Qu'est-ce qui rend un catalogue de données "intelligent" ? #1 - Métamodélisation

A catalogue de données exploite d'énormes quantités d'informations très diverses, et son volume va croître de manière exponentielle. Cela soulèvera deux défis majeurs :

Un métamodèle universel et statique ne peut être intelligent

À l'échelle d'une entreprise, les métadonnées nécessaires pour exploiter de manière significative les actifs informationnels peuvent être considérables. En outre, les métadonnées sont spécifiques à chaque organisation, parfois même entre différentes populations au sein d'une organisation. Par exemple, un analyste commercial ne recherchera pas nécessairement les mêmes informations qu'un ingénieur ou un chef de produit.

Tenter de créer un métamodèle universel ne nous semble donc pas très judicieux. En effet, un tel métamodèle devrait s'adapter à une pléthore de situations différentes, et sera inévitablement victime de l'un des 3 pièges ci-dessous :

• Une simplicité excessive qui ne couvrira pas tous les cas d'utilisation nécessaires.
• Des niveaux d'abstraction excessifs avec le potentiel de s'adapter à un certain nombre de contextes au prix d'un apprentissage ardu et fastidieux - ce n'est pas une situation idéale pour le déploiementun catalogue à l'échelle de l'entreprise.
• Les niveaux d'abstraction manquant de profondeur et conduisant finalement à une multiplicité de concepts concrets s'appuient sur une combinaison de notions émanant d'une variété de contextes différents - dont beaucoup seront inutiles dans un contexte spécifique, rendant le métamodèle inutilement compliqué et potentiellement incompréhensible.

Selon nous, une métamodélisation intelligente devrait garantir un métamodèle qui s'adapte à n'importe quel contexte et qui peut être enrichi au fur et à mesure que les cas d'utilisation ou les niveaux de maturité se développent au fil du temps.

L'approche organique d'un métamodèle

Un métamodèle est un champ de connaissances et la structure formelle d'un modèle de connaissances est appelée ontologie.

Une ontologie définit un ensemble de classes d'objets, leurs attributs et les relations qui les unissent. Dans un modèle universel, l'ontologie est statique - les classes, les attributs et les relations sont prédéfinis, avec différents niveaux d'abstraction et de complexité.

Actian Data Intelligence Platform a choisi de ne pas s'appuyer sur une ontologie statique mais plutôt sur ungraphe de connaissances évolutif .

Le métamodèle est donc volontairement simple au départ - il n'y a qu'une poignée de types, représentant les différentes classes d'actifs informationnels (sources de données, ensembles de données, champs, tableaux de bord), chacun avec quelques attributs essentiels (nom, description, contacts).

Ce métamodèle est alimenté automatiquement par les métadonnées techniques extraites des sources de données qui varient en fonction de la technologie en question (les métadonnées techniques d'une table dans un entrepôt de données diffèrent des métadonnées techniques d'un fichier dans un lac de données).

Ce métamodèle organique est la manière la plus intelligente de traiter la question de l'ontologie dans un catalogue de données. En effet, elle offre plusieurs avantages :

• Le métamodèle peut s'adapter à chaque contexte, souvent en s'appuyant sur un modèle préexistant, en intégrant la nomenclature et la terminologie internes sans qu'il soit nécessaire de suivre une courbe d'apprentissage longue et coûteuse ;
• Il n'est pas nécessaire de définir entièrement le métamodèle avant d'utiliser le catalogue de données - il suffit de se concentrer sur quelques classes d'objets et sur les quelques attributs nécessaires pour couvrir les cas d'utilisation initiaux. Vous pourrez ensuite charger le modèle au fur et à mesure de l'adoption du catalogue ;
• Le retour d'information de l'utilisateur peut être intégré progressivement, ce qui améliore l'adoption du catalogue et, par conséquent, garantit un retour sur investissement pour la direction des métadonnées .

Ajouter des attributs fonctionnels au métamodèle pour faciliter la recherche

Cette approche de métamodélisation présente des avantages considérables, mais aussi un inconvénient majeur : le métamodèle étant totalement dynamique, il est difficile pour le moteur d'en comprendre la structure, et donc d'aider les utilisateurs à alimenter le catalogue et à utiliser les données (deux composantes essentielles d'un Smart catalogue de données).

Une partie de la solution concerne le métamodèle et les attributs de l'ontologie. Habituellement, les attributs du métamodèle sont définis par leurs types techniques (date, nombre, chaîne de caractères, liste de valeurs, etc.) Avec Actian Data Intelligence Platform, ces types de bibliothèques incluent bien sûr ces types techniques.

Mais ils comprennent également des types fonctionnels - niveaux de qualité, niveaux de confidentialité, touche personnelle, etc. Ces types fonctionnels permettent au moteur de la plateforme de mieux comprendre l'ontologie, d'affiner les algorithmes et d'adapter la représentation de l'information.

Pour plus d'informations sur la façon dont Smart Metamodeling améliore un catalogue de données, téléchargez notre eBook : "Qu'est-ce qu'un catalogue de données intelligent ?

À propos d'Actian Corporation

Actian facilite l'accès aux données. Notre plateforme de données simplifie la façon dont les gens connectent, gèrent et analysent les données dans les environnements cloud, hybrides et sur site . Avec des décennies d'expérience dans la gestion des données et l'analyse, Actian fournit des solutions de de haute performance qui permettent aux entreprises de prendre des décisions basées sur les données. Actian est reconnu par les principaux analystes et a reçu des prix de l'industrie pour sa performance et son innovation. Nos équipes partagent des cas d'utilisation éprouvés lors de conférences (par exemple, Strata Data) et contribuent à des projets à code source ouvert. Sur le blog d'Actian, nous abordons des sujets tels que l'ingestion de données en temps réel, l'analyse de données, la gouvernance données, la gestion des données, la qualité des données, l'intelligence des données et l'analyse pilotée par l'IA.