12062013 ws & bd

Charles Huot

[email protected] le 12 juin 2013, T2M

La relation client à l’ère du Web 3.0Web Sémantique & Big Data

Copyright © 2013 TEMIS - All Rights Reserved - Slide 2

Agenda TEMIS ?

Les bases en 3 min

Exemples & cas d’usages


Pionnier de l’Enrichissement de Contenu depuis 2000

70

http://s2.e-monsite.com/2009/12/18/12/resize_550_550/Drapeauamericain1.gif

http://siia.net/codies/2010/winners.asp


Structurerles contenus non structuréspour mieux les géreret mieux les valoriser


Références-clés

http://www.bna.com/


Beaucoup plus de données

Vraiment beaucoup plus


Des puces RFIDpour tracer les vaches


Des capteurs pour suivre la circulation


Génome

Décrire les génomes


Concevoir ensemble


Parler de soi et des autres


Une surabondance d’application à gérer!N

um

be

r &

co

mp

lex

ity

of

tec

hn

olo

gie

s/d

ata

so

ur

ce

s

Time Frame

eCommerceSmarter

Planet

eDiscovery

Decision support

Alerting

Watson

Predictions

Historic

Relationship

Detection

Pattern

Detection

Find influencers

Brand management

Climate Modeling

And Prediction

Investment Trend

Detection

Reputationmanagement

Voice of Customer

Gov’t Intelligence

Apps

Log Analysis

Future(Predict)

Ad targeting

Churn detection

Find drug

interactions

Fraud

Detection

Source: IDC, Big Data and the information advantage

Sue Feldman

Sentiment extraction


Nous ne sommes pas mécontents de la banque XYZ

A l’échelle du verbatimExtraction automatisée des informations

Termes

Pronom Verbe Nom propreArt.Adv.Nég Adjectif

Emetteur Verbe SociétéArt.Modif.Modif. Evaluation

Entités

Nous ne sommes pas mécontents de la banque XYZRelations

Rôles

Attributs

EvaluationPolarité Positive

Intensité -

Sujet Banque XYZ


Principes d’extraction

Extraction

de relations

Extraction d’entités

Prétraitements linguistiques

Relations Extraction- Une société dans une relation d’acquisition- Un produit bancaire dans une relation d’opinion positive ou négative

Entrée : texte

Sortie : texte annoté

Extraction d’entitésEx.: Entités nommées (Noms de Personnes, Lieux, Sociétés), Entités métier (lexique bancaire), Opinions, etc.

Prétraitements linguistiquesIdentification de la langue, tokenization, segmentation, Analyse morphosyntaxique (POS tagging)


Anonymisation de l’informationRendre les verbatim anonymes!


Analyse D’OpinionsDétection des sentiments


²


NSA: à l’écoute du monde?


Non: bienvenue dans la « war room » de Nestlé


Tableau de bord


Projet CallSurf (Identification des raisons d’appels et des opinions)


La télévision et Twitter

AAnalytics-temis.mp4


Livres blancs Aproged

E-réputation et B2BFévrier 2013


L’ALLIANCE BIG DATA20 mars 2013, lancement de :


L’Alliance Big Data


www.alliancebigdata.com

http://www.alliancebigdata.com/


La Charte Ethique & Big Data

12062013 ws & bd

Documents

rights reserved

agenda temis

web smantique big

banque xyza lchelle

sujet banque xyz

produit bancaire

entits mtier lexique

analyse dopinionsdtection