Exploitation de Dark Test Data
Poitou Charentes, Poitiers (86000) - Référence : Exploitation_Dark_Test_Data
Mis en ligne le 13 octobre 2017 par Mickael Baron (+ d'offres)
LIAS - ISAE / ENSMA
Type de contrat :Stage
Métier :Chercheur en informatique
Type d'entreprise :Autre type d'entreprise (client final)
Localisation :Poitou Charentes, Poitiers (86000)
Salaire :6 600 €/an
Télétravail :Pas de télétravail
Compétences requises :Java, machine learning, NoSQL, webservices
Poste à pourvoir
Toutes les communautés et les organismes de recherche et d’industrie consacrent beaucoup d’efforts, pour tester leurs produits afin d’évaluer leurs qualités. Au-delà de la performance fonctionnelle, cette évaluation se base essentiellement sur l’utilisation des métriques associées à des besoins non fonctionnels (par exemple le temps de réponse, la consommation d’énergie, la qualité de service, etc.). Dans les systèmes complexes tels que les systèmes de gestion de bases de données, la maîtrise de complexité nécessite des tests d’analyse allant de la conception à la vérification et la validation.
En ce qui concerne notre domaine d’étude, les bases de données, nous constatons que chaque produit est associé à des tests, chacun étant matérialisé par un ensemble de résultats. En conséquence, une mine de tests existe couvrant toutes les phases de cycle de vie de conception : l’identification des besoins, la modélisation conceptuelle, la modélisation logique, la phase de déploiement, la modélisation physique, et la phase d’exploitation. En analysant de près les résultats de tests, nous remarquons qu’ils incluent plusieurs paramètres associés à l’environnement de tests couvrant des dimensions comme : les données utilisées pour les tests, les algorithmes utilisés, la plateforme d’exécution, les besoins non fonctionnels, les requêtes, les hypothèses, les structures d’optimisation utilisées, etc. L’évolution de la technologie de bases de données, des plateformes de déploiement (matérielles et logicielles) contribue à l’explosion exponentielle des informations autour de tests. De plus, les nouveaux produits dérivés de cette évolution doivent également être testés et validés. Face à cette situation, nous nous sommes interrogés sur la localisation digitale de cette mine d’information afin d’être exploitée par des tiers. Les tests et leurs environnements sont généralement localisés dans les articles scientifiques publiés par les chercheurs ou dans des sites Web spécialisés comme le TPC (Transaction Processing Council). Cette mine d’information est partiellement exploitée à des fins de comparaison des résultats lorsqu’un nouveau produit est lancé. Vu leurs caractéristiques, les données de tests représentent un bon exemple de données obscures (Dark Data). Ces dernières sont l’ensemble d’informations que les organisations collectent, traitent et stockent pendant leurs activités régulières, mais qu’elles n’arrivent pas à les réutiliser. La proposition d’une démarche d’explicitation et de persistance de toutes les dimensions ainsi que les résultats de tests dans le contexte des bases de données contribue à les sortir de l’obscurité. Une fois persistées, ces données accompagnées de leurs environnements peuvent être exploitées pour d’autres usages tels que : la reproductibilité des résultats, la recommandation, l’analyse OLAP, l’analyse multicritère, la détection des fraudes pour fournir plus de transparence aux tests et leur réutilisation.
L’objectif de ce stage est de construire un entrepôt dédie aux données de tests. Une fois conçu, des techniques issues de machine learning l’exploiteront pour des fins de recommandation et personnalisation.
En ce qui concerne notre domaine d’étude, les bases de données, nous constatons que chaque produit est associé à des tests, chacun étant matérialisé par un ensemble de résultats. En conséquence, une mine de tests existe couvrant toutes les phases de cycle de vie de conception : l’identification des besoins, la modélisation conceptuelle, la modélisation logique, la phase de déploiement, la modélisation physique, et la phase d’exploitation. En analysant de près les résultats de tests, nous remarquons qu’ils incluent plusieurs paramètres associés à l’environnement de tests couvrant des dimensions comme : les données utilisées pour les tests, les algorithmes utilisés, la plateforme d’exécution, les besoins non fonctionnels, les requêtes, les hypothèses, les structures d’optimisation utilisées, etc. L’évolution de la technologie de bases de données, des plateformes de déploiement (matérielles et logicielles) contribue à l’explosion exponentielle des informations autour de tests. De plus, les nouveaux produits dérivés de cette évolution doivent également être testés et validés. Face à cette situation, nous nous sommes interrogés sur la localisation digitale de cette mine d’information afin d’être exploitée par des tiers. Les tests et leurs environnements sont généralement localisés dans les articles scientifiques publiés par les chercheurs ou dans des sites Web spécialisés comme le TPC (Transaction Processing Council). Cette mine d’information est partiellement exploitée à des fins de comparaison des résultats lorsqu’un nouveau produit est lancé. Vu leurs caractéristiques, les données de tests représentent un bon exemple de données obscures (Dark Data). Ces dernières sont l’ensemble d’informations que les organisations collectent, traitent et stockent pendant leurs activités régulières, mais qu’elles n’arrivent pas à les réutiliser. La proposition d’une démarche d’explicitation et de persistance de toutes les dimensions ainsi que les résultats de tests dans le contexte des bases de données contribue à les sortir de l’obscurité. Une fois persistées, ces données accompagnées de leurs environnements peuvent être exploitées pour d’autres usages tels que : la reproductibilité des résultats, la recommandation, l’analyse OLAP, l’analyse multicritère, la détection des fraudes pour fournir plus de transparence aux tests et leur réutilisation.
L’objectif de ce stage est de construire un entrepôt dédie aux données de tests. Une fois conçu, des techniques issues de machine learning l’exploiteront pour des fins de recommandation et personnalisation.
Profil recherché
Master 2 Informatique
Description de la société
Le LIAS (Laboratoire d'Informatique et d'Automatique pour les Systèmes) représente 35 enseignants chercheurs issus des sections CNU 27, 61 et 63 dans les disciplines de l’Automatique, du Génie électrique et de l’Informatique. Il a été créé depuis le 1er janvier 2012, suite à la fusion des laboratoires du LAII (Laboratoire d'Automatique et d'Informatique Industrielle) et du LISI (Laboratoire d'Informatique Scientifique et Industrielle).
Bien qu'ancré dans la communauté STIC pour les aspects fondamentaux, le LIAS, par ses applications, est naturellement ouvert au secteur SPI. Que ce soit sur les nouveaux modes de propulsion, sur la gestion d’énergie, sur le traitement des eaux, sur la modélisation informatique des systèmes complexes ou sur l’optimisation des systèmes temps réel, les complémentarités disciplinaires de l’Automatique, du Génie Electrique et de l’Informatique doivent apporter une plus-value au traitement de ces applications qui relèvent toutes de l’ingénierie.
Site web : www.lias-lab.fr
Bien qu'ancré dans la communauté STIC pour les aspects fondamentaux, le LIAS, par ses applications, est naturellement ouvert au secteur SPI. Que ce soit sur les nouveaux modes de propulsion, sur la gestion d’énergie, sur le traitement des eaux, sur la modélisation informatique des systèmes complexes ou sur l’optimisation des systèmes temps réel, les complémentarités disciplinaires de l’Automatique, du Génie Electrique et de l’Informatique doivent apporter une plus-value au traitement de ces applications qui relèvent toutes de l’ingénierie.
Site web : www.lias-lab.fr