1. PLONGEE AU CŒUR DES NOTIONS
1.3. Identifier numériquement, dans quel contexte et pour quel
1.3.3. Quelques exemples de systèmes et leurs outils
Europeana, la riposte européenne
Initiée en 2005 et ouverte en novembre 2008, Europeana est un projet très ambitieux de la Commission européenne sur un budget total d’environ 100 milliards d’euros. L’objectif était de mettre à disposition en données liées le maximum de ressources patrimoniales, artistiques, scientifiques, muséales et historiques de l’Europe sur une base de données à grande échelle, de très nombreuses institutions culturelles étant invitées à se joindre au projet et à donner accès à leurs données. D’autre part, Europeana se plaçait à l’époque en travers de la route du géant Google, parti sur une logique d’expansion semblant irrépressible, et constituait une riposte Européenne. Elle poursuit ainsi un objectif d’open-data assumé, notamment avec l’adoption d’un Data Exchange Agreement (DEA) avec les fournisseurs de données, visant à lui permettre de mettre à disposition les métadonnées des collections dans une licence Creative Commons, les passant dans le domaine public127. Actuellement, elle culmine à plus de 53 millions de documents numérisés mis en ligne, provenant de 3300 institutions de tous types sur une couverture temporelle très large (depuis l’Antiquité à nos jours). « C’est actuellement le plus grand, sinon l’unique projet
culturel à l’échelle du continent. »128
Le modèle de données d’Europeana (l’EDM, ou Europeana Data Model) fait donc cohabiter des données provenant de sources très diverses : à la fois des bibliothèques, des archives, des musées, etc. Les équipes en charge du projet réutilisent les métadonnées existantes sur une ontologie de haut niveau et incl uent plusieurs ontologies, SKOS pour les concepts, FOAF pour les personnes, et Dublin Core pour les métadonnées descriptives de base.129 Vingt-et-une langues coexistent
sur cette bibliothèque numérique, qui valorise la réutilisation en proposant des
https://www.gov.uk/government/uploads/system/uploads/attachment_data/file/60975/designing -URI-sets-uk-public- sector.pdf [consulté le 18/05/2017]
127 Europeana – A European Digital Library for all. Ec.europa.eu [en ligne] Disponible sur
https://ec.europa.eu/digital-single-market/en/europeana-european-digital-library-all [consulté le 16/08/2017]
128 Europeana Collections, Le patrimoine de l’Europe en ligne. Bnf.fr [en ligne] Disponible sur
http://www.bnf.fr/fr/collections_et_services/bibliotheques_numeriques_gallica/a.europeana_ bib_num.html [consulté le 16/08/2017]
modes de recherche originaux tels que la recherche dans les images par nuancier de couleur.
Dans leur document qui traite des solutions d’interopérabilité pour les administrations publiques européennes130, les auteurs de l’ISA (Interoperability
Solutions for European Public Administrations) parlent du cas Europeana et font à
son sujet des remarques intéressantes : elle aurait fait face à des difficultés vis-à-vis de l’attribution de ses identifiants. A la base, ceux-ci sont attribués de manière séquentielle et automatique, incrémentés au moment de l’intégration de nouveaux éléments, sur le schéma d’URI suivant : http://data.europeana.eu/item/identifiant- de-la-collection/identifiant-de-l’item. Cependant, certaines collections ont été réintégrées après coup et donc se sont vues attribuer deux fois des identifiants. « Il
est évident que les systèmes d’attribution automatique d’URI devraient avoir des moyens d’éviter ce genre d’écueil à l’avenir. »131 Il faudrait, pour cela, qu’ils eussent
dans les métadonnées un champ Identification auquel on peut faire référence lorsque le système secondaire récupère les données. Cependant, il est possible de réaliser a postériori une fusion des ressources dont les données sont identiques pour ne garder que la première URI assignée. C’est par contre sujet à erreur et assez délicat à mettre en place.132
En conséquence, même si nous privilégierons d’autres études de cas dans la seconde partie de ce mémoire, Europeana semble être un projet de grande ampleur qu’il aurait aussi été intéressant d’étudier sur leur mise en place d’identifiants, surtout pour les obstacles qu’ils ont pu rencontrer et qui auraient constitué un retour d’expérience.
Discrimination homme/machine : Wikipédia et DBpedia
Wikipédia, que l’on ne présente plus, est un projet fascinant. Fonctionnant sur le principe du wiki (participatif), cette encyclopédie « du peuple » est un lieu ouvert, très riche en informations, et autonome. Wikipédia possède des URI non pérennes assumées, elles sont systématiquement basées sur le titre d’une page et sont créées automatiquement. Elles sont conçues pour « parler » aux humains, pas aux machines, pour lesquelles la version DBpedia existe.
DBpedia est la version « web de données » de Wikipédia. Elle possède une déclinaison française à l’initiative de l’INRIA, Semanticpedia, qui concerne toutes les données en français du site. Elle propose les connaissances de Wikipédia structurées en RDF, que l’on recherche via des requêtes SPARQL.
D’un côté, donc, la souplesse des URI de Wikipédia permet une adaptabilité aux évolutions des concepts, propres à des utilisateurs humains qui ont une grande flexibilité dans leur pratique de la langue et surtout qui savent très bien distinguer grâce au contexte. Néanmoins, afin de désambiguïser les homonymies, des éléments sont présents entre parenthèses à la fin des URI. 133 Par exemple http://fr.wikipedia.org/wiki/Freebase_(web) correspond à la page Wikipédia du
130 ARCHER, Phil, GOEDERTIER, Stijn, LOUTAS, Nikolaos. Interoperability Solutions for European Public Administrations. D7.1.3 - Study on persistent URIs, with identification of best practices and recommendations on the topic
for the MSs and the EC. ISA, 2012. [en ligne] Disponible sur https://joinup.ec.europa.eu/sites/default/files/D7.1.3%20- %20Study%20on%20persistent%20URIs_0.pdf [consulté le 19/05/2017]
131 Ibid. 132 Ibid. 133 Ibid.
projet de Linked data Freebase (clôturé depuis 2015 lorsqu’il a été acquis par Google), tandis que l’URI http://fr.wikipedia.org/wiki/Free_base correspond à la page de description d’un psychotrope illicite. La confusion entre les deux notions aurait été inopportune.
De l’autre côté, sur DBpedia, les URI sont figées. La recherche d’URI se fait via les requêtes, ou via les URI lorsqu’ils sont connus. L’utilisateur humain qui souhaite chercher manuellement peut également « deviner » l’URI d’une ressource en utilisant l’espace de nom http://dbpedia.org/resource/ puis en ajoutant le nom de sa recherche exacte, en remplaçant les espaces par des underscores (tirets bas « _ »). Les recherches via des requêtes SPARQL ne sont cependant jamais exhaustives : le moteur s’arrête de chercher après un certain contingent de retours. Il est donc assez difficile de distinguer la base réelle de connaissances qui y est contenue, et cela pose aussi le problème de l’obsolescence ou l’incorrection des données.134
Cette frontière discriminant humain/machine tend cependant à se brouiller puisque Wikipédia souhaite tendre vers des URI plus pérenne, afin de passer d’un service anthropo-centré à un service qu’humain et machines peuvent tous les deux utiliser, rendant ainsi critique le management des URI.
Le RDD d’INDECS, une base généraliste pour la gestion des droits Le projet INDECS « Rights Data Dictionnary », ou dictionnaire de données sur les droits est un projet intéressant pour son objectif global : il s’agit, comme son nom l’indique, de la construction et de l’implémentation d’un référentiel de données relatives aux droits globaux de par le monde pouvant être commun à la majorité des entreprises et des situations. C’est un domaine délicat puisque beaucoup de référentiels sont déjà utilisés, souvent des solutions individuelles à certaines organisations. De plus, les droits sont des éléments difficiles à gérer, de par leur complexité, leur évolutivité dans le temps ainsi que leur éventuelle mixité avec d’autres informations.135
Imaginé en 2001 par le consortium <indecs> rdd, le projet a été conçu par Rightscom pour que chaque terme référencé ait un identifiant unique et une généalogie, c’est-à-dire une relation avec les autres termes du vocabulaire, sur l’image des données liées. Ce « dictionnaire » est légalement neutre, c’est-à-dire qu’il ne sert pas à définir des termes légaux et donc est utilisable dans tous les pays. Il est aussi neutre sur le plan du domaine d’activité, permettant ainsi son utilisation dans des situations d’échanges commerciaux très divers où la gestion des droits est requise136.
En outre, c’est une base conceptuelle solide avec un modèle de données réfléchi, il est inclusif (les termes des autres référentiels peuvent être ajoutés), et sa granularité est forte et souple. En termes de métadonnées, il permet la coexistence de plusieurs types de métadonnées. Il ne faut cependant pas le confondre avec un
134 VAN HOOLAND, Seth. VERBORGH, Ruben. Op. Cit.
135 PASKIN, Norman. Towards a rights data dictionary, Identifiers and semantic at work on the net. EPS, 2002. [en ligne] https://www.doi.org/topics/020522IMI.pdf [consulté le 29/11/2016]
136 AGNEW, Grace. Digital Rights Management: a librarian’s guide to technology and practise. Elsevier, 2008. 452p.
REL (Rights Expression Language), qui lui utiliserai les termes définis dans le Rights Data Dictionary.137
Il a depuis été utilisé dans la construction et l’enrichissement d’applications tels que le schéma de métadonnées du système DOI (Digital Object Identifier), du DDEX (Digital Data Exchange concernant l’industrie de la musique), ou encore le cadre de RDA/ONIX138 pour la catégorisation des ressources.139
Le système de NER
Les outils de NER (Named-Entity Recognition) sont des logiciels qui identifient des termes spécifiques dans des textes non structurés et qui les désambiguïsent en les comparant à des bases de connaissances telles que DBpedia.140 Leur utilisation est connexe aux pratiques de publication de données liées qui participent à leur expansion, c’est pourquoi nous l’évoquons ici. Elles peuvent notamment servir à accélérer l’inclusion des jeux de données individuels à une base plus générale sur le web de données, de par cette identification automatique des concepts et leur liaison.141
Le taux de fiabilité d’un système de NER (sa précision et son rappel) peut être mesuré en comparant ses résultats à des résultats obtenus par une reconnaissance humaine de termes. Ceux-ci sont des échantillons élaborés manuellement, nommés
Gold Standard Corpus, et ils constituent l’idéal que l’on souhaite obtenir de manière
automatique.
Un exemple de service de NER est DBpedia Spotlight qui est open source. Seth Van Hooland et ses collaborateurs exhortent fortement dans leur article sur le sujet des NER142 les institutions culturelles et les organisations à utiliser ce type d’outils pour optimiser leur travail de publication de données, afin de faire face aux géants du domaine (Google, Facebook) qui, pour l’instant, imposent les règles et constituent le web de données actuel.