Webinaire – Les données, explorées #3 – Les fondamentaux de métadonnées

Bonjour à tous ceux qui sont ici. Euh, et bienvenue à cet événement, euh, alors que de plus en plus de personnes nous rejoignent.

Je vais vous parler un peu de la logistique et des raisons pour lesquelles nous sommes ici. Nous sommes donc ici pour parler des principes fondamentaux de gestion des données, et nous allons adopter un format « posez-moi toutes vos questions » sur tous les sujets liés métadonnées intéressent. Avant de commencer, je voudrais me présenter rapidement, ainsi qu'Ole. Ole et moi nous sommes rencontrés lorsque j'ai lu son premier livre, qui traitait catalogue de données d'entreprise.

Et nous sommes restés en contact depuis lors. Nous nous sommes rencontrés à différents endroits, dans différents lieux, et j'ai le sentiment qu'Ole Ha a une réflexion très approfondie sur le leadership en matière de métadonnées. Je suis donc très impatient qu'il nous parle de son nouveau livre.

Euh, aujourd'hui, euh, moi-même, je travaille dans le secteur pétrolier et gazier depuis environ 17 ans, où je m'occupe de l'analyse de données et de l'ingénierie logicielle. Euh, actuellement, je suis chez Databricks, où j'aide nos différents clients à utiliser efficacement la plateforme. Euh, en ce qui concerne la logistique, euh, toutes les questions et réponses.

Euh, veuillez les poster dans la section Q&A de votre Zoom afin que nous puissions les voir et les classer par ordre de priorité. Pour notre session d'aujourd'hui, euh, pour toute conversation dont vous avez besoin, vous pouvez bien sûr utiliser le chat Zoom. Vous ne pouvez pas utiliser l'audio dans cette session. Euh, c'est juste moi qui parlerai.

Mais toutes vos questions et discussions sont les bienvenues dans le chat et les questions-réponses, euh, de manière appropriée. Euh, cela étant dit, je pense que nous pouvons commencer. Euh, alors Ali, euh, avant de commencer, y a-t-il quelque chose que tu voudrais dire au public aujourd'hui ?

Eh bien, merci à tous d'être venus. Je pense qu'il est encore si tôt que les prochaines minutes, les gens continueront à se connecter. Euh, mais, euh, merci à tous d'avoir participé et de continuer à participer.

Et aussi Abbe, merci d'avoir voulu faire ça. Normalement, c'est moi qui interviewe les gens dans cette série de webinaires, mais nous avons inversé les rôles parce que vous nous avez contactés et posé beaucoup de questions sur LinkedIn, et vous n'êtes pas le seul. Et finalement, je me suis dit : pourquoi pas ?

Euh, pourquoi ne pas simplement adopter un format « posez-moi toutes vos questions » ? Et vous étiez partant pour ça. Et donc merci, euh, AB, d'avoir pris le temps d'organiser ce webinaire.

Non, non, je suis vraiment enthousiaste à ce sujet. Vous savez, je veux dire, c'est un excellent livre. C'est comme si je ne me souvenais pas avoir vu un livre axé sur métadonnées un certain temps.

Merci d'avoir pris le temps d'écrire ce livre et d'avoir présenté Meta Grid au monde entier. C'est un sujet que beaucoup de gens essaient de comprendre. Qu'est-ce que Meta Grid ? Comment l'utiliser ?

Je pense que nous pouvons commencer par le méta-réseau. Que pensez-vous être la valeur du méta-réseau une fois que les gens l'ont compris et essaient de l'adopter dans leur environnement ? Qu'en pensez-vous, Ali ?

Donc, pendant que j'écrivais le livre, beaucoup de gens m'ont contacté pour me dire que c'était exactement ce qu'ils faisaient dans leur entreprise. Je peux citer un certain Craig Bob, qui m'a contacté depuis UBS pour me dire qu'il était en train de mettre en place ce type d'architecture. Beaucoup d'autres m'ont contacté, mais ils ont dû rester relativement discrets à ce sujet.

Euh, je ne peux donc pas les citer. Mais en gros, la nouvelle architecture que j'ai décrite dans mon livre est une architecture. C'est une architecture très petite, lente et simple qui permet d'unifier ou plutôt de coordonner les métadonnées entre différents référentiels de métadonnées.

C'est donc en fait le sujet le plus compliqué du livre, pourrait-on dire, euh, car j'y parle des métadonnées général, mais c'est aussi une tentative d'apporter une réponse dans un univers très marqué par l'absence de normes ouvertes et la complexité des grands environnements informatiques, avec beaucoup de dettes techniques, beaucoup de discussions politiques ou, euh, comme, euh, des tendances dans les organisations et beaucoup d'incertitudes sur ce que métadonnées en général. Je ne voulais donc pas laisser le lecteur sans réponse, euh, sans une certaine perspective sur la manière de résoudre les problèmes que j'aborde, et qui apporte la meilleure réponse. Fantastique.

Merci. Et, euh, pour ceux qui se sont joints à nous au cours des dernières minutes, n'hésitez pas à poster vos questions dans la section Q&A de Zoom. Euh, nous venons juste de commencer.

Hum, je ne vois aucune question pour le moment. Euh, alors commençons par, euh, une question. J'ai parlé de la méta-grille.

Qu'est-ce qui vous a motivé à écrire ce livre et, vous savez, avec autant de détails ? Je pense que c'est une question importante aussi. Euh, le processus d'écriture lui-même, vous savez, la nature de l'écriture sur des sujets techniques est en train de changer et, vous savez, et, vous savez, le format saturé des livres.

Euh, pourriez-vous nous parler un peu du processus lui-même ? Comment avez-vous fait vos recherches sur ce sujet ? Pourquoi avez-vous pensé qu'il était important de parler de la méta-grille de manière cohérente ?

N'est-ce pas ? Oui, bien sûr, bien sûr. Merci.

Merci, Abbe. Je pense que, euh, c'est très, comme ce livre qui me trotte dans la tête depuis, depuis longtemps, parce que j'ai travaillé dans de grandes, euh, industries dans beaucoup de secteurs verticaux différents, euh, mais en particulier dans l'industrie réglementée et pharmaceutique. Euh, et tout au long de ma carrière, j'ai vu cette chose se reproduire encore et encore, euh, qui est un manque de compréhension du paysage informatique, comme un manque fondamental de compréhension du paysage informatique dans une entreprise. Des questions classiques, combien d'applications avons-nous ?

Comment sont-ils intégrés ? Quels types de données concernent-ils ? Dans quelle mesure s'agit-il de données ?

Les informations personnelles identifiables (PII). Dans quelle mesure sont-elles confidentielles ? Euh, confidentielles.

Hum, quelle est la réalité de notre infrastructure physique, de nos serveurs, où se trouvent-ils ? Comment s'appellent-ils ? À qui appartiennent-ils ?

Tous les éléments du paysage informatique d'une entreprise sont extrêmement opaques. Dans mon premier livre, j'ai exploré le catalogue de données une solution très efficace pour faire ressortir les données dans le paysage informatique d'une entreprise, n'est-ce pas ? Je crois profondément aux catalogues de données, je crois profondément à toutes les technologies que nous utilisons pour divers types de tâches dans les entreprises.

Mais j'ai constaté que bon nombre de ces technologies sont mises en œuvre de manière cloisonnée. C'est ce que j'ai observé en tant qu'architecte d'entreprise et responsable des données dans de nombreuses entreprises différentes. Je suis convaincu que c'est le cas dans toutes les grandes entreprises d'une certaine taille, notamment les entreprises industrielles, n'est-ce pas ?

J'ai donc voulu écrire un livre sur ce sujet. Et c'est compliqué, car il s'agit de la réalité. Il ne s'agit donc pas d'architectures idéales, ni de langages de programmation ou d'idées de conception innovantes.

Il s'agit de la réalité. Et la réalité est quelque chose de différent, n'est-ce pas ? Donc, donc, donc, c'est le livre, euh, dans son essence même.

C'est un livre sur tous les différents types de technologies que nous utilisons pour effectuer gestion des données. Et il y en a beaucoup, et cela pose beaucoup de problèmes. En fait, quelqu'un de très intelligent m'a récemment posé la question.

Si je devais, si je devais, si je devais décrire mon livre en une phrase, quelle serait-elle ? Et, et je pense que ma réponse à cela est que les entreprises ont généralement plus d'un catalogue de données. Correct.

Et donc, si vous réfléchissez à cette réponse, vous pouvez commencer à vous demander : « D'accord, mais que représentez-vous dans un catalogue de données? Que représentez-vous dans un autre ? Et quel est le lien entre ces technologies ? »

Et si vous élargissez cela pour dire, d'accord, mais nous avons également des bases de données de gestion de la configuration, des systèmes de gestion des actifs, des systèmes de gestion de l'apprentissage et des systèmes de gestion de la sécurité de l'information, beaucoup de technologies différentes qui ne font pas réellement quelque chose dans la chaîne de valeur, mais qui se contentent d'examiner l'ensemble de l'infrastructure informatique qui fait fonctionner la chaîne de valeur. Elles ne font que collecter les données. Et donc, comment cela est-il connecté ?

C'est ça, c'est le sujet du livre. Fantastique. C'est comme ça que j'ai lu le livre.

Je me dis, d'accord, il y a tous ces catalogues. Mais comment les comprendre ? N'est-ce pas ?

Euh, oui.

Mais en parlant de catalogues de données, je pense qu'il y a une chose intéressante que nous observons grâce à l'IA, et je sais que nous passons directement à l'IA maintenant, mais je pense que c'est une question importante, comme le rôle des catalogues dans l'IA. Avant, on organisait le catalogue, on essayait d'avoir un catalogue d'entreprise centralisé, et on avait, vous savez, tous ces différents catalogues à différents endroits. Comme vous l'avez mentionné, la gestion des actifs, la sécurité, les systèmes de gestion de l'apprentissage, il y en a tellement, n'est-ce pas ?

Euh, avec les progrès de l'IA, où, vous savez, les interfaces conversationnelles deviennent de plus en utilisateur dirais. Pensez-vous que le rôle de ces catalogues va devenir encore plus important ? Ou comment voyez-vous cette transition ou ce changement dans la façon dont les gens interagissent avec les catalogues ?

Oui, c'est vrai. Excellente question.

Donc, je pense, et j'aborde ce sujet dans mon livre, mais cela dépasse un peu le cadre de l'ouvrage. Mais, euh, cela n'a pas d'importance car j'en parle aussi un peu dans mon livre. Donc, la façon dont je vois les gens interagir avec les catalogues à l'ère de l'IA a en fait considérablement changé.

Euh, pour deux raisons. Ce que nous faisons dans les catalogues de données sera, comme dans tousdépôt autresdépôt métadonnées , augmenté par l'IA. Donc, beaucoup de choses qui se passent dans le catalogue de données augmentées, sont augmentées par l'IA.

Et c'est une évolution délicate, euh, car certaines choses peuvent être, euh, améliorées par l'IA ou augmentées, et d'autres non. Euh, nous parlons simplement ici des lois de la sémantique.

Certaines choses pourront être améliorées, d'autres non. C'est donc clairement quelque chose qui évolue avec l'IA. Il s'agit du comportement, des performances réelles de gestion des données méta gestion des données , dans ce cas-ci un catalogue de données.

Mais d'un autre côté, je pense que les catalogues de données deviennent eux-mêmes des sources, ce qui est tout à fait nouveau, un changement dans la manière dont métadonnées est effectuée. Au lieu de simplement enregistrer un grand nombre de sources, l'élément central, la définition fondamentale des métadonnées je propose dans mon livre, c'est qu'elles se trouvent à deux endroits à la fois afin de remplir leur fonction. Prenons l'exemple d'Amazon ou de n'importe quelle autre librairie en ligne, d'accord ?

Vous effectuez une recherche sur cette librairie en ligne, puis vous trouvez un livre. Maintenant, les métadonnées, les métadonnées ce qui relie l'objet que vous trouvez sur cette librairie en ligne et l'objet lui-même. Il peut s'agir du titre, de l'éditeur, de l'auteur.

Tout cela, ce sont métadonnées, et elles se trouvent essentiellement à deux endroits à la fois, n'est-ce pas ? C'est donc le rôle traditionnel des métadonnées. Elles doivent se trouver à deux endroits à la fois, afin que nous puissions découvrir, trouver, utiliser, gérer et contrôler les éléments eux-mêmes, qu'il s'agisse de serveurs, d'ensembles de données, d'ordinateurs, etc.

Hum, mais avec l'introduction de l'IA, nous constatons également que métadonnées , en particulier les ontologies, deviennent elles-mêmes des sources très, très précieuses. Ainsi, tout comme l'essor du contexte des modèles, le protocole et le protocole agent à agent témoignent vraiment du nouveau rôle des métadonnées, qui est d'être une source. Je décris cela dans mon livre, à la fin de mon livre, en utilisant l'architecture méta-grille comme source pour l'IA.

Oh, c'est fantastique. Je pense que oui, c'est, euh, c'est l'une de ces, euh, choses, choses qui sont en train d'émerger. Et il serait intéressant de voir comment cela va se passer, car la raison pour laquelle j'ai posé cette question était en fait liée à la sémantique utilisée pour vivre près de, là où se trouvaient les utilisateurs professionnels, n'est-ce pas ?

Mm-hmm. Je me demandais si la sémantique devait désormais être proche du catalogue, n'est-ce pas ? Parce que mm-hmm.

Vous savez, euh, si les gens ont leur propre sémantique proche de la limite ou proche de l'endroit où ils utilisent ces données, euh, où est-il le plus logique de stocker ces données ? N'est-ce pas ? Je pense que c'est ce qu'il faut considérer.

Où devrait se situer la sémantique ? Par exemple, dans informatique décisionnelle, les outils de visualisation ou à proximité du catalogue, n'est-ce pas ? Ou peut-être dans un catalogue centralisé s'il en existe un, ou si les gens essaient de mettre en place un catalogue centralisé.

Y avez-vous pensé ? Y en a-t-il ? Oui. Oui.

Je pense, je pense, je pense qu'il n'y a pas de bien ou de mal dans ce que vous dites. Je voudrais, je voudrais inverser un peu les choses dans le sens où je pense que la mesure du succès devrait être que vos utilisateurs professionnels, vos utilisateurs finaux ne considèrent pas, euh, un catalogue de données quelque chose qui est très éloigné des utilisateurs professionnels, n'est-ce pas ? Je pense, je pense que la sémantique étant très proche de chaque employé, des utilisateurs finaux, si vous voulez, cela devrait figurer dans un catalogue qui ne devrait pas être quelque chose de très éloigné d'un catalogue ou de tout autredépôt métadonnées .

C'est donc mon idéal. Mais fondamentalement, je pense qu'il n'y aura pas de solution unique ni de configuration particulière. Je pense que métadonnées avec de nombreuses solutions différentes, euh, de nombreuses solutions de stockage et technologies différentes, et ce, pratiquement pour toujours.

C'est exactement comme ça que métadonnées fonctionnent. Oui. Nous avons quelques questions dans la section Q&A.

Laissez-moi répondre à la première question. L'une des questions est la suivante : un modèle d'IA sérialisé dépend-il de cela ? Ou existe-t-il une architecture exclusive à un modèle sérialisé ?

Je pense que ma lecture de cette question est la suivante : euh, je pense, euh, que nous avons probablement besoin de plus de précisions sur cette question, mais il y a une première question concernant l'importance du catalogue de données l'adoption du modèle de données industrielles par le modèle d'IA. Je pense que c'est une question pertinente, une question importante, n'est-ce pas ? Comme dans l'adoption de l'IA, quel rôle joue catalogue de données le catalogue de données et quelle est son importance ?

N'est-ce pas ? Oui, je pense qu'il est extrêmement important que votre catalogue de données construit de la bonne manière. Et, et je tiens à le dire maintenant, je sais que nous sommes avec, euh, comme si j'étais le chef de l'actionnisme en action, et je crois profondément en notre technologie, euh, mais en restant indépendant des fournisseurs, je tiens quand même à dire quelque chose qui, je pense, n'est pas indépendant de la technologie, car je pense que l'époque des catalogues de données non alimentés par des graphes de connaissances les catalogues de données puissants, du moins si vous avez l'ambition d'être comme un catalogue d'entreprise qui est destiné à l'ensemble de l'entreprise, je pense que l'époque de ces catalogues qui ne sont pas alimentés par des graphes de connaissances est révolue.

Et je considère l'IA comme un signe très, très fort de cela. Donc, pour revenir à la question, c'est pourquoi j'ai mentionné cela. Dans l'adoption de l'IA, les catalogues de données jouent un rôle énorme simplement parce qu'ils peuvent être construits sur un graphe de connaissances, et ce graphe de connaissances sera en mesure de fournir un contexte pour les cas d'utilisation de l'IA pour de nombreux types différents de cas d'utilisation de l'IA.

Par exemple, euh, l'analyse de données, euh, les graphes de connaissances sont capables de fournir un contexte très précieux qui vous permet d'améliorer l'IA, euh, réalisée, euh, l'analyse de données, euh, avec une touche d'intelligence humaine, prouver le graphe. Donc je pense, je pense que, pour répondre à la question de manière simple, je pense que les catalogues de données jouent un rôle énorme dans l'adoption de l'IA, très honnêtement. D'accord.

Si j'ai bien compris, vous parlez de catalogues alimentés par un graphe de connaissances ou d'un élément essentiel au bon fonctionnement de l'IA. Est-ce que cela résume bien ce dont vous parlez en termes de graphe de connaissances ? Oui, tout à fait.

C'est un modèle très populaire, n'est-ce pas ? Le graphe de connaissances, euh, plus, euh, les grands modèles linguistiques, euh, c'est quelque chose de super intéressant parce que disons que le grand modèle linguistique est le texte et que le graphe de connaissances est le contexte, donc, oui. Euh, donc, c'est une très bonne, euh, bonne façon de combiner les technologies pour obtenir de meilleurs résultats pour l'IA.

Et il se trouve que ces catalogues de données sont soit construits sur, soit connectés à, soit étendus par des graphes de connaissances. Et ce contexte de graphe de connaissances est quelque chose de vraiment précieux pour les cas d'utilisation de l'IA. Fantastique.

Hum, la deuxième question, euh, je pense qu'une fois que j'aurai clarifié cela, je la poserai. Euh, mais revenons aux fondamentaux. Vous savez, votre livre traite des fondamentaux.

Dans votre vision du monde, comment définissez-vous métadonnées? Quels sont les critères qui vous permettent de dire qu'il s'agit de métadonnées? Comment voyez-vous cela ?

Bon, d'accord, il s'agit de métadonnées, n'est-ce pas ? Parce que le problème, c'est que les gens pourraient appeler « uni » des métadonnées, les gens appelleront, vous savez, le vecteur intégrant certaines métadonnées. Je veux dire, il y a tellement de choses qui pourraient être étiquetées comme métadonnées.

J'étais donc très intéressé d'en savoir plus sur votre processus de réflexion. Comment peut-on dire que ce sont vraiment métadonnées comment peut-on les définir par cas d'usage? Comment aborder la définition des métadonnées une entreprise et dans un environnement d'entreprise ou pour cas d'usage, quelle que soit la manière dont vous envisagez la question ?

Oui. Merci pour cette question, Avi. Je pense, je pense que, pour commencer, et j'ai récemment rejoint la gestion des données .

Alors, pourquoi pas, pourquoi ne pas continuer ? Euh, je pense que la façon dont, la façon dont, euh, métadonnées été définies dans gestion des données traditionnelle gestion des données , la littérature sur l'ingénierie des données, et il y a quelques exceptions, mais, dans une grande partie de la littérature, je trouve malheureusement des définitions des métadonnées ne sont que des listes de sous-catégories de métadonnées. Par exemple, les types typiques de sous-catégories seraient répertoriés comme métadonnées techniques, métadonnées opérationnelles, métadonnées commerciales.

Et donc, ces explications, que l'on trouve dans de nombreux ouvrages, disent métadonnées différents types métadonnées : des métadonnées techniques, des métadonnées opérationnelles et des métadonnées commerciales. Il n'y a rien de mal à cela. Mais d'un point de vue philosophique, et je sais que ce mot est dangereux dans le contexte technologique, mais d'un point de vue philosophique, oui.

Hum, d'un point de vue philosophique, on ne peut pas vraiment définir quelque chose en se contentant d'énumérer des sous-catégories. Ce n'est pas une définition, c'est juste une liste de sous-catégories. On ne saisit pas l'essence de ce dont on parle.

Revenons donc à vos questions : tout ne pourrait-il pas être considéré comme un vecteur ? Pourquoi n'est-ce pas métadonnées? Eh bien, cela peut l'être, évidemment, cela peut l'être, car la définition fondamentale des métadonnées, telle que je la conçois, et je m'appuie ici sur des siècles de science de l'information bibliothéconomique et de pratique bibliothéconomique, qui constituent ma formation.

J'ai une formation universitaire dans ce domaine. Euh, métadonnées quelque chose, métadonnées se trouvent métadonnées à deux endroits à la fois. C'est la définition des métadonnées, ce qui signifie que ce n'est pas ce qu'elles sont, mais où elles se trouvent qui caractérise métadonnées.

métadonnées être n'importe quoi. Elles peuvent être opérationnelles, techniques, commerciales, ou bien d'autres choses encore, comme réseaux sociaux, euh, métadonnées. Vous pouvez lister toutes les sous-catégories que vous voulez.

Ce n'est pas l'essence même des métadonnées. C'est là où elles se trouvent, et elles se trouvent à deux endroits à la fois. C'est ce qui caractérise les métadonnées.

Il doit être à deux endroits à la fois. Donc oui, un vecteur d'intégration, pourquoi ne pas l'inscrire quelque part pour trouver ce vecteur d'intégration, puis il devient des données de rencontre. D'accord.

Et, vous savez, il y a une question fondamentale. Je veux dire, je ne vais pas me lancer dans une discussion philosophique, mais les entreprises veulent des données fiables, vous voyez, je pense que nous devrions en parler. Et les données qui sont parfois fiables, vous savez, les gens, euh, parlent en termes de confiance, vous voyez, ce sont des données auxquelles nous pouvons nous fier, n'est-ce pas ?

Donc, euh, en ce qui concerne, vous savez, votre, euh, définition des métadonnées, comment pouvons-nous, par exemple, combien de couches et combien de lignées, et comment pouvons-nous construire une lignée qui n'existait pas pour arriver à la définition de données fiables ? Comment, comment devrions-nous aborder cela dans les entreprises où, en général, métadonnées n'a pas été une priorité, n'est-ce pas ? Comment pouvons-nous maintenant réfléchir à cela et, vous savez, nous attaquer de front à ce problème ?

N'est-ce pas ? Je pense, je pense que, je pense que nous assistons à quelque chose d'assez significatif. Je pense que nous assistons à un changement substantiel dans la hiérarchisation des priorités, euh, des initiatives stratégiques et des entreprises qui passent d'ambitions en matière de science des données avec des données structurées à des ambitions en matière d'IA basées sur des données non structurées.

Mm-hmm. Et, et je pense donc que de nombreuses études le démontrent, euh, et elles disent beaucoup de choses différentes. Ces études, l'étude du MIT, par exemple, a récemment indiqué que 95 % de tous les projets d'IA, euh, n'ont aucun rôle comme vous pouvez discuter des détails de cette étude.

Est-il juste de faire cette analyse à ce stade ? Les indicateurs sont-ils corrects ? Je pense que les critiques ont soulevé de très bons points concernant les indicateurs utilisés dans cette étude, mais l'étude elle-même prouve que l'intérêt stratégique, comme les conversations au niveau C dans les entreprises, a fondamentalement changé en faveur de l'IA.

Cela ne fait aucun doute. Comme toutes les entreprises du monde qui ont un peu d'ambition, nous voulons faire avancer notre programme en matière d'IA. Qu'est-ce que cela implique ?

Eh bien, tout à coup, cela ne concerne plus seulement les données structurées, mais aussi les données non structurées, n'est-ce pas ? Exactement. Donc, la construction et, et ces données non structurées sont au format, euh, texte, euh, images, euh, tout ce que les intégrations Victor permettent de faire, n'est-ce pas ?

En parlant de ça, n'est-ce pas ? Et donc, je pense que métadonnées ce contexte font soudainement partie de ces conversations très stratégiques au niveau de la mer. Ce n'est pas quelque chose que les ingénieurs ou les responsables de la conformité essaient de promouvoir.

C'est en fait un élément très important pour réussir avec l'IA, car il peut fournir beaucoup de contexte, car il peut apporter cette précision supplémentaire qui améliore les performances de l'IA. Et je pense que de plus en plus de cadres supérieurs commencent à le comprendre. Je pense que gestion des données traditionnelle gestion des données se trouve gestion des données confrontée à un certain défi.

Par exemple, si vous êtes dans le domaine traditionnel, si vous avez été ingénieur de données traditionnel et que vous avez construit des pipelines pour des disciplines d'analyse de données plus établies, alors je pense que le financement stratégique de votre entreprise est sur le point de changer, et vous devriez vous adapter à cette situation. Euh, et je pense que c'est quelque chose qui, qui est vraiment en train de bouleverser la communauté des données ces dernières années, à savoir que la hiérarchie entre les données structurées et non structurées est en train de changer. Le rôle des métadonnées est en train de se transformer en quelque chose d'autre.

Cela fait désormais partie des discussions des cadres supérieurs en raison de l'IA et de nombreux projets scientifiques plus traditionnels, d'apprentissage automatique, de pro-apprentissage automatique, qui sont tous vraiment cool. Je n'ai absolument aucun, euh, manque de respect pour ces disciplines, mais elles devront faire face à un autre type de conversation pour entrer dans les conversations de la direction. C'est ainsi que je vois les choses changer, et je renforce la confiance dans les données.

Eh bien, je pense que cela nécessitera les mêmes éléments qu'auparavant, n'est-ce pas ? Si vous parlez de données structurées, c'est à peu près ça, non ? Oui.

Ma question était plutôt, vous savez, évidemment, c'est comme une éternelle, euh, c'est une question de, vous savez, lutte constante, vous savez, pour instaurer la confiance dans les données, n'est-ce pas ? Et évidemment, métadonnées la traçabilité jouent un rôle énorme. Donc, euh, comme vous l'avez dit, vous savez, lorsque nous sommes confrontés à l'IA, nous ne pouvons pas nous fier aux réponses de l'IA, nous devons donc nous appuyer sur la traçabilité, métadonnées les graphes de connaissances, vous savez, les ontologies que vous avez mentionnées.

N'est-ce pas ? Voilà donc les choses sur lesquelles je pense que les gens travaillent. Euh, nous avons d'autres questions sur le modèle d'IA sérialisé, euh.

Ma compréhension des modèles d'IA sérialisés est qu'il s'agit de modèles que nous pouvons enregistrer et récupérer lorsque nous en avons besoin. La question est en réalité de savoir s'il existe une architecture métadonnées recommandée pour support déploiement le cycle de vie d'un modèle d'IA sérialisé. Hum, Eh bien, je recommande, je j'ai l'impression de me répéter ici, mais, euh, je dirais que, hum, utiliser le protocole de contexte de modèle pour permettre, euh, l'utilisation de graphes de connaissances afin d'améliorer la précision est quelque chose qui est vraiment recommandable.

Euh, et par là, je veux dire, regardez les technologies qui, euh, permettent cela, qui ont un serveur MCP ou un connecteur MCP qui, euh, rendent leurs données disponibles sur un serveur MCP. Donc, si vos technologies d'IA, si vos projets d'IA, euh, veulent augmenter leur précision grâce métadonnées, alors, euh, alors, se connecter à un serveur MCP, euh, est, est un moyen de, de, d'augmenter éventuellement cela. Donc, dans toute stratégie métadonnées , euh, qui fonctionne avec, euh, l'IA, je pense que c'est un élément fondamental que vous ne pouvez pas ignorer.

J'espère que cela répond à la question, et si ce n'est pas le cas, n'hésitez pas à développer. Oui, je suivrai les questions et réponses s'il y a des suites. Mais puisque vous parlez d'IA et métadonnées, et que nous avons également métadonnées discuté de la définition des métadonnées .

Euh, l'un des phénomènes courants dans l'utilisation de l'IA est en quelque sorte la synthèse. Les gens résument de longs documents et, euh, vous savez, ensuite, ce qui contient en quelque sorte l'essence de ce document. Quel est votre point de vue à ce sujet ?

Pensez-vous que les résumés automatiques ou les résumés générés par l'IA sont des métadonnées utiles métadonnées , euh, est-ce un bruit que vous ne pouvez pas vraiment désactiver, qui ne fait qu'ajouter à la charge de, euh, notre incompréhension commune ? Vous savez, je pense, oui, eh bien, à ce sujet, nous n'en sommes qu'au début, donc cela va s'améliorer, cela va devenir bien meilleur. Je pense qu'en fait, nous commençons à voir des résultats vraiment intéressants dans ce domaine particulier.

Donc, non, non, cela ne me dérange pas du tout. Et je pense que la précision, encore une fois, je pense que la précision va s'améliorer avec le temps, mais je pense, donc je pense qu'une mesure à prendre est de commencer à réfléchir très attentivement, très soigneusement, aux actions uniques que vous effectuez dans l'entreprise. Je pense que certaines disciplines très traditionnelles, telles que la création d'un glossaire commercial et, bien sûr, la compréhension de vos taxonomies et de vos ontologies, ainsi que les différentes technologies que vous utilisez, devraient être considérées comme une priorité absolue, car elles permettront d'améliorer tous les aspects.

Euh, oui, c'est vraiment, vraiment nécessaire, n'est-ce pas ? Donc, je pense que c'est quelque chose qui, euh, qui va, euh, faire l'objet d'une attention accrue. Non, je pense que vous avez tout à fait raison.

Moi aussi, j'ai réfléchi à la même question. Je me suis dit : « Bon, il faut optimiser modèles en fonction du glossaire qui prévaut dans votre domaine. Sinon, vous allez vous retrouver avec un glossaire généré par l'IA, des mots et des usages qui ne seront pas évolutif. »

Vous voyez ? Il faut donc probablement optimiser modèles afin qu'ils réagissent d'une manière que les employés de votre entreprise ou de votre société puissent comprendre, n'est-ce pas ? Donc, euh, en effet, en effet.

Puis-je juste faire un commentaire à ce sujet, Abby ? Oui, bien sûr, bien sûr. Oui, parce que je pense que l'un des aspects vraiment intéressants ici est qu'il n'est pas possible d'automatiser la création d'un glossaire métier qui soit un complément.

Euh, tu ne devrais pas faire ça. Tu ne devrais même pas essayer de faire ça. Le problème auquel tu es confronté, c'est que tu es en train de créer, pour employer un mot savant, une « tologie », mais un mot plus simple serait simplement une répétition.

Vous n'extrayez rien de nulle part. Vous ne faites que répéter des choses. Et donc, essayer de répéter des choses au métadonnées et dire : « Maintenant, nous avons un glossaire métier, maintenant nous avons une liste de termes », ou même créer une ontologie basée sur, euh, simplement basée sur l'IA, serait très compliqué et très improductif.

Et le fait est que si vous faites cela, si vous menez cette activité humaine au début de la création d'un glossaire métier, d'une taxonomie ou même d'une ontologie, n'est-ce pas ? Comme un graphique que vous créez, oui, cela unifie vraiment la compréhension de votre entreprise. Si vous faites cela et que vous l'utilisez comme source pour améliorer l'IA, vous en tirerez de grands avantages.

Euh, vous pourriez, vous pourriez automatiser, par exemple, vous pourriez créer l'activité de balisage. Donc, pour prendre un exemple très simple, vous pourriez créer l'activité de balisage, euh, data products des actifs de données dans, euh, un catalogue de données, euh, quelque chose que, que certains, cette activité que l'IA pourrait effectuer. Mais si vous avez créé le glossaire métier avec lequel vous étiquetez ces data products, si vous avez créé ce glossaire métier avec l'IA, toute l'activité s'effondre.

Cela n'apportera aucune valeur ajoutée. Vous pouvez donc automatiser les répétitions, mais vous ne pouvez pas automatiser les actions humaines uniques. La création du mot lui-même est quelque chose que seul un être humain peut faire.

Exactement. Non, je pense que ce n'est pas une estimation, c'est ce que je disais, on ne peut pas se fier à l'IA pour des choses comme les glossaires parce que non, vous savez, ce n'est pas la recette du succès. Hum, d'accord, donc en parlant de l'IA et du contenu génératif, hum, hum, quelles sont vos stratégies recommandées, dans le monde de l'IA ?

Euh, avez-vous pensé à, euh, je ne pense pas que vous ayez écrit cela dans le livre lui-même, mais avec l'IA, à quoi métadonnées le workflow métadonnées développement métadonnées , vous savez, vous parlez de référentiels existants, comment les examiner ? Comment les enrichir avec l'IA ? Comment les mettre en avant, euh, à l'échelle de l'entreprise ?

Y avez-vous beaucoup réfléchi, ou quelle est votre opinion sur chacun de ces points ? Oui, bien sûr. Donc, dans mon livre, j'explique très clairement que je ne pense pas qu'une architecture de méta-grille soit quelque chose que l'on doive uh, intégrer à une technologie spécifique.

Il s'agit en réalité d'améliorer la pile technologique existante et métadonnées, euh, la pile technologique dont vous disposez dans votre entreprise. Donc, si vous avez un catalogue de données, ou deux catalogues de données, cinq catalogues de données, ce que je suggère n'est certainement pas d'ajouter de nouvelles données à tous ces catalogues de données pour les unir. Je pense qu'ils le font eux-mêmes en interne.

Euh, et, euh, l'un de ces cinq catalogues de données pourrait être le catalogue de données de l'entreprise. Et cela me convient parfaitement. Je ne propose pas d'ajouter une autre couche par-dessus, et vous obtenez une autre technologie.

Ce que je propose, c'est une méthodologie visant à réunir, sur le plan organisationnel, toutes les équipes qui travaillent avec les technologies afin qu'elles puissent apprendre les unes des autres et s'améliorer mutuellement. Et puis, si nous allons vraiment de l'avant, imaginons, par exemple, une liste d'applications dans un outil de gestion de l'architecture d'entreprise avec des descriptions détaillées, telles que celles consacrées à l'exploration future des moyens de rendre votre environnement informatique plus rentable et plus puissant. Si vous prenez cette liste et que vous la coordonnez étroitement avec une base de données de gestion de configuration, vous disposez alors soudainement d'une meilleure base de données de gestion de configuration, plus à jour et déjà prête à l'emploi, une fois que ces éléments ont été transférés à l'autre équipe.

Et si vous prenez toutes ces équipes et toutes ces technologies et que vous explorez comment elles fonctionnent ensemble, vous pouvez alors améliorer l'ensemble des technologies et leurs performances. Cela peut donc vous faire gagner beaucoup de temps, mais puisque vous posez la question de l'IA, vous pouvez également utiliser cette documentation, tous ces diagrammes, toutes ces descriptions de métadonnées , et vous pouvez les intégrer, vous pouvez créer une sorte d'architecture en rack avec laquelle vous pourriez potentiellement avoir une conversation, n'est-ce pas ? Par exemple, demander à quoi servent métadonnées , à quoi ils servent, n'est-ce pas ?

Et explorer cela horizontalement. Mais étant donné qu'il s'agit d'une technologie en soi, je ne pense pas que ce soit le but recherché. Je souhaite améliorer les technologies existantes.

D'accord. Ça me semble logique. Oui.

D'accord. C'est logique. Hum, parlons de, vous savez, euh, nous n'avons pas encore utilisé le gouvernance , mais utilisons-le beaucoup, euh, beaucoup métadonnées , comme si elles, euh, mouraient d'une sorte de gouvernance , pour ainsi dire, n'est-ce pas ?

Hum, comment envisager gouvernance nous parlons, hum, vous savez, métadonnées ? Quel rôle gouvernance et quelle doit être son ampleur ? Je suppose que c'est là toute la question.

Mm-hmm. Oui. Donc, je pense que je diviserais cela en deux questions, en fait.

Une question porte donc sur gouvernance des données gouvernance une autre sur gouvernance général. gouvernance pense que gouvernance des données est quelque chose qui est généralement mise en œuvre. Oui, je n'aime pas que gouvernance des données gouvernance généralement mise en œuvre de en silo relativement en silo

J'aimerais, j'aimerais que davantage d'entreprises adoptent une approche plus holistique en matière de données, gouvernance des données et de perspectives. Certaines entreprises comptent sans aucun doute d'excellents auteurs et leaders d'opinion qui expliquent cela. Mais gouvernance des données en tant que discipline à part entière devraient, selon moi, fonctionner de manière plus horizontale au sein de l'organisation.

Et cela m'amène donc à parler de gouvernance . Vous avez également un responsable de la sécurité informatique ou un responsable de la protection des données, ou même des personnes chargées de la qualité qui travaillent à mesurer le niveau apprentissage. Est-ce que cela suffit, etc., n'est-ce pas ?

Si vous travaillez dans un secteur réglementé, vous savez qu'il faut connaître les processus qui s'y appliquent, etc. Je pense donc que gouvernance dans son ensemble est plus important que gouvernance simple gouvernance des données. N'est-ce pas ?

J'encourage vraiment, vraiment gouvernance des données à travailler avec les autres services gouvernance de conformité de l'entreprise afin d'améliorer, de gagner beaucoup de temps et d'améliorer la qualité des métadonnées leurs technologies pour pouvoir travailler ensemble et obtenir des résultats plus efficaces. Non, c'est fantastique. Eh bien, merci pour cela.

Je pense que votre réponse m'a rappelé un autre aspect que vous abordez dans votre livre, à savoir les métadonnées obscures. Pourriez-vous nous en dire un peu plus à ce sujet et nous expliquer comment vous en parlez dans votre livre ? Et que signifie réellement « métadonnées obscures » métadonnées données obscures » ?

Comment on peut réfléchir à ça ? D'accord. Euh, Tu peux répéter, à propos métadonnées rec métadonnées quoi Tu disais ?

Non, je pense que vous parlez des métadonnées obscures métadonnées des données obscures. Oh, métadonnées obscures, obscures. Oui.

Merci. Oui. Cool.

Merci. Merci de m'avoir apporté ça. Très bien.

Oui, j'adore ça parce que, euh, vous en parlez et c'est vraiment quelque chose qui me tient à cœur. Euh, comme nous parlons de données obscures, des données que nous n'avons pas encore découvertes avec nos technologies, que nous n'avons pas encore rencontrées. Et, et, et, et j'y crois.

Euh, mais les métadonnées obscures sont quelque chose, euh, c'est-à-dire, c'est assez, euh, c'est en fait assez simple à expliquer, n'est-ce pas ? Chaque fois que nous mettons en œuvre une nouvelle technologie pour examiner notre paysage informatique, nous commençons, malheureusement, j'ai constaté, et cela trouve un écho chez nous comme partout dans le monde, pour être honnête. Nous avons commencé avec un tableau blanc.

Nous commençons par expliquer, euh, où nous devrions, quoi, quel type de structure notre entreprise a, quel type d'employés, quel type de données, etc. Donc nous commençons, nous commençons à partir de zéro, nous commençons à partir d'une page blanche à chaque fois que nous mettons en œuvre une métadonnées . Et je pense que c'est une erreur, euh, parce que toute la sémantique, tout ce que nous essayons de cartographier, existe déjà.

Elle existe dans des technologies dont nous n'avons pas conscience, car nous travaillons généralement de en silo très en silo , n'est-ce pas ? Prenons l'exemple de la mise en place d'un catalogue de données impliquerait de réunir des ingénieurs de données, data scientists, des analystes en intelligence artificielle et autres stratèges qui travailleraient ensemble à la mise en place d'un catalogue de données. Mais s'ils interrogeaient, euh, l'équipe du système de gestion des actifs qui travaille généralement dans le domaine financier ou s'ils interrogeaient, euh, l'équipe chargée de la gestion des archives et des informations, euh, une autre fonction de conformité, qui travaille généralement dans le domaine de la qualité ou du droit, ils obtiendraient une grande partie de la sémantique, une grande partie des métadonnées essaient de déduire, euh, eux-mêmes dans un silo.

Ils l'obtiendraient dès sa sortie de la boîte. Voilà donc ce que sont mes métadonnées obscures. Ce sont toutes les métadonnées se trouvent déjà dans votre organisation.

Et c'est la réalité dans toutes les organisations, n'est-ce pas ? Chaque entreprise possède ces métadonnées obscures qui se trouvent dans de nombreux systèmes différents sans être découvertes. Et elles sont là, à portée de main.

Et si vous l'adoptez et l'utilisez, vous pouvez aller plus vite, beaucoup plus vite avec, euh, vos initiatives, euh, comme tirer parti de la valeur métadonnées l'IA ou simplement mettre en œuvre de nouvelles technologies. Donc, voilà, ce sont les métadonnées obscures. C'est vraiment ce concept qui, à mon avis, nous fait ignorer la réalité des métadonnées existent métadonnées dans les entreprises.

Cela a à voir avec la manière dont les entreprises font avancer ces programmes. Cela passe toujours par les nouvelles technologies, grâce à la combinaison des employés internes qui veulent réussir, qui veulent obtenir une promotion, des consultants qui aident ces entreprises à mettre en œuvre les technologies, puis des fournisseurs de technologies qui ont créé les logiciels, n'est-ce pas ? Oui.

Donc, voilà, il n'y a pas moyen de contourner ça. Et c'est une réalité qui peut parfois être très agaçante, mais c'est juste la réalité. On ne peut pas, on ne peut pas s'en échapper.

Alors, comment utiliser cette réalité pour créer quelque chose de mieux, de plus rapide, de plus intelligent ? Eh bien, ma réponse est assez simple : regardez les métadonnées existent déjà. Regardez en dehors de votre silo.

Si vous travaillez dans l'analyse de données, si vous êtes data scientist, si vous êtes un IA, regardez le système de gestion des terminaux que le service d'assistance utilise pour distribuer des ordinateurs portables et des iPhones aux nouveaux employés. Ce système contient beaucoup de sémantique. Regardez le système de gestion des connaissances, euh, qui, qui, euh, a été mis en place il y a 10, 15 ans, il contient beaucoup de sémantique.

Ne laissez pas cela se perdre. Ce sont des données obscures. Je pense que vous suggérez d'envisager d'examiner métadonnées de relier les disciplines entre elles afin d'atteindre vos objectifs commerciaux plutôt que de travailler en silos.

Est-ce que j'interprète bien votre réponse ? Vous examinez les données existantes et essayez de relier les points pour construire... Mm-hmm. Pour atteindre vos objectifs.

Vous savez, vous examinez les points finaux, vous examinez la gestion des connaissances, vous savez, la gestion des connaissances est, vous savez, énorme, euh, une sorte de, un endroit où il y a beaucoup de métadonnées les compétences organisationnelles en termes d'employés, n'est-ce pas ? Je pense donc que vous parlez d'utiliser ces métadonnées existantes métadonnées éclairer les futurs programmes de développement. Et plutôt que de créer un tout nouveau système pour évaluer les performances des employés, je pense que c'est ce que vous suggérez, n'est-ce pas ?

C'est, c'est, c'est comme ça que je l'ai compris. Eh bien, le but de mon livre n'est pas vraiment de dire qu'il ne faut pas mettre en œuvre la technologie, qu'il faut abandonner et que tout est un gâchis. Ce que je dis, c'est que les entreprises se retrouvent généralement dans une situation chaotique, mais qu'il existe un moyen de s'en sortir.

Et ce désordre, ce désordre est en fait quelque chose d'extrêmement puissant. Si vous l'utilisez, si vous découvrez toutes les métadonnées ce désordre, vous pouvez, vous pouvez réellement améliorer les technologies existantes et vous pouvez augmenter les chances de réussite lors de la mise en œuvre de nouvelles technologies. Je ne suis donc pas contre quoi que ce soit ici.

Je ne suis pas contre les technologies. Je ne suis pas contre les entreprises, les personnes, les consultants, etc. Je dis simplement que nous travaillons d'une manière qui n'est pas la meilleure pour faire quelque chose de différent.

Et c'est ce qu'est la méta-grille. L'architecture de la méta-grille consiste en réalité à ne pas essayer d'explorer les applications dont dispose une entreprise. Ne pas essayer d'explorer les types de données dont elle dispose.

C'est déjà répertorié, c'est déjà là. Allez chercher ces autres métadonnées et avantage . Exploitez-les, utilisez-les au lieu de perdre votre temps avec encore un autre projet greenfield irréaliste.

C'est, euh, c'est, c'est, c'est la réflexion dans le lien architecture médicale. Exactement. C'est ce que je regardais aussi.

Je suis plutôt du genre : ne jetez pas ce que vous avez déjà, construisez dessus. Exactement. C'est ce que je disais.

C'est exactement ça, et je pense que nous sommes souvent pris dans un mécanisme qui encourage le contraire, nous sommes souvent pris dans des projets entièrement nouveaux parce qu'ils sont très séduisants. Si vous n'avez pas d'héritage, tout est simple. N'est-ce pas ?

Mais le problème, c'est que même si vous pouvez le faire, même si vous pouvez mettre cela en œuvre dans une petite bulle, dans votre petit silo, cela ne sera jamais vraiment évolutif. Parce que cela ne tient pas compte du monde qui vous entoure, n'est-ce pas ? Donc, vous pouvez peut-être démarrer et faire un travail intéressant, mais si vous voulez vraiment vous développer, vous devez parler à vos pairs, vous devez vous engager auprès des personnes qui vous entourent.

Oui. Oui, c'est exactement ce que j'étais, c'est exactement comme ça que je l'ai pris. Et c'est comme ça que je disais, je suis comme, tu regardes les actifs existants que tu as, tu les interconnectes et tu leur donnes un sens.

Même si vous travaillez sur un projet entièrement nouveau, vous devez vous appuyer sur les ressources existantes dont vous disposez en termes de métadonnées données, n'est-ce pas ? Donc, oui. Hum, je pense que nous avons abordé, vous savez, la connaissance des graphes, les ontologies de graphes, et la question que je me posais à ce sujet était : comment décidez-vous quand choisir les modèles de graphes ou d'ontologies plutôt qu'une simple paire clé-valeur, n'est-ce pas ?

Comment devons-nous réfléchir, quand avons-nous réellement besoin d'un graphe de connaissances et, vous savez, d'anthologies élaborées et d'autres choses de ce genre ? Plutôt que de nous contenter d'un document clé, n'est-ce pas ? Je pense que nous nous approchons maintenant, euh, de la frontière subtile entre les conseils et les idéaux, n'est-ce pas ?

Euh, mes idéaux, je veux les exprimer très clairement. Euh, ils sont basés sur ma propre expérience, mais j'accepte volontiers que les gens aient des opinions différentes. Mais selon moi, il serait judicieux de choisir, il est judicieux de choisir, euh, un graphique, des métadonnées métadonnées .

Les graphes de connaissances sont donc extrêmement efficaces au métadonnées pour tout. métadonnées , ils sont vraiment excellents. Et je connais des catalogues de données basés sur des graphes.

Je connais des outils de gestion d'architecture d'entreprise basés sur des graphes, et je connais d'autres types métadonnées , des outils de gestion des connaissances également basés sur des graphes. Et je trouve que les graphes fonctionnent vraiment très bien au niveau de métadonnées , au niveau de la couche de données . Euh, je ne suis pas sûr que l'on puisse gérer toute une entreprise à partir d'une base de données orientée graphe.

Je ne suis pas sûr que je vous conseillerais cela. C'est là que réside ma distinction. Elle se situe entre la métadonnées des données et celle métadonnées .

Maintenant, certains seront, certains seront, seront, seront en désaccord là-dessus, et c'est tout à fait normal. C'est juste ma façon de voir les choses. Ce qui fonctionne, d'après mon expérience, c'est que je sais que les graphiques sont extrêmement puissants au niveau des états de rencontre.

D'accord. Nous arrivons à la fin de l'heure. Si vous avez d'autres questions, n'hésitez pas à les poser dans la section questions-réponses.

Euh, je sais que vous avez un horaire très serré, tout comme moi. Oui. Hum, voyons voir, euh, pendant que nous attendons d'autres questions, je pense que j'ai peut-être une autre question.

Une dernière question de ma part.

Euh, vous savez, une entreprise qui n'a pas vraiment beaucoup, vous savez, beaucoup de métadonnées et qui est en quelque sorte en phase de démarrage, vous savez, c'est un environnement de start-up, quelque chose comme ça. Euh, comment devraient-ils s'y prendre, euh, vous savez, il n'y a pas de concept de méta-grille parce qu'ils n'ont pas vraiment, vous savez, où ils peuvent puiser dans l'existant. Euh, que pensez-vous de cet environnement, vous savez, un environnement complètement vierge et, vous savez, l'IA est en quelque sorte alimentée par métadonnées, vous savez, les intégrations et vous savez, toutes sortes de choses.

Quelle est votre approche idéale pour métadonnées dans un environnement entièrement nouveau ? Comment pensez-vous que les gens devraient envisager cela dans ce type d'environnement ? N'est-ce pas ?

Oh, eh bien, dans ce genre d'environnement, je pense, euh, euh, je vais passer pour un vieux schnock, mais je pense, je pense que faire votre documentation dès le départ vous fera gagner beaucoup, beaucoup de temps par la suite. C'est un problème typique des start-ups, n'est-ce pas ? Vous êtes si petits que vous n'avez pas besoin de documenter, puis vous grandissez, vous explosez, et vous ne trouvez plus rien, n'est-ce pas ?

Oui. Mais si vous êtes capable de faire la documentation en amont, et peut-être maintenant, à notre époque, je pense que vous êtes capable d'exploiter gestion des données les résultats gestion des données similaire. Et je pense que cela change la donne, n'est-ce pas ?

C'est parce que nous sommes dans cette course à l'IA que vous pouvez vraiment utiliser les métadonnées vous avez enregistrées de manière efficace, instantanément. Et je pense que cela change la donne, que cela change vraiment la donne.

Non, je pense que cela me parle. Vous savez, je pense que pendant un certain temps, nous étions dans une situation où nous pensions ne pas avoir besoin de documentation, mais aujourd'hui, les machines ont besoin de beaucoup de contexte et de documents pour répondre avec précision. Nous revenons donc au point où nous avons besoin de ce type de documentation pour réussir, en particulier avec l'IA.

Euh, si tu veux, on cherche la vérité, n'est-ce pas ? À ce sujet. Exactement.

Exactement. Oui. D'accord.

Eh bien, euh, je suppose que s'il n'y a pas d'autres questions, je suis heureux de conclure, euh, à moins que vous n'ayez une autre question. Non, je pense que nous pouvons conclure. Merci beaucoup d'avoir pris le temps aujourd'hui. Euh, il n'y a plus de questions.

Je pense que nous pouvons conclure et je vous remercie encore une fois. J'espère que cela a été utile pour le public et, euh, j'ai hâte de voir s'il y a un intérêt supplémentaire pour, vous savez, une autre discussion autour métadonnées peut-être davantage axée sur la manière dont elles sont déjà utilisées dans l'industrie. Je suis sûr que nous resterons en contact et que nous trouverons une solution.

Bien sûr. Et je vous reverrai, euh, quelque part dans le monde lors d'événements Databricks ou d'événements d'action, euh, ou peut-être d'événements communs. Qui sait exactement.

Bien sûr. À bientôt. Prends soin de toi.