22 novembre 2022

2 minutes de lecture

Les machines complètent les humains. Les données ont de multiples facettes et leur donner un sens exige une nouvelle approche avec des racines anciennes

“Mega biblia, mega kakon” (Gros livres, grand mal) – Callimaque.

Lorsque la production de données était un problème important, un travail énorme a été consacré à la préservation, à la traduction et au maintien du sens et de la signification.

Grâce à des commis dispersés à travers le monde et à travers les âges, nous avons appris des principes fondamentaux et des listes de courses banales.

Aujourd’hui, les humains et les machines génèrent des données à une vitesse vertigineuse. Les données sont devenues omniprésentes ; nous les stockons dans des appareils, sur le cloud, et de nouveaux centres de données poussent comme des champignons.

Les coûts associés au traitement et au stockage des données ont énormément diminué au fil du temps, mais notre capacité à les comprendre n’a pas augmenté proportionnellement.

Les entreprises de conseil ont repensé leurs services en conséquence, et de nouveaux projets de big data et de lacs de données sont apparus à l’agenda numérique.

Après dix ans, nous n’avons pas avancé. Il y a de moins en moins de valeur pratique qui émerge.

Pourquoi?

Une vision du monde durable et coopérative a cédé la place à des intérêts dispersés et spécialisés qui rendent difficile la réponse unie aux défis mondiaux.

Les progrès technologiques n’ont pas permis de gagner du temps, de gérer des volumes massifs de données, d’augmenter la flexibilité, d’améliorer la validité et la cohérence de la recherche et de se libérer du travail manuel et de bureau.

L’accent principal s’est concentré sur le volume et l’étendue plutôt que sur l’importance et la profondeur, de nombreuses entreprises investissant encore des années pour maîtriser les technologies les plus récentes, détournant leur attention de l’observation et de l’interprétation des faits (faites dans Excel, dans le meilleur des cas).

Le big data est un défi transformationnel

Les machines complètent les humains. Aucun système de pointe ne peut continuellement générer de la valeur à partir des données à moins que les individus n’y contribuent. Les données sont multiformes et leur donner un sens nécessite des contributions constantes de divers experts.

Une stratégie Big Data efficace doit avoir deux caractéristiques fondamentales :

  • jeIl doit faciliter, améliorer et accélérer la coopération contemporaine entre les utilisateurs des mêmes données.
  • Il doit exploiter progressivement et automatiquement la découverte pour générer des suggestions causales pour une signification et une signification possibles.

Étant donné que les frontières internes de l’entreprise n’englobent plus tous les consommateurs potentiels de données d’entreprise, les consultants doivent travailler à la création d’un marché plutôt qu’à la présentation de leur plate-forme.

Basée sur le principe de la coopération et du développement incrémental, une stratégie big data s’articule autour de quelques caractéristiques critiques constitutionnelles pour une marketplace :

  • Accessible: Un programme de bureau n’est pas nécessaire. Un accès Internet et un navigateur web démocratisent l’accès pour tous les utilisateurs
  • Concurrent: Une équipe de domaine composée de professionnels internes et externes ayant une expérience pertinente doit travailler simultanément et de manière interactive sur les mêmes données
  • Intelligente: Un système de support fournit automatiquement la description la plus appropriée pour chaque enregistrement, permettant une optimisation du temps et des résultats uniformes
  • Incrémentale: Il permet le téléchargement de plus de données, du texte aux médias, pour soutenir la recherche de pointe et la causalité contextuelle
  • Adaptable: Un système basé sur l’intelligence causale encourage les composants d’analyse et de traitement des données à modifier leur comportement en réponse à divers contextes
  • Applicablee : L’outil est simple à utiliser dans tous les domaines
  • Flexible: Pas une plate-forme, mais une place de marché qui, avec de légers ajustements, permet aux utilisateurs d’ajouter eux-mêmes des personnalisations et des extensions, répondant aux besoins précis des instruments de recherche
  • Jouable: Suivi en temps réel des tâches réalisées (pourcentage d’achèvement du jeu de données, travail réalisé par chaque chercheur) via un panel de supervision et un mécanisme d’aide à la motivation et à la récompense de l’effort

Un jour dans la vie

Les gens collaborent à l’échelle mondiale pour reconstituer un puzzle de données stockées dans leurs systèmes. Ils s’ajoutent à une collection de définitions normalisées, confirmant les problèmes de données et offrant des annotations explicatives pour les machines et les humains.

Les machines transforment les enregistrements et les résultats en vecteurs et les comparent en temps réel aux défis non résolus, suggérant des descriptions pour mieux correspondre.

Les humains examinent, vérifient et améliorent les définitions pour valider les résultats et comprendre leur lac de données.

Des listes d’évaluation en temps réel des problèmes de données, des chercheurs et des objectifs démontrent les progrès dans l’attribution des récompenses en fonction de la valeur générée en interne et du financement des activités qui créent plus de valeur.

Leave a Reply