MADICS/PREDONx Atelier sur la préservation des données scientifiques

Friday 23 Jun 2017, 10:00 → 13:00 Europe/Paris

EMD

Christophe Cérin (urn:Google), Cristinel Diaconu (Faculte des Sciences de Luminy), Salima Benbernou (Université Paris Descartes)

MADICS/PREDONx 2017 : Atelier sur la Préservation des Données Scientifiques

Thématique: "La préservation des données et l'intelligence artificielle"

Vendredi 23 juin 2017

Il faut sauver les données scientifiques, d'accord. Mais lesquelles ? Dans un contexte de "big data", sauver veut nécessairement dire "effacer, trier, nettoyer..." comment être sûr que l'on n'oublie pas.... euh...l'essentiel ? Des exemples de données réduites en champs de ruines par l'inaccessibilité du code pullulent....Quels sont les paramètres des données qui doivent être poursuivis (fréquence d'accès, criticité dans les algorithmes, reliabilité, redondance, niveau d'abstraction...) et comment faire pour éviter l'effet "si je le savais...". Est-ce qu'on peut s'appuyer sur les algorithmes ou workflows issus de l'intelligence artificielle pour guider la préservation des données et des connaissances dans la recherche scientifique? Nous proposons un "brainstorming" autour de ce sujet. N'hésitez pas à proposer des interventions ou des thématiques adjacentes.

ATTENTION: Atelier au sein des Journées Scientifiques  MADICS

Les journées  MaDICS 2017 se déroulent en deux temps :
– 22 juin : Journée scientifique MaDICS
– 23 juin : Journée des Actions MaDICS et divers ateliers

Un appel à Posters et Démonstrations est organisé à l’occasion de ces journées.

La participation à ces journées est gratuite mais les inscriptions sont nécessaires. Elles sont ouvertes jusqu’au 12 juin 2017.

ATTENTION l’inscription n’est pas globale, vous devez vous inscrire à chacune des journées pour des besoins de logistique.

Lieu : Ecole de Management de Marseille, Rue Joseph Biaggi, Marseille

http://www.madics.fr/

 

10:00 → 10:20 Big Data, small plans

Worksflows for intellgence/knowledge conservation

10:30 → 10:50 Parameters for a reliable scientific data preservation

What should not be forgotten during data collection, to make it reiable long term? Simplification against versatility, ressources against generality... etc.

11:00 → 11:20 "Jarvis, did you think about saving that (meta)data?...."

Untrained learning on what should stay (and what should go). Can IA help?

11:30 → 12:00 Blue helmet deployment (Discussion)