Traduit avec DeepL
L'article "Modélisation des données - Obtenir de nouvelles connaissances à partir de données complexes" paru dans le magazine PME montre comment cette méthode peut être utilisée pour obtenir des connaissances exploitables à partir de jeux de données complexes et pour prendre des décisions sur une base solide.
L'outil open source Collaboration Spotting X (CSX), codéveloppé par le CERN, met cette approche en pratique. Il transforme les données tabulaires en réseaux visuels dynamiques et rend visibles des relations que les outils traditionnels négligent souvent.
Cet article du KMU-Magazin fait partie d'une série qui a été créée comme activité de suivi de la publication Orientation IA : défis et opportunités pour les PME suisses. Cette publication de la SATW aide les petites et moyennes entreprises à identifier les potentiels de l'intelligence artificielle et à planifier les prochaines étapes concrètes.
Le contenu a été élaboré en étroite collaboration avec les acteurs du réseau SAIROP (Swiss AI Research Overview Platform). SAIROP encourage l'échange entre la science, l'économie et la société, rend les compétences suisses en matière d'IA visibles et crée une orientation dans l'écosystème dynamique de l'IA.
Cet article décrit comment les petites et moyennes entreprises (PME) peuvent utiliser la méthode des graphes hyperbags pour modéliser et évaluer visuellement des données non structurées et complexes, telles que les commentaires des clients ou les protocoles d'exploitation. Il en résulte de nouvelles possibilités de transformer les données en connaissances et d'améliorer les décisions stratégiques.
Les PME sont souvent confrontées au défi d'analyser de grandes quantités de données avec des ressources limitées. Les outils de Business Intelligence traditionnels traitent surtout des chiffres structurés, mais sont peu adaptés aux données textuelles ou aux informations qualitatives. Les graphiques hyperbags offrent ici une solution flexible qui permet d'analyser efficacement les données non numériques.
Un graphe hyperbag est un modèle mathématique basé sur ce que l'on appelle la théorie des graphes. Contrairement aux graphes classiques qui relient deux nœuds à la fois, un graphe hyperbag peut relier plusieurs nœuds simultanément.
De plus, des éléments peuvent apparaître plusieurs fois - ce que l'on appelle des multisets. Cela permet de représenter des répétitions dans des textes ou des évaluations, par exemple lorsque des clients mentionnent plusieurs fois le même terme.
Les PME peuvent utiliser l'outil open source Collaboration Spotting X (CSX), développé au CERN, pour transformer leurs données en réseaux visuels.
Par exemple, une entreprise de commerce électronique peut utiliser CSX pour analyser les thèmes qui reviennent le plus souvent dans les évaluations de produits - par exemple l'assemblage, la qualité ou le délai de livraison - et utiliser ces connaissances pour le développement de produits ou le marketing.
Les outils traditionnels comme les tableaux de bord ou les tableaux affichent surtout des indicateurs numériques. Les graphiques Hyperbag, en revanche, associent également des informations sémantiques et textuelles. Cela permet aux PME d'identifier des corrélations et des tendances qui restent cachées dans les tableaux classiques. Cette approche permet non seulement de visualiser les données, mais aussi d'en comprendre le contenu.
Les graphiques Hyperbag aident les PME à représenter les données de manière compréhensible, à identifier les relations complexes et à fixer des priorités.
Comme le système fonctionne de manière transparente et compréhensible, les décisions peuvent être prises sur une base de données compréhensible - sans qu'une équipe de scientifiques des données soit nécessaire.
La méthode des graphes hyperbags a été développée et affinée au CERN par un doctorant de l'Université de Genève.
Dans l'article, Gianfranco Moi (Université de Genève, IDE4) et Jean-Marie Le Goff (Dtangle, CERN) présentent le concept. Tous deux sont partenaires de la Swiss Artificial Intelligence Research Overview Platform (SAIROP), une initiative de l'Académie suisse des sciences techniques SATW visant à promouvoir le transfert de connaissances dans le domaine de l'intelligence artificielle.
