G et l’arrivée de la 4G (LTE) montrent que les frontières se déplacent et que l’accès en situation de mobilité devient une réalité. C’est dans ce contexte que les fameuses tablettes et autre e-reader arrivent, rendant plus évident encore le besoin de repenser l’accès rapide à l’information dans des interfaces plus « minimalistes ».

Nos clients, à commencer par ceux de l’édition et des médias, vont sans doute adapter leurs portails et leurs moteurs de recherche à ces nouveaux objets de mobilité.

Un avocat par exemple ne sera-t-il pas tenté d’accéder en ligne à la jurisprudence ou à toute l’information pouvant se révéler déterminante pour ses affaires et ses clients ? Par exemple s’il est désigné d’office pour une comparution immédiate. C’est déjà possible mais le format d’ordinateur et la connectivité vont évoluer et cela sera encore plus naturel demain.

Un médecin trouvera sans doute aussi plus agréable de faire ses visites avec la tablette pour mettre à jour directement les dossiers de ses patients plutôt que de le faire en 2 fois. Si la connexion sans fil est possible dans l’établissement médical, il aura en outre les encyclopédies médicales à portée de main sans surcharge de poids. Quant à l’urgentiste du futur, il accèdera au dossier médical patient à vitesse grand V sur un périphérique plus adapté.

iPad - Crédit Apple

D’une certaine façon, la relation entre le professionnel et son client devrait être moins entravée par le fameux ordinateur vers lequel on se tourne pour saisir un formulaire ou un compte-rendu. Cela sera plus fluide aussi qu’avec un smartphone dont l’écran rend nécessairement pénible et lente la saisie.
De nouveaux publics profiteront mieux du web car l’expérience de navigation et de consultation sera plus agréable, depuis un fauteuil dans le salon plutôt que dans le bureau.

L’internet mobile va sans doute connaître un nouveau bond en avant et avec lui, les besoins d’informations se feront toujours plus immédiats et surtout plus contextualisés. Certaines tablettes intègreront sans doute un GPS, un appareil photo et les recherches de jouets, d’articles de sport ou d’activités touristiques se feront avec des attentes différentes. C’est déjà possible avec les smartphones mais il y a fort à parier que l’évolution de l’écran du périphérique amène un confort qui décuple l’usage.

Ces différents exemples sont issus de projets en cours chez Antidot. Ils illustrent combien la future tablette a de grandes chances d’avoir un succès rapide.

Vous l’aurez deviné, nous sommes très enthousiastes et totalement acquis en tant qu’amateurs de belles technologies mais surtout en tant que professionnels de l’information.

Ce que sont les référentiels

Référentiel : données structurées qui sont de référence (donc qui font autorité) et qui permettent à des applications de fonctionner ensemble.

Les plus connus sont certainement les référentiels terminologiques : dictionnaires, thésaurus, listes de synonymes…  Ils contiennent du vocabulaire, ils font référence pour l’orthographe et la définition des mots et ils permettent aux hommes de communiquer ensemble en définissant un sens commun au langage. Pas de doute, ils répondent à la définition : ce sont des référentiels.

Ces référentiels terminologiques peuvent être :

• généralistes comme les dictionnaires : Littré : 78423 entrées, Larousse : 135 000 entrées, Wiktionnaire ;
• encyclopédiques : Rameau, le répertoire autorité-matière édité par la BNF (100 000 noms communs) ;
• spécialisés : Eurovoc le thésaurus multilingue édité par l’UE, Geonames pour les noms géographiques (8 millions d’entrées), Termsciences pour le vocabulaire scientifique (190 000 concepts, 650 000 termes)
• métiers : Gemet dans l’environnement (200 000 descripteurs) ; MeSH, SNOMED-CT, WHOART, CIM-10, CCAM, MeDRA, … en santé.

Les systèmes d’information des entreprises regorgent également de référentiels qui parfois ne se savent pas eux-mêmes :

• les annuaires (LDAP, ActiveDirectory) utilisés pour la sécurité sont des référentiels de personnes, de groupes et de rôles ;
• les CRM (gestion de la relation client) sont aussi des référentiels de contacts, de clients, de secteurs ;
• les ERP (gestion de la production) sont des référentiels de produits, de catégories, de références ;
• les arborescences de fichiers, les structures même des sites web sont des plans de classement.

De l’usage des référentiels par les moteurs de recherche

Qu’ils soient techniques, ou conçus pour faciliter l’usage (classer, trier), ces référentiels sont très utiles aux bons moteurs de recherche qui savent les exploiter pour réaliser de nombreuses fonctions :

• Extension sémantique : il s’agit d’élargir la recherche par mot clé de l’utilisateur en élargissant la recherche à des termes plus spécifiques ou a des synonymes. A la recherche « voiture », il est de bon ton de remonter des documents parlant également de « cabriolet » et d’ « automobiles ». Cette fonctionnalité est essentielle quand il s’agit de faire correspondre du vocabulaire technique avec celui des utilisateurs plus grand public.
• Auto complétion : les suggestions de recherche proposées à l’utilisateur alors qu’il saisit les premiers caractères peuvent pour partie provenir des référentiels, ce qui a pour effet d’améliorer considérablement la qualité de sa requête.
• Suggestions de recherches connexes : ces expressions affichées en marge des réponses afin de proposer à l’utilisateur des recherches similaires sont habituellement générées par analyse des contenus et des requêtes des utilisateurs. Ces suggestions peuvent être avantageusement contrôlées sur la base de la terminologie de référentiel métier afin d’en accentuer l’intérêt et le centrage sur le corpus.
• Catégorisation : afin d’assurer une continuité entre l’univers informationnel de l’entreprise (la façon dont les données sont rangées dans le SI) et le moteur de recherche, ce dernier doit catégoriser les données de façon similaire et donc exploiter les plans de classement existants.
• Recherche à facettes : les filtres actifs présentés à l’utilisateur en marge des réponses afin qu’il affine sa recherche par clics sont la plupart du temps issus de référentiels (listes d’autorité, plans de classement) qui doivent être familiers à l’utilisateur pour rendre évident le sens du filtre.
• Annotation automatique : il s’agit là d’analyser automatiquement les données afin de les caractériser par des mots significatifs. Cette opération « autrefois » réalisée manuellement (indexation manuelle pour créer les fiches bibliographiques) peut être largement automatisée sur la base de l’analyse du texte intégral. Cette fonction permet par exemple de générer le « nuage de mots » significatif d’un document ou d’un ensemble de documents.

Bonnes pratiques

Comme on le voit, loin d’être détrônés par l’annotation libre, les référentiels apportent aux moteurs des données essentielles que la folksonomie ne saurait fournir, et il faut donc voir ces approches « Web 1.0 » et « Web 2.0 » comme complémentaires.

Il est cependant nécessaire que les référentiels évoluent afin de s’adapter à l’usage qu’en fait l’informatique. En particulier les référentiels terminologiques qui ne doivent plus être pensés pour l’indexation manuelle, mais comme matière première des moteurs et autres outils de traitement de l’information.

Quant aux bonnes pratiques, nous n’en préconiserons que 6 :

1. Evitez les gros référentiels généralistes fourre tout. Ils sont générateurs de trop de bruit.
2. Préférez les petits référentiels métiers centrés sur des thématiques et des usages spécifiques. Ils n’en seront que plus faciles à maintenir.
3. Réutilisez au maximum des référentiels terminologiques existants, publiés par les organismes de normalisation ou les groupements professionnels.
4. Enrichissez-les avec votre vocabulaire maison spécifique que vous maintiendrez séparément dans un esprit « Small is beautiful ».
5. N’oubliez pas que votre système d’information regorge de référentiels. Identifiez les.
6. Et enfin, n’oubliez pas vos utilisateurs : construisez des petits plans de classements adaptés à leurs usages, et s’il y a plusieurs besoins, pas de problème, construisez plusieurs taxonomies. Cette multiplicité ne fait pas peur aux moteurs, et vos utilisateurs vous remercieront.

Jusqu’au jour où le Web 2.0 est venu remettre en cause leur existence. Avec la « folksonomie », c’est l’utilisateur qui tagge, qui étiquette, qui décrit. Chacun annote comme il veut et classe comme il l’entend. L’ordre né de l’entropie. Une vraie révolution copernicienne.

« Le pouvoir au peuple ! à bas la dictature des référentiels ! ». En des temps pas si lointains où tout était politique, le référentiel aurait-il été qualifié de bourgeois ? Outil d’asservissement de l’utilisateur ignorant des choses subtiles de la classification et de l’indexation, réservé à une élite sachante ?

La recherche en texte intégral n’est-elle pas la solution idéale ? Le Graal qui délivre la connaissance ? Après Google qui met à mal les cellules de veille, Internet va-t-il tuer les référentiels ? Le référentiel a-t-il vécu ? Il est vrai que si l’on regarde de près des services comme Flickr ou Delicious, les résultats sont plutôt probants.

Lors de la conférence que nous tenons à Documation le 17 mars à 14h30, nous aborderons ce sujet en détail et essayerons de comprendre l’intérêt des référentiels à l’heure du Web 2.0 et de la montée en puissance du Web Sémantique (Web 3.0).

Tout d’abord, il y a l’indexation sémantique : celle qui consiste, lors de l’analyse d’un document, à rattacher chaque mot à un concept sous-jacent. Ainsi, par exemple, pour le mot jaguar, il faut déterminer s’il s’agit du félin, de la voiture ou de l’avion. Et ça, c’est compliqué. Tout d’abord, il faut une “liste” de concepts cibles (le sens du truc qui est derrière le mot) pour pouvoir transformer le mot en concept. Il faut donc avoir modélisé tous les concepts… Autant dire que c’est peine perdue : cela sous entendrait que tout le monde pense de la même façon et se représente le monde à l’identique. Ensuite, il ne faut pas se tromper lors de l’analyse : faux amis, ambiguïté… Et d’ailleurs, tout ça est tellement compliqué que ça n’a jamais marché. C’est sans doute une des grandes errances et un Graal illusoire des moteurs de recherche des années 80-90. Les grands acteurs de ce domaine se sont dès lors fixé des objectifs plus modestes, mais dont les résultats sont plus probants : extraction d’entités nommées, data mining, etc.

Puis il y a l’extension sémantique. Là, plus de concepts, mais seulement des vocabulaires : dictionnaires de synonymes, thésaurus, taxinomies. Le principe est simple : élargir la recherche de l’utilisateur exploitant les synonymes (même sens), les hyperonymes (sens plus large : véhicule est hyperonyme de voiture et camion) et les hyponymes (sens plus réduit). Et donc, si l’utilisateur cherche une chemise verte, il est de bon ton de lui remonter aussi des chemises kaki ou émeraude. C’est ça l’extension sémantique : étendre la recherche de l’utilisateur en appliquant des dictionnaires. Et si possible uniquement du vocabulaire spécifique à domaine et à un objectif fonctionnel afin de ne pas introduire de bruit. Cette méthode, associée à des traitements linguistiques de type lemmatisation, a largement pris le pas sur les autres car elle offre à la fois de bonnes performances tout en garantissant un coût de mise en œuvre et de maintenance réduit. C’est d’ailleurs le choix d’Antidot pour AFS.

Je passe à regret aujourd’hui sur l’indexation sémantique latente (LSI : Latent Semantic Indexing) qui est une approche mathématique permettant de générer automatiquement lors de l’indexation l’ensemble des concepts d’un corpus et de les relier à des mots et des documents caractéristiques. Ce sujet intéressant fera très certainement l’objet d’un prochain billet.

J’en arrive enfin au web sémantique. Et c’est certainement là que règne la plus grande confusion. Car contrairement à ce que le mot « sémantique » laisse suggérer, il ne s’agit pas pour les moteurs de recherche de découvrir les concepts et le sens caché des textes. Bien au contraire. Il s’agit d’expliciter manuellement le sens des informations afin que les ordinateurs puissent les exploiter de façon automatique, sans ambigüité et à grande échelle. Prenons un exemple : sur le site web d’un restaurant on trouve l’information “ouvert tous les jours sauf le lundi hors période scolaire”. On note que cette phrase est déjà ambiguë pour un humain (“hors période scolaire” s’applique-t-il à “tous les jours” ou à “sauf le lundi” ?) mais elle est franchement inexploitable en tant que telle par un moteur de recherche qui vient lire cette page. L’idée sous jacente au web sémantique est donc qu’il faut ajouter dans la page web des informations formelles (grâce à des balises invisibles à l’utilisateur) afin que les logiciels de recherche puissent collecter cette information et l’exploiter.

Le web sémantique est très loin de l’indexation sémantique et des promesses de l’intelligence artificielle des années 80. Pas d’analyse du sens caché, pas de réponse miracle à une question exprimée en langage naturel. Mais c’est sans doute en cela qu’il va tenir ses promesses. Et comme l’avoue Tim Berners Lee, le mot web sémantique est mal choisi (par lui même) car sujet à trop d’incompréhension, et il suggère d’employer maintenant l’expression « web of data » : le web des données.

C’est vrai que ça fait moins rêver… mais comme les mots ont un sens, autant le respecter !