Alignement incrémental de données hétérogènes et dynamiques pour l'aide à la décision

Incremental Alignment of Heterogeneous and Dynamic Data for Decision Support

• Auteur / Autrice : Oumaima El Haddadi
• Direction : Max Chevalier, Ahmad El Allaoui
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 05/07/2025
• Etablissement(s) : Université de Toulouse (2023-....) en cotutelle avec Université Abdelmalek Essaâdi (Tétouan, Maroc)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....) - Institut de recherche en informatique de Toulouse / IRIT
• Partenaire(s) de recherche : Etablissement de délivrance conjointe : Université de Toulouse (EPE ; 2025-....)
• Jury : Président / Présidente : Noura Aknin
• Jury : Examinateurs / Examinatrices : Noura Aknin, Sara Koulali, Yousef Farhaoui
• Jury : Rapporteurs / Rapporteuses : Davy Monticolo, Abdelhadi Fennan, Mohamed Benattou

Mots clés

Mots clés contrôlés

Analyse des données

Systèmes d'aide à la décision

Bases d'informations généralisées

Mots clés libres

Aide à la décision

Environnement Dynamique

Alignement de données

Hétérogénéité

Plongement Dynamique

Méthode Incrémentale

Decision Support

Dynamic Environment

Data Alignment

Heterogenuous Data

Dynamic Embedding

Incremental Method

Résumé

A l'ère du Big Data, où les données sont massives et leur complexité croissante, le besoin en informations reste crucial pour chaque organisation. En effet, qu'il s'agisse d'informations collectées sur l'environnement direct (clients, fournisseurs, concurrents...) ou des informations qu'elle a elle-même générées, celles-ci représentent un capital que l'organisation doit exploiter pour rester performante. C'est pourquoi les décideurs doivent prendre, au moment opportun, les meilleures décisions. Dans ce cadre, les systèmes d'aide à la décision visent à les aider à analyser l'ensemble de ces données afin de faciliter et de guider leurs choix stratégiques. Du point de vue du système d'information, deux perspectives peuvent être identifiées : la première concerne l'intégration des données (entrepôts de données, silos...) qui vise à rassembler toutes les données nécessaires à la prise de décision dans un même espace homogène. La seconde vise à stocker les données de manière brute dans un même espace qui lui sera, par nature, hétérogène. Quelle que soit la perspective choisie, un des grands enjeux reste l'alignement des données. En effet, l'alignement permet d'établir des correspondances entre les données disponibles dans l'organisation afin de mieux les intégrer, les cataloguer et plus globalement mieux les exploiter pour l'aide à la décision. Dans les environnements dynamiques dans lesquels les organisations se retrouvent, une double problématique impacte les performances des approches d'alignement de données. En effet, dans ces environnements les données exploitées par l'organisation peuvent être à la fois hétérogènes (la diversité des données et de leur structure) et dynamiques (évolution dans le temps du contenu et des structures des données, apparition de nouvelles sources de données). De multiples approches d'alignement de données ont été proposées dans la littérature. Toutefois ces travaux s'intéressent exclusivement, à notre connaissance, à la problématique de l'hétérogénéité de données. Cependant, ces travaux ne prennent pas en compte la problématique liée à la dynamique des données. En réponse à cela, l'objectif de nos travaux dans cette thèse est de considérer la dynamique des données pour améliorer leurs alignements dans les environnements dynamiques. Or, la problématique de la dynamique des données a été explorée dans des domaines autres que l'alignement. Parmi eux, on trouve la gestion des flux de données et les réseaux dynamiques. Diverses solutions ont émergé pour répondre à ces défis. Par exemple, les graphes dynamiques permettent de représenter et de maintenir les relations évolutives entre les entités. Ils offrent une approche efficace pour modéliser des systèmes en constante mutation. Parallèlement, les mises à jour en flux proposent des mécanismes pour traiter les données en temps réel. Elles éliminent ainsi la nécessité de recalculs globaux. Plus récemment, les techniques de plongement dynamiques se sont distinguées. Elles capturent des relations complexes tout en permettant une mise à jour progressive. Ces approches répondent aux besoins croissants des environnements où les données évoluent rapidement. Ces travaux nous ont inspiré pour concevoir et développer l'approche incrémentale d'alignement de données, nommée 'IDAGEmb', que nous proposons. Cette contribution originale dans le contexte de l'aide à la décision est basée sur des plongements dynamiques de graphe. Cette contribution considère la nature évolutive des données en actualisant progressivement les alignements tout en minimisant les ressources nécessaires au calcul de ces derniers. Les résultats obtenus dans nos expérimentations soulignent l'intérêt de l'alignement incrémental pour l'aide à la décision dans des environnements fortement dynamiques. Nous proposons une solution concrète pour améliorer le calcul des alignements de données, l'analyse des données et le processus globale de prise de décision.

In the era of Big Data, where data volumes are massive and increasingly complex, the need for information remains crucial for every organisation. Indeed, whether it involves data collected from the immediate environment (clients, suppliers, competitors, etc.) or data generated internally, this information represents a capital resource that organisations must exploit to remain efficient. For this reason, decision-makers need to make the best decisions at the right time. In this context, decision support systems aim to help them analyse all this data to facilitate and guide their strategic choices. From an information system perspective, two approaches can be identified. The first is data integration (data warehouses, silos, etc.), which aims to consolidate all the data required for decision-making into a single homogeneous space. The second focuses on storing raw data (data lakes) in a space that is inherently heterogeneous. Regardless of the chosen approach, one of the major challenges remains data alignment. Alignment establishes correspondences between the data available within the organisation to better integrate, catalogue, and more generally exploit them for decision support. In the dynamic environments in which organisations operate, a dual challenge impacts the performance of data alignment approaches. Indeed, in these environments, the data used by the organisation can be both heterogeneous (diversity in the data and its structures) and dynamic (evolution over time in data content and structures, along with the emergence of new data sources). Numerous data alignment approaches have been proposed in the literature. However, to our knowledge, these studies focus exclusively on the challenge of data heterogeneity. They fail to address the issue of data dynamics. To address this, the objective of this thesis is to consider data dynamics to improve their alignment in dynamic environments. The issue of data dynamics has, however, been explored in other fields beyond data alignment. Among these are data stream management and dynamic networks. Various solutions have emerged to address these challenges. For instance, dynamic graphs allow the representation and maintenance of evolving relationships between entities. They provide an effective approach to modelling constantly changing systems. At the same time, stream processing offers mechanisms for processing data in real time, eliminating the need for global recalculations. More recently, dynamic embedding techniques have stood out. They capture complex relationships while enabling incremental updates. These approaches address the growing demands of rapidly evolving data environments. These works inspired us to design and develop the incremental data alignment approach we propose, named 'IDAGEmb'. This original contribution in the context of decision support is based on dynamic graph embeddings. It takes into account the evolving nature of data by progressively updating alignments while minimising the resources required for their computation, thus avoiding global recalculations. The findings from our experiments underscore the relevance of incremental alignment for decision support in highly dynamic environments. We propose a concrete solution aimed at improving data alignment computation and, consequently, enhancing data analysis efficiency and the overall decision-making process.