Donner du sens aux données, défi originel de la Business Intelligence (aussi nommée aide à la décision, ou décisionnel), est-il réellement possible sans prendre en compte les informations non structurées ? En effet, les documents bureautiques (textes de type Word, feuilles de calcul de type Excel, présentations genre PowerPoint…) représenteraient selon les analystes entre 60 % de 70 % de l’information des entreprises !
C’est pourquoi il est également capital de considérer ce type d’information comme l’a prouvé le succès des moteurs de recherche, sur le Web ou dans leur version pour les postes de travail. D’ailleurs, certains rachats illustrent cette prise de conscience par les éditeurs de BI comme celui de LexiQuest pour 2,5 millions de dollars en 2002, de Datops par Lexis-Nexis fin 2006, ou d’InXight par Business Objects en mai 2007. Ainsi, cette acquisition de Saas confirme cette forte tendance, dessinant également une coopération importante des solutions décisionnelles avec la gestion d’information d’entreprise (ou logiciels EIM), incluant aussi les outils de type Search.
Encore du text-mining, pour quoi faire ?
Une solution de text-mining regroupe un ensemble de modules coopérant pour assurer l’extraction d’informations (selon des modèles ou patrons) dans des textes, appliquer un traitement linguistique suivi de lexicométrie (transformation numérique), et d’un traitement statistique des données. Obtenir un résultat de ce type et le combiner avec les recherches sur les données augmente forcément la pertinence des réponses apportées, et devrait donc favoriser la prise de meilleures décisions, aussi minimes soient-elles. Les petits ruisseaux sont souvent à l’origine des crues de grands fleuves.
Si SAS dispose depuis 2002 de fonctions de text-mining avec Text Miner for SAS 9, module de son offre de data mining « Enterprise Miner 9.0 ». Toutefois, parmi les technologies intéressant fortement SAS dans cette acquisition, on trouve : le processus de langage naturel de Teragram (NLP) jonglant avec plusieurs langages de diverses sources et établissant des liens linguistiques entre eux, la catégorisation automatisée et personnalisable de l’information, le moteur Natural Language Entreprise Search, ou encore Mobile Search permettant d’accéder à ces recherches (données et documents) depuis un mobile (PDA ou téléphone).
Une diversification contribuant aussi à la valorisation
Regroupant une quarantaine d’employés à Cambridge, Teragram a été créée en 1997 et affiche de prestigieux clients pour sa technologie NLP comme CNN, forbes.com, Sony, le Washington Post, Yahoo!, etc. Un portefeuille également intéressant à exploiter sous cet angle. Autre caractéristique séduisante pour SAS, ce spécialiste mondial des outils de langage naturel multilingues est très présent sur les secteurs de l’édition, la pharmacie, les télécommunications ou la finance. Les condititions de la transaction n’ont pas été révélées.
Formats de paramètres, méthodes d'apprentissage, mutualisation GPU... Voici quelques-unes des recommandations de l'ANSSI sur l'IA…
À la grogne des partenaires VMware, Broadcom répond par diverses concessions.
iPadOS a une position suffisamment influente pour être soumis au DMA, estime la Commission européenne.
FT Group, éditeur du Financal Times, a signé un accord avec OpenAI afin d'utiliser ses…
Au premier trimestre, Microsoft, Meta/Facebook et Alphabet/Google ont déjà investi plus de 32 milliards $…
La société britannique de cybersécurité Darktrace a accepté une offre de rachat de 5,32 milliards…