Les maths au cœur des Big Data : tirer du sens de la masse de données ?

Nuage de mots

 

La MMI à l’heure de la « science des données »

Le 5 mai 2015, la Maison des Mathématiques et de l’Informatique[1], localisée sur le site Monod de l’Ecole Normale Supérieure[2],  a accueilli une mini conférence sur une méthode essentielle pour extraire de la valeur à l’avalanche des big data : l’algorithme.

Après l’accueil d’une quarantaine de personnes par Jérôme Germoni, directeur de la « MMI , Julien Velcin, responsable de l’équipe « data mining et décision »[3] du laboratoire ERIC[4] (Université Lumière Lyon 2), a expliqué comment la science se met au service de la donnée. Sa présentation a illustré comment les outils d’analyse de données textuelles permettent de mieux appréhender le déluge de données produites. Avec 50 milliards de pages indexées par Google, ses 1,28 milliards d’utilisateurs actifs et 500 millions de tweets par jour, l’objectif d’un traitement automatique des données nourrit une véritable « science des données » dont la « fouille de données » (data mining).

 

Différents types d’analyses des données

En explorant et analysant la donnée, la fouille de données a comme objectif d’acquérir de nouvelles connaissances et de produire de nouvelles informations qui pourront servir dans la prise de décision. L’analyse des données textuelles impliquant de manipuler des volumes importants de mots, voire même des combinaisons de mots, plusieurs stratégies de représentation des textes sont possibles. 

L’approche syntaxique étudie les mots et leurs combinaisons dans leur ensemble. L’usage de « sacs de mots » peut être privilégiée avec une approche statistique (modèle dit vectoriel), combinée avec des techniques de réduction de dimensions. La langue étant par nature variée et vivante, son analyse statistique oblige aussi la prise en compte de différents biais possibles : le filtre des opinions et des représentations, les stéréotypes de langage, l’influence des images proposées à large échelle par les médias comme le web.

 

Forger son opinion et son savoir sur la donnée ?

Ces biais possibles contribuent à relativiser l’usage de média sociaux comme baromètre. La médiatisation d’une maladie et les inquiétudes produites peuvent par exemple augmenter les recherches d’informations sur cette maladie sans que les nombre de personnes affectées soit pour autant très important. Julien Velcin cite deux cas concrets qu’il étudie depuis 2012 dans le cadre du  projet « Imagiweb ». Son équipe de recherche a analysé la  dynamique temporelle des opinions et l’influence qu’ont les médias sur ces opinions dans deux cas précis : les références aux deux principaux candidats durant la campagne présidentielle de 2012 et l’évolution de l’opinion de bloggers sur le nucléaire.

Après une séance de questions et d’échanges avec le public, il conclut sur le fait que l’analyse des outils de fouille de données montre que l’intervention humaine reste nécessaire pour extraire des connaissances utiles dans un apprentissage exploratoire, même si « l’apprentissage automatique » (machine learning) est actuellement la méthode phare.

 

En savoir + :

Des ressources proposées par le laboratoire ERIC sur le « data mining » : des supports de cours ouverts à tous[5]

[1] http://math.univ-lyon1.fr/mmi/

[2] http://www.ens-lyon.eu/informations-pratiques/acces-a-l-ens-de-lyon–81546.kjsp

[3] http://eric.ish-lyon.cnrs.fr/recherche/58-FR-equipe_data_mining_decision_dmd

[4] « Entrepôts, Représentation et Ingénierie des Connaissances » – http://eric.ish-lyon.cnrs.fr/

[5] http://eric.univ-lyon2.fr/~ricco/cours/supports_data_mining.html

 

 


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *