Equipe Business Intelligence!

Transcription

1 Equipe Business Intelligence!

2 Laboratoire MAS ü MAS : un laboratoire de recherche où les mathématiques et l informatique sont appliquées aux systèmes ü Analyse, modélisation, simulation et optimisation de systèmes complexes ü Investigations théoriques et recherches guidées par les applications ü Fortes connexions avec des partenaires académiques et industriels ü 21 membres permanents, 14 non permanents, 46 doctorants ü 6 équipes

3 Chaire Business Intelligence ü Créée en 2008 sous la forme d une chaire (SAP) ü Objectifs : Recherche amont sur le futur de la Business Intelligence Développer un curriculum à Centrale ü Recherche: Gestion intelligente de l information Modélisation, extraction et analyse de données structurées et non structurées Modèles: ontologies, graphes, treillis de Galois

4 Couche Requêtes Couche Sémantique Extraction Structuration en graphe

5 Chaire Business Intelligence ü Direction : Marie-Aude Aufaure Expérience industrielle (Alcatel, Sagem, Altran, DGA) Expérience académique (Lyon 1, Supelec, Centrale) Collaborateur extérieur INRIA depuis 2003 Expert auprès de la commission européenne (DG CONNECT) Membre de comités d évaluation ANR Expérience de management et de valorisation de la recherche Codirection de l Ecole d été européenne en Business Intelligence

6 KPI Chaire Business Intelligence ü Leçon inaugurale sur les enjeux de la Business Intelligence ü Master Erasmus Mundus IT4BI, accepté en juillet 2011 ü Enseignement des bases de données, entrepôts de données et fouille de données (2 ème et 3 ème années) ü Nombreux projets d élèves (enjeux, innovation, filière recherche) ü Brevets (5) ü Développement logiciel à SAP et dans l équipe ü Publications ü Ecole d été en Business Intelligence ü Projets collaboratifs (2 EU, 1 DGCIS, 1 DGA) ü Thèses CIFRE (3 dont un centralien)

7 Equipe BI : évolution Ingénieur de recherche 6 4 Chercheurs postdoc Doctorants sur projet Doctorants CIFRE

8 Projet CUBIST (EU FP7) ü Combining and Unifying Business Intelligence and Semantic Technologies (STREP Call 5)

9 Projet CUBIST (EU FP7) ü Rôle: Représentation et exploration innovante et userfriendly de l information basée sur l Analyse Formelle de Concepts Guider l utilisateur dans la découverte de relations inconnues Nouvelles méthodes de visualisation de l Analyse Formelle de Concepts pour la BI Passage à l échelle d algorithmes de construction de treillis (temps réel) Demo paper à ICDM Channel You Tube:

10 Projet CUBIST (EU FP7)

11 Projet ARSA ü ARSA : Analyse de réseaux sociaux pour les Administrations (appel Web 2.0, services innovants) Objectifs : promouvoir la transparence des administrations via des réseaux sociaux. En interne d abord, en explorant les réseaux sociaux de l administration. En externe ensuite, d une part en analysant les réseaux sociaux externes en relation avec la vie publique, d autre part en exposant une partie des réseaux internes aux citoyens Rôle : Extraire des graphes à partir de données structurées Définir un langage visuel de requêtes Analyser les réseaux sociaux externes (Twitter)

12 User level Aggregation Visualization Visual Query Language Nodes/Concepts selection Knowledge layer SPIDER- Graph Middelware for information search matching Enterprise ontology Extrac6on and Merging (Hadoop) Data layer Extrac6on DB1 DB2 DBn Textual content Open Linking data

13 Projet PARLANCE (EU FP7) ü Probabilistic Adaptive Real-Time Learning And Natural Conversational Engine (STREP) ü Objectif : construire des applications mobiles qui approchent les performances humaines dans l interaction lors de conversations ü Système incrémental

14

15 Rôle dans PARLANCE ü Enrichissement incrémental d ontologies modulaires Utilisation de bases de connaissances existantes Apprentissage d ontologies à partir du web Enrichissement de la base de connaissances basé sur les requêtes des utilisateurs ü Modèle utilisateur riche, dynamique et évolutif Information statique et contextuelle Information sociale Filtrage collaboratif

16 Autres travaux ü Projet MOCAS (innovation duale DGA) : Moteur Big Data pour le raisonnement à base de cas ü Réseaux sociaux : Détection d influence Détection de polarité ü Treillis de Galois: Méthode algébrique de construction de treillis ü Personnalisation: Intégration de préférences basées sur les critiques des utilisateurs

17 Collaborations en cours ü Université de Bologne Stefano Rizzi et Université de Blois Patrick Marcel Personnalisation dans les entrepôts de données ü Université d Alicante Juan Trujillo Business Intelligence sur les données structurées et non structurées ü UCSD Yannis Papakonstantinou Real-time visual analytics ü Yahoo Labs Peter Mika Recherche d information sociale ü Université Paris 1 Bénédicte Le Grand Réseaux sociaux analyse formelle de concepts ü ISEP Raja Chiky Thèse commune, démarrage en avril 2013 ü Collaborations avec l Université de Sheffield, SAP, des PMEs innovantes, l INRIA

18 Chaire ATOS ü Plusieurs partenaires académiques complémentaires Centrale-Supelec ISEP ü Thématique de recherche: Agrégation sémantique à partir de flux textuels et non textuels, des open data et du web Développement d une plateforme temps réel permettant de gérer des masses de données structurées ou non Ensemble de services du type watch system, dashboard personnalisé (Do It Yourself) ü Applications potentielles Smart cities, Santé, Réseaux sociaux ü Partenaires potentiels : Veolia, Viadeo, EDF R&D, Orange, IBM (fellowships), Space Apps (Bruxelles)

19 Retro-action Decision Monitoring, Alerts, Statistics, fault detection, etc. Ontologie s Quality Control Semantic data streams Semantic filtering and Continuous queries Interconnection Summarizing Load Shedding Heterogeneous and dynamic data streams Heterogeneous and static data sensors

20