Ces enjeux trouvent leur réponse dans des choix organisationnels et technologiques :

1. Comment améliorer la collecte et la pertinence des données ?
2. Comment faciliter la réutilisation et l’exploitation des données ?

« Comment améliorer la collecte et la pertinence des données ? »

Crowdsourcing et aspects collaboratifs

Le « crowdsourcing » est en vogue, mais  les coûts de mise en place de l’infrastructure nécessaire au travail collaboratif et d’animation d’une communauté nous semblent bien supérieurs aux retours réels. Il nous paraît plus intéressant de mettre en place des actions communes avec des communautés bien établies comme par exemple, Wikipedia, Open Street Map et ainsi de profiter de leur savoir-faire et de leur infrastructure dans l’animation d’une communauté.

À titre d’exemple, il serait intéressant de s’appuyer sur le portail DataHub administré par l’Open Knowledge Foundation pour repérer de nouveaux jeux de données disponibles relatifs à la France, et aussi mieux faire connaître les jeux de données publiés sur Etalab.

Automatisation de la collecte et des traitements

Jusqu’à maintenant, le portail data.gouv.fr s’est limité à la mise à disposition des jeux de données sans retraitement, tels qu’ils ont été chargés au sein du portail par les producteurs et à leur  description via quelques métadonnées.

Il nous paraît envisageable de déployer une infrastructure technique à même d’effectuer des tâches automatiques pour collecter, nettoyer, harmoniser et relier les jeux de données disponibles sur le portail. Ce travail pourrait se situer aussi bien au niveau des métadonnées des jeux de données que des données elles-mêmes. C’est exactement ce qu’a réalisée le CNRS dans le cadre du projet ISIDORE.

« Comment faciliter la réutilisation et l’exploitation des données ? »

Se donner l’objectif d’un portail de données « 5 étoiles »

Dans le document « Publishing Open Government Data » publié en 2009 par le W3C, Daniel Bennett et Adam Harvey ont expliqué les différentes étapes pour publier des données « gouvernementales ». Ils insistent sur le fait de rendre les données accessibles aussi bien pour les humains que pour les machines et reprennent  les éléments exposés par Sir Tim Berners-Lee, l’inventeur du Web, dans sa typologie des initiatives de mise à disposition libre des données sur le Web.

Aujourd’hui data.gouv.fr n’en est qu’à la première étape, c’est-à-dire « la mise à disposition sur le Web quel que soit le format mais avec une licence libre ». Or nous sommes convaincus que la réutilisation massive des données n’est possible à terme que si les jeux de données s’intègrent parfaitement dans le Web, en utilisant ses principes et standards.

Dans un premier temps, il est nécessaire et urgent de proposer un annuaire des jeux de données disponibles dans un langage machine (XML, Json ou CSV) et de préférence en suivant les principes et standards du Linked Data (ou Web de données) basés sur des URI pour identifier les ressources, le protocole HTTP pour y accéder, les standards RDF pour récupérer une information sémantisée  et le maillage systématique des données pour créer un écosystème basé sur les liens. Pour cela, Etalab pourrait utiliser le vocabulaire DCAT (Data Catalog Vocabulary) en cours de normalisation au sein du W3C  par le groupe de travail « Government Linked Data ».

Dans un second temps, il serait important, comme le fait le portail britannique data.gov.uk, d’appliquer ces principes à certains jeux de données : la conversion en RDF de certains jeux de données de data.gouv.fr permettrait de proposer leur interrogation via un SPARQL endpoint constituant un Web service universel pour l’interrogation des données structurées et favorisant la réutilisation.

Poser une exigence de qualité des données et de complétude des métadonnées

Assurer la confiance sur le long terme passe par une exigence de qualité sur les données comme sur les métadonnées qui les décrivent. A cet égard, nous avons fait une amère expérience sur la version actuelle de data.gouv.fr.

Les données sont issues de processus et de traitements informatiques qui peuvent évoluer,  donc les structures de données peuvent changer. C’est pourquoi le portail data.gouv.fr devrait inclure un système de gestion des versions et documenter les changements, au niveau de la fiche sous la forme d’un « changelog » et aussi dans les métadonnées. Ces changements seront disponibles dans un langage machine pour  être interprétables par les logiciels consommateurs des données.

D’une manière générale, il nous semble que des métadonnées sont nécessaires pour disposer d’un contexte suffisant pour apporter la confiance, et notamment  la provenance du jeu de données, le nom du producteur, la date de création,  la date de mise à jour, la périodicité de mise à jour, la portée géographique des données, la portée temporelle des données.

Proposer des APIs pour simplifier la réutilisation

Comme l’a montré Christian Fauré dans son billet « DataCulture et APIculture », les principes du Linked Data et la mise en place d’Open API sont complémentaires et répondent à des usages différents : si les API, plus proches des pratiques actuelles des développeurs, simplifient la réutilisation des données et favorisent leur inclusion dans une économie marchande, les technologies du Web sémantique et les principes du Linked Data inscrivent directement les données dans l’espace d’interopérabilité global que constitue le Web.

Autres sujets, non technologiques, abordés dans notre réponse à Etalab

Le questionnaire établi par Etalab comportait d’autres points, relatifs à l’utilisation du portail et à sa visibilité :

« Quelle doit être l’expérience utilisateur sur le site ? »

Nous avons proposé d’améliorer la navigation pour favoriser la sérendipité, et suggéré des pistes pour mieux faire connaître les jeux de données et mieux accompagner les institutions publiques dans le monde de l’Open Data

« Comment favoriser la réutilisation et l’innovation à partir de la plateforme ? »

Une des difficultés de l’Open Data réside paradoxalement dans les vastes perspectives qu’il offre : il est complexe d’imaginer de nouveaux usages à partir de données brutes dont le contexte de création est inconnu. Il faut donc accompagner à la fois les développeurs, mais pas seulement : les résultats des concours d’applications et des hackathons restent dans une sphère relativement restreinte. Il est donc nécessaire d’effectuer un véritable travail de marketing et de valorisation des différents jeux de données et des perspectives qu’ils ouvrent dans les différents secteurs de l’économie réelle.

Par exemple, sur la base de projets auxquels Antidot travaille

• dans le domaine des médias et de la presse, les données de l’Open Data permettent d’offrir des services contextuels aux contenus éditoriaux.
• dans le domaine des transports, la question de la « smart mobility » pour offrir informations pratiques et proposer des activités sur le lieu de destination est au cœur des enjeux.

Il faut ainsi susciter chez les acteurs économiques dans les différents secteurs d’activités des nouvelles perspectives, où l’utilisation des données ouvertes apparaît clairement comme créatrice de valeur.

« Comment mieux insérer data.gouv.fr dans le réseau des ressources open data »

Nous suggérons que Data.gouv.fr alimente au nom de la France le portail DataHub du Comprehensive Knowledge Archive Network pour inscrire l’action Open Data de la France dans une dimension internationale.

« Comment construire un retour vers les administrations qui partagent leurs données ? »

Il nous semble important que les administrations trouvent un intérêt à la mise à disposition de leurs données pour en comprendre l’enjeu. Or les organisations publiques sont productrices de données et aussi consommatrices : par la récupération de leurs propres données, lorsqu’elles ont été corrigées ou enrichies, et par l’utilisation des données issues d’autres organisations

Ainsi, une boucle de rétroaction positive peut se mettre en place pour

• améliorer au fur et à mesure la qualité des données mises à disposition
• mieux intégrer la démarche de mise à disposition libre des données au sein des systèmes d’information.

La plateforme Isidore a été construite sur ce modèle vertueux : cette expérience positive démontre qu’un important travail d’accompagnement est nécessaire, mais que ces efforts portent leurs fruits.

Conclusion provisoire

En complément de la synthèse que vous venez de lire, vous trouverez notre réponse complète sur notre site web, sous forme d’un document PDF disponible ici.

Nous espérons, par ce travail, avoir contribué utilement au développement de l’Open Data en France. N’hésitez pas à utiliser les commentaires de ce billet pour prolonger la réflexion en partageant votre point de vue !

Le 10 avril 2013, la mission Etalab a lancé un processus de « co-design » afin de préparer une nouvelle version de la plateforme data.gouv.fr. Seize mois après l’ouverture de celle-ci, et après la nomination d’Henri Verdier à sa tête, Etalab a souhaité lancer une nouvelle étape du développement de data.gouv.fr, et associer  la communauté de l’open data à sa réflexion.

L’objectif affiché de ce « co-design » est de « recueillir toutes les suggestions des parties prenantes pertinentes, de repérer un maximum de compétences de notre écosystème et de produire un effort de prototypage rapide en public. »

Le contexte de la réponse d’Antidot

Antidot, en tant que fournisseur de solutions technologiques, est déjà partie prenante d’un certain nombre de projets Open Data ou Linked Data.

Nous le sommes du côté de la diffusion de données ouvertes, comme l’illustre la  plateforme ISIDORE du CNRS qui utilise nos solutions Antidot Information Factory et Antidot Finder Suite pour collecter, agréger, enrichir et exposer (via un moteur de recherche, une API et selon les principes du Linked Data) les données et métadonnées de la recherche francophone en Sciences Humaines et Sociales.

Nous sommes aussi acteur de l’Open Data du côté de la réutilisation des données ouvertes. S’il ne nous est pas possible aujourd’hui de divulguer des informations sur un certain nombre de projets que nous menons avec nos clients, notamment dans le secteur de la presse et des médias, vous pouvez consulter notre démonstration mettant en valeur les Monuments Historiques de France.

C’est donc bien volontiers que nous avons apporté notre pierre à cet édifice, en rédigeant une réponse argumentée au questionnaire posé par Etalab.

Préambule : deux axes fondamentaux

Avant d’entrer dans le détail de nos propositions, nous avons tenu à mettre l’accent sur deux axes fondamentaux qui seront au cœur de notre réflexion sur le futur de data.gouv.fr :

• la notion de confiance dans les données ouvertes
• l’intégration du portail data.gouv.fr dans l’écosystème du Web.

La confiance dans les données ouvertes

La confiance constitue la condition sine qua non à la réutilisation de données par des tiers. Elle se joue à deux niveaux : au niveau des données elles-mêmes et au niveau technique.

Le fait que les données soient publiées par Etalab, c’est-à-dire par un organisme public étatique, leur confère a priori un statut particulier. Bien sûr, certaines données ne sont pas exemptes d’erreurs mais, de par leur provenance des données, une  confiance intrinsèque permet d’en favoriser la réutilisation.

Cette confiance a priori doit conduire Etalab à garder un certain niveau d’exigence et de qualité vis-à-vis des jeux de données mis à disposition et des métadonnées qui les décrivent, car s’il est difficile et long de construire une confiance a posteriori, il l’est encore plus de retrouver une confiance perdue. Or cette notion de confiance doit aussi se traduire techniquement… et nous avons constaté qu’aujourd’hui toutes les conditions ne sont, hélas, pas encore réunies.

L’intégration du portail data.gouv.fr dans l’écosystème du Web

À travers les différentes questions posées par Etalab, c’est la nature même du portail data.gouv.fr qui est interrogée. Doit-il être :

• un annuaire de liens vers des jeux de données existants ?
• une plate-forme collaborative autour des données publiques en France ?
• une plate-forme de valorisation des jeux de données existants ?
• une plate-forme centrale qui accueille et expose elle-même toutes les données de manière brute pour l’ensemble des organismes publiques quelles que soit leur nature et leurs origines ?
• une plate-forme de traitement, de mise en relation et d’enrichissement des jeux de données ?
• un espace de rencontre, conseil et partage pour les producteurs et les consommateurs des données ?

Dans la mesure où l’Open Data est intrinsèquement lié au Web, nous considérons que le portail data.gouv.fr doit s’insérer dans l’écosystème du Web et profiter des bénéfices du milieu associé qu’il constitue. Il doit donc en respecter les principes et les standards, en particulier la mise en relation des contenus.

Ainsi,  si data.gouv.fr n’a pas vocation à devenir un point centralisateur de l’ensemble des données publiques, il doit constituer :

• un « hub », fédérateur, favorisant la qualité, la visibilité, l’interopérabilité et la mise en relation des jeux de données d’ores et déjà mises à disposition, sans nécessairement les « republier »
• une infrastructure technique pour traiter, enrichir, mettre en relation, accueillir et/ou héberger les jeux de données issus d’organismes publics (étatiques ou territoriaux) ne disposant pas des moyens nécessaires
• un espace à disposition des organismes publics pour les accompagner dans une démarche de mise à disposition de leurs données, notamment sur les aspects juridiques et techniques ;
• un espace de démonstration et de valorisation des initiatives existantes en termes de réutilisation des données et des technologies dans le domaine.

C’est sur la base de ces deux axes fondamentaux que s’articule notre réponse à Etalab.

À suivre

Dans un prochain billet, à paraître d’ici quelques jours, vous trouverez une synthèse de notre vision technologique et fonctionnelle des directions que pourrait prendre data.gouv.fr.

Et vous trouverez notre réponse complète sur notre site web, sous forme d’un document PDF disponible ici. Bonne lecture !

Avec le développement du m-commerce, AFS@Store, la déclinaison pour sites marchands de notre moteur de recherche, apporte une importante valeur ajoutée pour la réalisation d’applications e-commerce mobiles incluant la recherche simplifiée dans un catalogue de produits et, le cas échéant, la recherche géolocalisée de magasins d’une enseigne. Du coup, l’application mobile contribue à générer du trafic dans les points de vente !

Recherche géographique et géopositionnement des résultats

Notre moteur de recherche AFS est très fort en géographie : il trouve des objets se situant dans une zone donnée, par exemple à une certaine distance de l’utilisateur qui active la géolocalisation de son smartphone ou de sa tablette. Lorsque beaucoup de résultats correspondent à une requête, AFS les regroupe intelligemment par zone pour vous aider à affiner la recherche. Et, de façon complémentaire, la solution AIF enrichit vos données en positionnant un élément sur une carte à partir de son adresse.

Voici un exemple parmi d’autres, chez notre client Jules, où la saisie d’un nom de ville dans la boîte de recherche du site affiche les boutiques correspondantes sur un fond de carte :

Aide à la saisie intelligente : suggestions automatiques et tolérance orthographique

Bien que les smartphones et tablettes intègrent un clavier tactile intelligent, la saisie des mots clés faisant l’objet d’une recherche peut encore être simplifiée par AFS : en effet, dès la saisie des premières lettres dans la boîte de recherche, AFS suggère des requêtes ciblées pour obtenir des réponses immédiatement pertinentes. Ces suggestions sont totalement paramétrables : vocabulaires issus de thésaurus, noms de marques et références de produits, mots les plus cherchés par les autres internautes…  Elles permettent à un utilisateur mobile d’être orienté très rapidement vers l’information qu’il cherche.

Tolérant aux fautes de frappe, AFS trouve ce qui est mal écrit et suggère l’orthographe donnant les bons résultats. Cette tolérance est particulièrement utile pour les marques, noms de produits, de personnes, de lieux etc : Kandinsky, Schwarzenegger, Houellebecq, Kellogg’s ou Niedermorschwihr (un village alsacien) n’ont pas de secret pour son algorithme de tolérance orthographique !

Voici un premier exemple concret chez Delhaize Direct, le supermarché en ligne du leader belge de la distribution alimentaire : un consommateur qui cherche “Kelogs” se voit automatiquement suggérer les produits de la marque “Kellogg’s”

Autre exemple chez notre client Newpharma, leader belge de la pharmacie en ligne, qui vend des médicaments dons les noms sont parfois compliqués à écrire, comme ici avec “excedryn” que l’internaute peut trouver en tapant “exedrin” :

Intégration aisée et optimisation des flux de données

Pour une intégration simple dans un site ou une application mobile, AFS est intégralement basé sur des standards : interrogation en web services REST et réponse via des flux XML ou JSON. Ces flux sont optimisés pour minimiser le trafic entre l’application et le serveur, afin de garantir une bonne qualité de fonctionnement même avec une connexion data mobile de qualité moyenne.Car il n’y a pas encore de 4G partout, loin de là, et même dans les grandes métropoles le débit en 3G est parfois fluctuant…

Avec son kit de widgets graphiques au standard HTML / CSS et totalement personnalisables, Antidot Finder Suite vous permet de construire très simplement l’interface de votre SBA – Search Based Application – et d’intégrer une puissante fonction de recherche  dans toute application mobile pour smartphone ou tablette.

Les avantages d’Antidot Finder Suite pour le développement d’applications mobiles sont concrètement illustrés par ces exemples de réalisations chez nos clients, que nous vous invitons à découvrir :

• Cityvox :
  • site web mobile
    http://www.m.cityvox.fr
  • application pour iPhone
    https://itunes.apple.com/fr/app/cityvox/id336156114
• AFPA : application mobile pour iPhone
  https://itunes.apple.com/fr/app/afpa/id563153842
• Nièvre Tourisme : site web mobile
  http://m.nievre-tourisme.com
• Service Public : site web mobile
  http://m.service-public.fr
• Decathlon : application mobile
  • pour iPhone
    https://itunes.apple.com/fr/app/decathlon/id382551727
  • pour Android
    https://play.google.com/store/apps/details?id=com.oxylane.android.decathlon
• But : application mobile
  • pour iPhone
    https://itunes.apple.com/fr/app/but/id458582306
  • pour Android
    https://play.google.com/store/apps/details?id=com.but.android
• Delhaize : application mobile
  • pour iPhone
    https://itunes.apple.com/fr/app/delhaize/id426414240
  • pour Android
    https://play.google.com/store/apps/details?id=be.delhaize

Je souhaite néanmoins vous faire part de l’opinion qui prévaut chez Antidot après cette affaire : il est vraiment regrettable que tous les médias, y compris les professionnels de l’IT, aient cédé à la facilité de faire de Qwant le nouveau  “Google français“. C’est un vrai souci pour les éditeurs de logiciels professionnels présents sur ce segment de marché : même quand on ne leur parle pas de Google et qu’on ne s’y compare pas, dès lors qu’il s’agit de technologies de moteurs de recherche les médias en reviennent au géant de Mountain View.

Antidot aussi en a fait l’expérience il n’y a pas longtemps avec cet article d’avril 2012 du Progrès de Lyon titré : “Fabrice Lacroix a bien failli créer le Google lyonnais” que vous pouvez lire en ligne ici et dont vous trouvez la reproduction ci-dessous.

Si vous vous intéressez aux méta-moteurs et agrégateurs de recherches, je vous invite vivement à essayer le service Pickanews – http://www.pickanews.com – un « moteur de veille » français disponible pour plusieurs langues et pays européens. Pickanews facilite la veille média sur une marque, une personne, un mot-clé et apporte un tableau de bord très riche qui permet de mesurer l’impact médiatique d’une marque ou d’une personne, en visualisant son évolution dans le temps, et avec la possibilité de le comparer à d’autres :

Pickanews utilise des technologies avancées de « speech to text » pour trouver des mots-clés prononcés dans des journaux d’info TV ou des émissions de radio. Avec en parallèle la recherche des ces mots-clés sur le web et les réseaux sociaux ainsi que dans toute la presse écrite, grand public et professionnelle, qui est numérisée et OCRisée chaque matin puisque c’est le métier de base du groupe PressIndex , acteur historique de la “pige presse” qui a créé Pickanews il y a 2 ans.

Le « speech to text » n’est évidemment pas parfait mais cela rend un vrai service. Vous pouvez consulter un exemple de veille effectuée avec Pickanews sur la marque “Qwant“ :

Pickanews tire pleinement avantage des logiciels Antidot Information Factory, Antidot Finder Suite et Antidot Collaboration Services proposés par Antidot : ces solution sont fait leurs preuves, car c’est depuis 1999 que nous développons des technologies de moteurs de recherche et des solutions de valorisation de l’information et de navigation dans les données. Ces solutions sont aujourd’hui mises en œuvre avec succès par plus d’une centaine de clients de profils très divers, parmi lesquels figurent notamment TF1, Le Point, LexisNexis, Le Moniteur, Service-Public.fr, Decathlon, Pecheur.com, Discounteo, Oreca Store et bien d’autres que je ne peux tous citer et que je remercie de leur confiance.

Vous trouverez des explications techniques sur le service Pickanews sur cette page de notre site web et dans ce document PDF de 3 pages.

Et si vous avez un projet de moteur de recherche interne à votre entreprise,  ou de moteur de recherche pour votre site web, nous sommes à votre disposition pour vous apporter le meilleur de notre expertise et de nos technoogies !

Ce portail documentaire a pour ambition de faciliter vos recherches et de simplifier votre navigation au sein de près de 2000 pages de Guides, Notes techniques et Notes de version :

Ce service vous est aujourd’hui ouvert en version beta. N’hésitez pas à nous faire part de vos retours : tous les commentaires et suggestions que nous recueillerons seront étudiés avec la plus grande attention.

Pour la petite histoire, ce portail documentaire est réalisé intégralement à partir de nos solutions dont il exploite les fonctionnalités avancées :

• AIF – Information Factory : pour la recomposition et l’analyse des unités documentaires fines,
• AFS – Finder Suite : pour le moteur de recherche et la lecture dynamique et continue.

Il sera bientôt enrichi des fonctions d’alertes et d’annotation apportées par notre produit ACS – Collaboration Services.

Nous vous remercions de votre confiance.

Cette étude a été publiée récemment, sous le titre « Référentiel de Pratiques : De l’information à la prise de décision : nouveaux modes d’accès et d’analyse pour la performance du business – France, 2012-2014 ». Nous vous engageons vivement à vous en procurer la synthèse.

Si vous êtes très pressé, sachez que l’étude se trouve bien résumée en une infographie aussi lisible que percutante :

Cliquer pour agrandir l’infographie

Et que constate-t-on immédiatement ?

Seulement 6% des données non structurées et 2% des métadonnées sont exploitées aujourd’hui pour de l’analytique et du décisionnel !

Évidemment c’est un immense gâchis : on peut heureusement faire beaucoup mieux, notamment grâce aux solutions Antidot !

Car nous le disons depuis déjà un certain temps : pour les données, l’enjeu n’est pas tant d’être pléthoriques que d’être pertinentes et donc immédiatement utiles aux collaborateurs de l’entreprise, dans le cadre de leur mission. Formulé autrement,  ce n’est pas tant le « Big Data » qui est important que la « Smart Information ». Et l’on peut désormais suivre une voie technologique bien balisée menant de l’un vers l’autre.

En effet, notre offre s’est élargie vers les solutions de traitement des données structurées et non structurées et l’accès simplifié à l’information. Nous apportons des réponses à la fois innovantes, pragmatiques et agiles aux problématiques des grands Systèmes d’Information selon une approche, le Linked Enterprise Data, qui s’appuie sur les technologies et standards du « web sémantique » promus et soutenus W3C.

Pour aller plus loin, vous pouvez télécharger :

• Notre Livre Blanc sur le Linked Enterprise Data

• Le cas d’usage « LED et Ressources Humaines »

• Le cas d’usage « LED et Open Data »

Vous pouvez aussi sensibiliser vos collègues, même et surtout s’ils ne sont pas spécialistes des technologies des systèmes d’information,  en leur transmettant notre Executive Summary sur le Linked Enterprise Data. En 2 pages, ils comprendront les enjeux et les bénéfices de notre approche.

Et bien entendu les équipes Antidot sont à votre disposition si vous souhaitez que nous explorions ensemble les opportunités d’utilisation de nos solutions Linked Enterprise Data au service de vos projets !

R2RML et Direct Mapping : Candidate Recommendations du 23/02/2012

Parmi les améliorations figurent donc le support natif de MySQL et PostGreSQL ainsi que d’autres bases de données SQL via des pilotes JDBC, la gestion des types binaires (encodage base64), la prise en compte des caractères de langue spéciaux ainsi que le typage implicite des données et leur conversion selon la norme XML Schema du W3C, la gestion des formes canoniques des littéraux en fonction de leur type et de la casse des identifiants SQL. Pour la liste complète des évolutions, se reporter à la Release Note.

Le Linked Data opérationnel en entreprise

Cette nouvelle version de db2triples constitue une avancée majeure pour le web sémantique, et particulièrement pour la réalisation de projets exploitant les standards du Linked Data en entreprise. En effet, les technologies R2RML et Direct Mapping supportées par db2triples fournissent une réponse standardisée à la problématique de transformation des données relationnelles en graphes RDF pour le chargement automatique d’entrepôts.

Ainsi db2triples s’avère particulièrement intéressant dans le cadre de projet Open Data ou Linked Data nécessitant la publication dans le web des données d’informations vivantes, bien plus facilement réexploitables que la mise en ligne de fichiers Excel ou PDF dont la réutilisation automatique est complexe, voire impossible.

Mise à jour le 24 juillet 2012 : db2triples est pleinement compatible avec le Working Draft du 29 mai 2012 des recommandations R2RML et DirectMapping : en effet, db2triples a passé avec succès les tests de conformité édictés par le groupe de travail RDB2RDF du W3C. Du coup ce composant logiciel, fourni en Open Source, figure dans la liste des implémentations validées  par l’organisme international de normalisation du web. Plus d’information dans notre communiqué de presse diffusé ce jour, en français et en anglais.

Retrouvez-nous mercredi 21 et jeudi 22 mars sur le salon Documation 2012, stand E16 : vous y découvrirez AFS@Enterprise et le Linked Enterprise Data.

Et si vous ne pouvez pas venir à Documation mais souhaitez en savoir plus sur le Linked Enterprise Data, dites-le nous ici :

[contact-form]

Antidot présente la nouvelle version de sa solution AFS@Enterprise.

Votre SI est une mine d’informations inexploitées. AFS@Enterprise en extrait toute la valeur !

Pour améliorer la performance de votre entreprise, les métiers demandent une information toujours plus riche, plus pertinente et plus opérationnelle.

Répondez à cette attente en apportant les nouveaux objets métiers contextuels à leurs besoins :

• pour le marketing et les ventes, agréger les données des réseaux sociaux avec celles de la CRM
• pour les RH, cartographier le réseau des compétences et des collaborateurs
• pour le support client, consolider les bases de connaissances sur les produits
• et pour vous ? Quelles seraient les informations utiles à votre équipe ?

AFS@Enterprise est la première solution industrielle qui vous apporte la révolution du Linked Enterprise Data.

Le Linked Enterprise Data (LED) est une approche innovante qui facilite la réutilisation des données et documents dispersés dans les différents silos de l’entreprise. Le LED met en cohérence et lie ces données éparses, quels que soient leur format et leur structure, dans un entrepôt unifié, agile et évolutif. Il fait émerger l’information enfouie dans les fichiers et les bases de données : l’utilisateur accède directement à une information métier pertinente et utile !

Venez découvrir la puissance du Linked Enterprise Data et les fonctionnalités d’AFS@Enterprise sur notre stand E16.

Vous pouvez également assister à la table ronde à laquelle participe Fabrice Lacroix mercredi 21 mars 2012 de 14:30 à 17:00 sur le thème “Agrégation et réconciliation des données” ainsi qu’à notre présentation jeudi 22 Mars 2012 de 11:30 à 12:15 sur “Le Linked Enterprise Data, une révolution annoncée dans les Systèmes d’information des entreprises. Exemples notamment chez un grand industriel“

Nous souhaitons également compléter notre équipe Services avec un technicien support logiciel niveau 2/3 qui sera basé à Lambesc, près d’Aix en Provence (13).

Vous trouverez la description de ces postes sur la page Recrutement de notre site web.

Par ailleurs, notre équipe R&D basée à Lambesc travaille sur différents sujets, aussi technologiques que variés. Dans ce cadre nous proposons 8 stages, d’une durée de 3 à 6 mois et pour des étudiants en informatique de niveau bac+4 ou bac+5,  dont vous pouvez lire les sujets détaillés sur la page Stages de notre site web :

• Réalisation de sites et d’applications mobile avec GWT
• Utilisation et amélioration d’un framework de tests
• Réalisation d’un connecteur vers Google Refine
• Modélisation des ressources matérielles et logicielles d’un DataCenter.
• Mise en place d’une infrastructure de déploiement automatique de serveur de développement avec OpenStack
• Paramétrage et mise en place automatique d’un kernel Linux optimisé
• Étude comparative des triples stores existants
• Mise au point d’un serveur de référentiels

Si vous connaissez des profils susceptibles d’être intéressés, n’hésitez pas à leur transmettre ces informations !

Agrandir le plan

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…

Les soldes démarrent très fort sur Internet comme dans les magasins, et cela impacte évidemment notre plateforme SaaS qui se trouve fortement sollicitée.

Illustration concrète fournie par le back-office d’AFS@Store :

Cliquer pour agrandir l’image

Le trafic sur le moteur de recherche de ce site marchand est multiplié par 6 comparativement à un jour ordinaire !

Mise à jour du jeudi 12 janvier - les statistiques par jour montrent cette énorme accroissement de trafic :

Cliquer pour agrandir l’image

Mise à jour du lundi 23 janvier - près de 2 semaines après le début des soldes, le trafic reste supérieur à la normale :

Cliquer pour agrandir l’image

C’est en pareille circonstance qu’il est intéressant de profiter d’une plateforme mutualisée et hautement sécurisée, capable d’absorber sans difficultés de très forts pics de charge.

Si vous désirez en savoir plus sur ce que nous pouvons faire pour améliorer l’efficacité de votre site marchand, n’hésitez pas à nous contacter. Vous pouvez aussi télécharger la plaquette AFS@Store et consulter cette présentation :

 Plus de présentations d’Antidot

]]> http://blog.antidot.net/2012/01/09/bonne-annee-2012/feed/ 0 http://blog.antidot.net/2011/12/19/decouvrez-les-monuments-historiques-grace-a-lopen-data/ http://blog.antidot.net/2011/12/19/decouvrez-les-monuments-historiques-grace-a-lopen-data/#comments Mon, 19 Dec 2011 09:12:45 +0000 Pierre Col http://blog.antidot.net/?p=510 Pourquoi cette application ?

L’ouverture du site data.gouv.fr le 5 décembre 2011, aussitôt suivie d’autres initiatives, a marqué une accélération du mouvement Open Data en France.

Nous avons voulu apporter notre pierre à l’édifice, en réalisant une démonstration qui met en avant le grand intérêt qu’il y a à pouvoir mailler des données issues de différentes sources grâce aux standards du web sémantique, et la capacité de notre solution Antidot Information Factory à le faire rapidement et simplement, dans une approche industrielle.

Et parce que la France demeure année après année la première destination touristique mondiale, parce que nos territoires regorgent de trésors architecturaux et patrimoniaux, nous avons choisi de réaliser une application de recherche qui vous permet de partir à la découverte de près de 44.000 monuments historiques français !

Quelques explications (un peu) techniques :

Notre application « Monuments historiques » a été réalisée en exploitant 7 sources de données ouvertes :

1. la liste des Immeubles protégés au titre des Monuments Historiques disponible sur data.gouv.fr. Cette source de données décrit 43.720 monuments dans un fichier CSV.
2. la liste des gares de voyageurs du Réseau Ferré National avec leurs coordonnées  telle que fournie par data.gouv.fr. Cette source de données décrit 3.065 gares dans un fichier XLS. Elle est exploitée pour situer les monuments à proximité d’une gare.
3. la liste des stations du métro parisien avec leurs coordonnées, fournie par OpenStreetMap. Cette source de données décrit 301 stations et elle est exploitée pour situer les monuments à proximité d’une station de métro.
4. les données du code officiel géographique (COG) de l’INSEE. Cette source de données décrit 22 régions, 99 départements, plus de 4.000 cantons et chefs lieux dans un graphe RDF.
5. Les photos des monuments historiques de Wikipedia proposée par Wikimedia Commons. Cette source de données, notamment alimentée par le concours Wiki loves monuments, apporte 122.828 photos pour 12.586 monuments historiques désignés par leur code PA : il s’agit d’un code délivré de façon unique pour chaque monument et présent dans la liste citée en 1.
6. La description des monuments historiques de Wikipedia fournie par DBpedia. Cette source de données en RDF décrit 3,64 millions d’objets, dont 413.000 lieux. Cette source est accessible directement à partir des informations de Wikimedia Commons
7. Les informations de géolocalisation de Yahoo! via Yahoo! PlaceFinder. Cette source permet de géolocaliser à partir de leur adresse les monuments non géolocalisés dans Wikimedia Commons ou DBpedia

La chaine de traitement mise en œuvre pour la réalisation de cette application avec Antidot Information Factory est la suivante :

1. Une première étape de nettoyage, normalisation et transformation en RDF des fichiers CSV et XLS issus de data.gouv.fr au moyen de Google Refine.
2. Récupération des données de Wikimedia Commons : un processus de traitement Antidot Information Factory collecte les informations via l’API de Wikimedia et les transforme en RDF : Antidot Information Factory a permis de construire ce processus industriel sans avoir à écrire une seule ligne de code, simplement en assemblant des modules de traitement pris dans une bibliothèque de 50 modules existants.
3. Récupération des données d’OpenStreetMap pour les stations de métro via son API.
4. Collecte de toutes les informations de géolocalisation par Antidot Information Factory via l’API de Yahoo! PlaceFinder, pour les lieux non déjà géolocalisés.
5. Maillage de toutes les données issues des 7 sources par Antidot Information Factory : le résultat est un graphe RDF comprenant plus de 4,5 millions de triplets, dont près de 450.000 ont été inférés à partir des sources.
6. Ce triple store est ensuite la source unique mise en entrée du module d’indexation du moteur de recherche Antidot Finder Suite.

Le résultat est une application web de recherche permettant  de trouver des monuments historiques

• par une recherche en plein texte
• dans une région, un département ou une ville donnés
• par type de monument : église, château, statue, site industriel
• par période historique : préhistoire, moyen-âge, renaissance etc
• par type de propriétaire : personne ou société privée, commune, Etat…

avec combinaison possible de tous ces critères, sous forme de « facettes de recherche » très simples à manipuler.

Conclusion (provisoire)

Cette application a été réalisée en quelques jours, sans impliquer de développeurs et par simple paramétrage de notre solution Antidot Information Factory. Cela montre, s’il en est encore besoin, la puissance et la justesse de l’approche et des technologies du Web Sémantique promues par le W3C.

Cette application démontre que l’Open Data favorise l’émergence de nouveaux usages : par la mise à disposition de données qui sont facilement reliées à d’autres données, la seule limite devient notre imagination et notre capacité à proposer de nouveaux services innovants et utiles !

Merci à tous les fournisseurs de données qui ont rendu possible cette réalisation, notamment le Ministère de la Culture et de la Communication pour la liste des monuments historiques et la Société Nationale des Chemins de Fer pour la liste des gares, avec une mention toute particulière pour les contributeurs de Wikipedia, que vous pouvez soutenir par un don.

A vous maintenant de partir à la découverte de nos monuments historiques, au gré de vos envies !

Crédits : Etalab | Wikimedia Commons | DBpedia | Open Street Map | INSEE | Wikipedia francophone | Wikipedia anglophone

Application réalisée avec Antidot Information Factory – Nous contacter : info@antidot.net

Le contenu de ce billet est sous licence CC BY-SA. Traduction en anglais disponible ici.

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” !

Antidot est impliqué depuis de nombreuses années dans la mise en œuvre opérationnelle des recommandations et standards publiés par le W3C comme RDF, OWL, SKOS ou SPARQL. Ne se cantonnant pas à une approche purement académique, et fort de sa position sur le marché des solutions d’accès à l’information, Antidot a été l’un des premiers éditeurs de logiciels à confronter ces nouveaux outils du Web Sémantique aux besoins et contraintes de grands projets industriels.

Ainsi les dernières versions des solutions logicielles Antidot Information Factory et Antidot Finder Suite ont été parmi les tout premiers logiciels à intégrer nativement ces technologies, pour répondre aux problématiques concrètes de gestion de l’information en entreprise, et aux enjeux stratégiques qui les sous-tendent : réutilisation et urbanisation des données, création de données métier.

Antidot travaille depuis longtemps sur les enjeux de la valorisation des bases de données relationnelles, et en particulier de leur transformation en données sémantiques. C’est donc tout naturellement que nos équipes Recherche & Développement se sont penchées sur les recommandations R2RML et Direct Mapping ^[1] du W3C en cours de finalisation. Ces technologies apportent en effet une réponse normative à la problématique de la transformation de données relationnelles en graphes RDF pour le chargement automatique d’entrepôts.

Afin de confronter ces recommandations à la réalité opérationnelle de projets clients, Antidot a développé une implémentation à jour des dernières propositions de R2RML et DirectMapping. Et afin de faire bénéficier les communautés informatiques et académiques de nos avancées, nous avons décidé de publier ce composant logiciel en Open Source sous licence LGPL.

Appelée db2triples, cette implémentation en Java, qui s’adapte rapidement à toutes les plateformes. est disponible dès à présent sur la forge Github : http://github.com/antidot/db2triples

db2triples permet d’atteindre les trois buts fixés par le W3C :

• intégrer les données provenant des bases SQL dans le Web de données (Linked Data)
• donner la possibilité de les manipuler avec des langages standardisés tels que SPARQL
• et enfin les regrouper avec d’autres types de données : référentiels, bases de connaissances…

La puissance de cet outil transparaît lors de l’utilisation de données provenant de bases complexes, où il permet rapidement et facilement de trouver les liens entre les données éparpillées dans de multiples tables, et de les enrichir grâce à la puissance de SPARQL 1.1 : nous avons réalisé de nombreux projets de recherche et d’accès à l’information par simple paramétrage en SPARQL de cet outil,  en particulier des indexations génériques de plateformes CMS basées sur WordPress et de sites e-commerce reposant sur la solution Magento.

Antidot a toujours baigné dans le monde de l’Open Source, et nous sommes heureux d’offrir à notre tour db2triples. Chacun peut immédiatement le mettre en pratique, et le modifier à sa guise, par exemple pour exposer immédiatement ses données selon les standards du Web de Données – Linked Data, ou tout simplement les voir sous un autre angle ! En effet, ce composant s’avère particulièrement intéressant dans le cadre de projet Open Data afin de permettre la publication de données vivantes, plutôt que la mise en ligne de fichiers Excel ou PDF dont la réutilisation automatique est complexe, voire impossible.

[1] Références : W3C Working Drafts (24 March 2011)

• R2RML – RDB to RDF Mapping Language :
  http://www.w3.org/TR/2011/WD-r2rml-20110324/
• A Direct Mapping of Relational Data to RDF :
  http://www.w3.org/TR/2011/WD-rdb-direct-mapping-20110324/

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 !

ISIDORE est un projet qui a mobilisé beaucoup d’énergies chez Antidot durant des mois, et qui, comme c’est le cas dans tout grand projet informatique, nous a parfois fait souffrir. Pour autant, nous sommes fiers d’y avoir participé, et cela pour 2 raisons :

ISIDORE est utile à la société

En mettant à disposition du public plus d’un million de publications de la recherche française en sciences humaines et sociales, ISIDORE diffuse de la connaissance. Des savoirs jusqu’alors réservés aux seuls chercheurs sont désormais disponibles, à portée de clic, pour les étudiants et pour toute personne qui s’intéresse à la philosophie, l’histoire, la démographie, la psychologie… Bien entendu, nos technologies sont toujours utiles : Antidot Finder Suite rend service aux consommateurs quand il leur permet de trouver plus facilement les produits répondant à leurs attentes sur les sites web de très nombreux marchands en ligne (*).

AFS est utile quand il permet de trouver de l’information sur les sites de grands médias comme TF1, Radio France ou Le Point, ou de grands services publics comme Service-Public.fr, la Sécurité Sociale, l’Assurance Maladie, les Agences Régionales de Santé, l’INSERM, l’AFPA, l’APCE ou encore l’Autorité de Sûreté Nucléaire… et maintenant ISIDORE !

Car ce qui nous motive tous dans le projet d’entreprise d’Antidot, c’est la mission que nous nous sommes assignée il y a bientôt 12 ans : « conçevoir des solutions d’accès à l’information permettant aux organisations et aux hommes de comprendre, de décider et d’agir ».

ISIDORE a fait progresser Antidot, dont il concrétise la vision

Pour réaliser cet ambitieux projet, nos avons proposé au CNRS de mettre en œuvre les technologies du web des données, sur lesquelles nous travaillons depuis de nombreuses années et qui ont été intégrées au cœur de la version 7 d’Antidot Finder Suite et aussi de notre nouvelle solution Antidot Information Factory qui a été dévoilée il y a 2 semaines au salon Documation.

Ces technologies constituent en effet le moyen le plus efficace pour collecter les contenus de 850 sources représentant plus d’un million de publications, pour nettoyer et normaliser toutes les données, les enrichir (classification automatique, annotation à la volée), et les aligner sur des référentiels partagés par la communauté scientifique. Plus de 30 traitements distincts sont réalisés par Antidot Information Factory sur chaque document collecté afin d’homogénéiser et valoriser l’information contenue.

Les données enrichies sont rendues accessibles via AFS v7, le moteur de recherche sémantique d’Antidot, et sont exposées via un point accès SPARQL dans un souci d’ouverture des données publiques (Open Data), selon les règles du Web de données (Linked Data). Concrètement ISIDORE est aujourd’hui le plus grand projet Linked Data / Open Data mené à bien en France.

Au-delà d’ISIDORE

Antidot apporte une vraie réponse industrielle à une problématique qui se pose désormais à toutes les organisations :

« Comment mieux mailler et articuler les données issues de différents entrepôts pour produire une information contextualisée et donc vraiment pertinente ? »

Avec Antidot Information Factory, conjuguée à notre moteur de recherche Antidot Finder Suite, nos clients peuvent créer un « hub de valorisation et d’accès à l’information » au service de leurs utilisateurs, pour permettre de nouveaux usages qui vont bien au-delà de ce que permettent les approches traditionnelles que sont la « recherche fédérée » ou  les « search based applications » dont les limites sont maintenant bien connues.

Nous remercions les équipes du CNRS – TGE Adonis et CCSd d’avoir choisi nos solutions pour bâtir ISIDORE à qui nous souhaitons une très longue vie !

Pour aller plus loin :

• Présentation du projet ISIDORE par Antidot : document PDF de 4 pages – présentation en 37 diapositives
• Description technique de la solution Antidot Information Factory : document PDF de 4 pages
• Analyse d’ISIDORE avec point de vue d’un utilisateur par le site Descripteurs
• Article de Libération : « Le CNRS lance Isidore, les SHS sur le web »
• Article de NewZilla : « Open Data > Ouverture d’Isidore, le portail du CNRS pour les sciences humaines et sociales »
• Article de NetPublic : « Isidore : nouveau portail pour les sciences humaines et sociales (CNRS) avec 1 million de documents »
• Article de Dominique Desaunay :  « rechercheisidore.fr, une nouvelle plateforme internet du CNRS »
• Interview vidéo de Fabrice Lacroix, président d’Antidot sur ITespresso : « On accompagne le plus gros projet open data en France via le CNRS »

A lire aussi, ces 2 documents complets :

• Présentation PDF 4 pages de la solution Antidot Information Factory
• Présentation PDF 4 pages du projet ISIDORE

(*) 3 Suisses Benelux, 3 Suisses Culture, Bricorama, Camaïeu, Château Online, Cultura, Damart, Discounteo, Feu Vert, Galeries Lafayette, IKKS, Internity, King Jouet, Made in Design, Made in Sport, La Maison de Valérie, Mathon, MotoBlouz, NM Médical, Oreca, Pecheur.com, Petit Bateau, Pimkie, Privilège Discount, Sexy Avenue, Wanimo… utilisent AFS@Store, la déclinaison e-commerce du moteur de recherche AFS, directement dans des logiciels spécifiques, dans des plateformes OpenSource comme Magento ou OS Commerce ou dans les solutions e-commerce de Compario, Digitas ou DotSoft.

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 !

Comme nous l’avons vu, les référentiels servent à organiser du vocabulaire, c’est-à-dire des mots qui représentent eux-mêmes des personnes, des objets, des choses …
Et c’est là que le bât blesse : les concepts décrits par ces mots sont sous entendus. Ce que décrivent les mots n’est pas  explicité et c’est au lecteur de le déduire.

Exemple :
Si je vous dis « De Gaulle, Mitterrand, Chirac, Sarkozy » … vous répondez Président de la République.
Si je  dis « Cresson, Fillon, Villepin, Jospin » … vous répondez Premier Ministre.
Et pour « Laguiller, Bayrou, Accoyer, Strauss-Kahn », vous pensez personne-politique.

Dans un beau référentiel de type « taxonomie », ou système de classement, nous aurions pu ranger tout ça de la façon suivante :

Personnages politiques
+ Président
|   De Gaulle
|   Mitterrand
|   …
+ Premier ministre
|   Jospin
|   Fillon
|   …
+ Autre
|   Accoyer
|   Strauss Kahn
|   …


Cette taxonomie semble efficace et permet de ranger, classer et organiser les hommes politiques français. Mais si on regarde bien, cette solution a des limites.
La hiérarchie semble décrire une spécialisation, allant du plus générique au plus spécifique :
• Président est une sorte de d’Homme Politique,
• Premier Ministre est une sorte d’Homme Politique.

Mais De Gaulle est une sorte de Président, ça ne va pas. Car “De Gaulle est un Président” et non pas « une sorte de ». On dirait en employant un vocabulaire plus technique et informatique que “Président est une sous classe d’Homme Politique” alors que “De Gaulle est une instance de Président”. Et ça n’est pas pareil. On constate donc que notre taxonomie mélange en fait les niveaux logiques : elle mixe les concepts et les objets.

On a également des cas plus complexes : Chirac fut Premier Ministre et Président. Faut-il dupliquer l’entrée et le mettre dans les deux branches de la taxonomie ? Mais comment être sûr qu’il s’agit de la même personne ?

Et bien une ontologie ça sert à résoudre tous ces petits problèmes en permettant de modéliser les types d’objets et la façon dont ils interagissent.
On peut ainsi définir une classe “Homme Politique“, puis des classes “Président” et “Premier Ministre” comme sous classes de “Homme Politique“. On peut aussi préciser des règles qui décrivent des interactions entre les classes. Exemple : “un Premier Ministre est nommé par le Président“.

Voilà, une ontologie, ça sert à ça : à décrire des aspects du monde (la politique, les médicaments, les voitures, …) en modélisant les choses qui constituent le monde. Tout cela permet aux machines de manipuler ces concepts et de faire des opérations très poussées. On parle alors de raisonnement. Ainsi supposons que nous soumettions à une machine la phrase “Nicolas Sarkozy vient de nommer François Fillon au poste de premier Ministre“, celle-ci serait capable de déduire automatiquement que Nicolas Sarkozy est Président et François Fillon Premier Ministre. Elle pourrait également en déduire que ces deux personnalités sont des Hommes Politiques.

Et les référentiels dans tout ça ? Et bien nos référentiels contiennent des mots qui permettent de nommer les concepts et les objets eux-mêmes. Les mots permettent de faire le lien entre l’homme et la machine. Les mots sont des étiquettes posées sur les objets pour les identifier. Et lorsqu’une ontologie contient tout le vocabulaire nécessaire à ce qu’elle décrit et manipule , on parle de référentiel onto-terminologique.

Dans un prochain billet, nous verrons comment ces ontologies peuvent être exploitées par les moteurs de recherche.

Note pour les puristes : oui la modélisation indiquée ici est simpliste. Il faudrait séparer la modélisation des personnes et de leur fonction, et introduire les modes d’accès à la fonction et la dimension temporelle.

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).

« Au commencement était le Verbe… et le Verbe s’est fait chair. » Puis les hommes se sont mis à assembler des mots entre eux pour s’exprimer. Le langage, cette fonction qui nous semble tellement élémentaire, a été l’un des premiers grands chantiers de l’Intelligence Artificielle. En effet, dès la fin des années cinquante, l’expérience de Georgetown, menée notamment par IBM, a suscité un espoir démesuré : « within three or five years, machine translation would be a solved problem ». Cet espoir fut à la hauteur de la désillusion provoquée par les faibles résultats constatés.

Cinquante ans plus tard, où en sommes-nous ? La description formelle des langues pour leur utilisation dans des systèmes automatisés a montré ses limites. L’utilisation exclusive de grammaires formelles est incapable de saisir la complexité d’une langue. La principale difficulté réside en un seul mot : ambiguïté. Les rustines techniques ne manquent pas pour tenter de contourner le problème et les années soixante-dix et quatre-vingt ont été particulièrement riches dans la mise en place de systèmes de règles sémantiques, supposées permettre une plus grande précision dans l’analyse de la langue. Ces systèmes n’ont pourtant apporté que des améliorations marginales dans le traitement automatisé de la langue.

L’arme fatale

En fait, la « balle d’argent » semble avoir été tirée par un curieux fusil que le monde de l’informatique et de l’IA semblait avoir négligé : la probabilité. Avec l’introduction de modèles de langue probabilistes, Google, pour sa première participation en 2008, a classé son système de traduction automatique à la première place de toutes les tâches de la campagne Open Machine Translation du NIST (arabe vers anglais, chinois vers anglais, ourdou vers anglais, anglais vers chinois).

En à peine vingt ans, les techniques probabilistes ont propulsé les capacités des systèmes de traduction automatiques à des hauteurs que quarante ans de systèmes formels n’avaient fait qu’entrevoir.

Le LDA pour les nuls

Ces résultats ont encouragé les chercheurs à appliquer le paradigme probabiliste à d’autres tâches au sein du traitement automatique du langage. Et l’un des concepts les plus prometteurs dans ce domaine est le LDA, ou Latent Dirichlet Allocation. Nous nous plaçons cette fois-ci dans le cadre d’un grand nombre de documents, ce qu’on appelle un corpus. Chaque document est vu comme un sac de mots. Le paragraphe précédent peut par exemple être vu comme un document dans lequel le mot « automatiques » apparaît 1 fois, et le mot « systèmes », 2 fois. On voit qu’il est assez trivial de considérer un document comme une distribution de probabilité sur l’ensemble des mots. Si j’ai le document « a b a c », je peux considérer ce document comme une distribution des mots « a », « b », « c »  et « d » avec les probabilités 2/4, 1/4,  1/4 et 0.

L’idée de LDA est qu’au lieu de considérer un document comme une distribution sur des mots, on le considère comme une distribution de probabilité sur des topics (sujets), eux-mêmes vus comme des distributions sur les mots. Je ne rentrerai pas dans les détails du modèle et je me contenterai de l’illustrer sur un cas concret.

Un exemple de LDA

J’ai effectué un LDA sur la presse quotidienne nationale sur la période du 18 au 23 janvier 2010, à partir de l’excellent site Pikanews. Le résultat de l’algorithme du LDA appliqué à ce corpus génère un ensemble de topics, caractérisés eux-mêmes par des mots. Voici un extrait de ces topics générés :

On constate par exemple que le mot « Sénat » se retrouve dans deux topics différents.

Dans l’extrait suivant, le mot « sénat » apparaît dans le contexte de l’élection du Massachusetts :

La détermination de l’administration Obama à brider Wall Street risque toutefois de butter contre une nouvelle réalité politique : comme pour le projet d’une taxe spéciale sur les banques, ces mesures doivent être approuvées par le Congrès. Et le revers électoral subi par les démocrates, mardi, dans l’Etat du Massachusetts leur a fait perdre la majorité qualifiée au Sénat. Une majorité pourtant indispensable afin de faire adopter leurs projets sans risquer une obstruction républicaine.

Alors que dans l’extrait suivant le mot « Sénat » est raccroché au projet de réforme des collectivités territoriales :

Après avoir sillonné les fédérations UMP pendant des semaines pour promouvoir la réforme territoriale, Dominique Perben ne cache pas sa déception : le texte que les sénateurs ont commencé à examiner hier, en séance plénière, est, selon lui, bien en deçà des ambitions du projet gouvernemental. Invité du « Talk Orange-Le Figaro », il a regretté en particulier que « le texte du Sénat soit très en retrait sur les métropoles ».

L’analyse effectuée par le LDA, sans aucune intervention humaine, sans aucune modélisation a priori ni connaissance linguistique autre que l’isolation de tokens (mots) à l’intérieur d’un texte, est remarquable. Le LDA identifie automatiquement l’usage du mot « Sénat » dans différents contextes. On voit l’intérêt que l’on pourrait retirer d’une telle analyse dans le cadre, par exemple, de la désambigüisation de termes ou de fonctions.

Le LDA sert d’ailleurs déjà de socle à différents traitements classiques dans le traitement automatique du langage : clusterisation, catégorisation automatique, annotation morpho-syntaxique, etc. Les études publiées depuis environ cinq ans à ce sujet montrent que le gain apporté par la démarche est souvent très significatif. Assistera-t-on à la même explosion des performances de ces outils que celle dont a bénéficié la traduction automatique ?

En tout cas, chez Antidot, nous y croyons. Nous travaillons sur le sujet depuis un moment déjà,  et la prochaine version d’AFS – la v7 qui sortira en avril 2010 – inclut les premiers résultats de nos recherches. Si vous voulez en savoir plus, venez nous rendre visite sur le salon Documation. Croyez-moi, c’est bluffant !

La difficulté pour un éditeur de logiciels comme Antidot n’est pas tant de fixer un prix que de définir les variables qui permettent de calculer une valeur. Quelles sont les métriques à utiliser, sachant que les objectifs sont :

• Clarté de l’offre : le prix doit être compréhensible et sa variation doit pouvoir être anticipée par le client.
• Progressivité : en fonction de la richesse fonctionnelle, du volume, de l’usage, du nombre d’utilisateurs, de la valeur créée, …
• Adaptabilité : l’offre doit être suffisamment modulaire pour que le client ne paye que ce qui est nécessaire à son besoin.

Les pratiques du marché, en tout cas en ce qui concerne les moteurs de recherche, sont variées mais pas forcément adaptées à l’environnement actuel.

Dans un contexte où les technologies évoluent très vite, les métriques basées sur le matériel ou la volumétrie sont dépassées. Ainsi :

• La tarification au serveur, au processeur ou au gigahertz n’est plus envisageable avec la généralisation des multi-cœurs et la diversité des plateformes.
• La tarification au volume indexé (compté en volume de données ou en nombre de documents) est également difficile à appliquer : une image pèse lourd mais n’a que peu d’information à fournir ; un catalogue très complexe de 100 000 produits ne pèse que quelques dizaines de mégaoctets, soit moins qu’un gros fichier PDF. La disparité informationnelle et l’écart de valeur entre les sources sont des obstacles insurmontables.
• Un prix basé sur la taille de l’index de recherche est ‘créatif’ mais il ne répond pas du tout au critère de clarté et de lisibilité de l’offre. Il est trop dépendant de la technologie et il est incertain : en effet le changement d’un paramètre de configuration peut faire varier la taille de l’index généré de façon sensible, de même qu’un changement de version logicielle peut du jour au lendemain ajouter 30% à la facture.

A l’opposé de ces « métriques techniques », il y a la tarification basée sur l’usage ou la valeur créée. Cette approche demande une analyse, une connaissance et une segmentation très fine des marchés. Et là aussi les écueils sont nombreux :

• Un prix au nombre d’utilisateurs n’est pas adapté dans les environnements Web, et la transposition en nombre de sessions simultanées ne convient pas pour les architectures SOA à base de Web Services.

• La tarification au pourcentage du chiffre d’affaires ressemble par trop à une dime, et ne convient qu’aux logiciels qui structurent l’entreprise et sont à la base de sa génération de valeur.
• En outre, le risque existe qu’une telle tarification soit ressentie comme un prix à la bonne mine du client, laissant la porte ouverte à toutes les dérives commerciales possibles.

Et si l’on ajoute à cela des modes d’utilisation du logiciel variés, allant de la classique licence et son support pour les logiciels installés sur le site du client,  au mode ASP (le fameux SaaS, où le logiciel est vendu comme un service), la complexité n’est que plus grande.

Je ne sais pas si la définition d’une grille tarifaire est un art, comme certains le prétendent, mais c’est en tout cas un sacré casse-tête. Voilà en tout cas un problème que ne connaît pas le logiciel libre et qui ne doit pas m’empecher de vous souhaiter à tous une excellente année 2010 !

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 !

C’est peu, à l’aune de cette ère économique, mais déjà beaucoup à l’échelle de l’Internet, dans une époque où tout évolue si vite et où l’accélération des technologies ne se dément jamais. En 10 ans nous avons déjà connu deux crises majeures : l’éclatement de la bulle Internet et la récession de 2008. Et notre histoire s’inscrit dans cette réalité technologique et économique.

L’idée initiale qui a motivé la création d’Antidot en 1999 était de développer et de fournir aux portails Internet un moteur de recherche en marque blanche. Notre objectif était d’amener un service clé en main à nos clients. Dans la dynamique très forte de cette époque de pionniers, nous avons pu lancer notre activité en autofinançant notre démarrage.

En 2001, avec l’éclatement de la bulle, le marché s’est transformé et nous avons dû revoir notre positionnement : nous avons décidé d’exploiter notre savoir-faire et nos acquis technologiques pour servir le marché des entreprises, en construisant une plateforme de recherche d’information ouverte et déclinée en solutions adaptées à des besoins métier.

Mais l’histoire n’est pas une ligne droite et on dit que votre passé vous rattrape toujours. Celui d’Antidot est une grande force : notre expertise cumulée du Web et des solutions pour entreprise nous place aujourd’hui dans une situation privilégiée. L’émergence des technologies du Web Sémantique (Web of Data, ou encore Web 3.0) nous a permis de réaliser la synthèse de nos compétences. A travers notre programme de recherche et des projets clients, nous sommes devenu l’acteur « solution de recherche » le plus avancé dans le domaine. Les 10 ans qui viennent prennent tout leur sens à la lumière des 10 années écoulées et le Web Sémantique dessine le futur d’Antidot.

De cette histoire riche, nous avons tiré des enseignements majeurs que nous avons érigés en principes :

• Rien n’est jamais acquis. La pérennité d’Antidot dépend de notre capacité d’innovation et de l’énergie mise à se réinventer chaque jour.
• Le client prime. Le service, la proximité et l’engagement à délivrer sont le credo et la raison d’être de l’entreprise.

Depuis 1999 notre offre et nos produits ont évolué, pour autant notre mission et nos valeurs sont restées les mêmes : fournir des solutions créatrices de valeur pour nos clients, avec des équipes tournées vers l’accompagnement et le résultat. Plus que jamais, pour les 10 ans à venir, nos solutions seront dédiées à rendre l’information plus vivante et plus intelligente.

Aujourd’hui, nous tenons sincèrement à remercier nos clients et nos partenaires, qui nous accompagnent dans notre développement et nous accordent leur confiance.

Joyeux anniversaire Antidot !