Exploitation et Structuration des Données et de Connaissances Géologiques Hétérogènes

Exploitation and Structuring of Heterogeneous Geological Data and Knowledge

• Auteur / Autrice : Marijan Soric
• Direction : Pierre Senellart, Ioana Manolescu
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre
• Partenaire(s) de recherche : Laboratoire : DIENS - Département d'informatique de l'École normale supérieure
• Partenaire(s) de recherche : Equipe de recherche : VALDA
• Partenaire(s) de recherche : établissement opérateur d'inscription : Ecole normale supérieure

Mots clés

Mots clés libres

Extraction d'informations

Données hétérogènes

Apprentissage profond

Information extraction

Heterogeneous data

Deep learning

Résumé

L'objectif est de développer une méthodologie pour construire un entrepôt de données à partir des informations disponibles aux géologues, de manière entièrement automatisée. Cet entrepôt sera multimodal, intégrant du texte, des images et divers types de contenus structurés. Les techniques d'extraction d'informations seront employées pour extraire les données des documents bruts (par exemple, tableaux de PDF, coordonnées d'un lieu caractéristique sur une carte géologique, identification de couches géologiques à partir d'un schéma) et les enrichir avec des métadonnées. Les techniques d'apprentissage profond pourront être utilisées pour créer des représentations des différentes modalités, qui seront ensuite combinées dans un modèle global d'extraction d'information. L'intégration des données provenant de diverses sources et la sémantisation de leur contenu seront réalisées grâce à des techniques d'extraction d'information ouvertes, en lien avec des bases de connaissances telles que Wikidata, qui fournissent des informations de base sur les minéraux et leur localisation. La thèse vise à améliorer l'accessibilité et la réutilisation des données du BRGM en les dotant de métadonnées (trace de l'incertitude et de la provenance des données) et en les restructurant pour une utilisation plus efficace. Cela pose plusieurs défis scientifiques, notamment la tâche complexe d'extraire des informations à partir du corpus varié de documents du BRGM, afin d'y intégrer efficacement des annotations spatiales ou d'autres types d'annotations.

The aim is to develop a methodology for automatically building a data warehouse from the information available to geologists. This warehouse is multimodal, integrating text, images and various forms of structured content. Information extraction techniques will be employed to extract data from raw documents (e.g., tables of data values from PDFs; coordinates of specific geological features from maps; identifications of geological layers from schemas) and enrich them with accompanying metadata. Deep learning techniques can be used to construct representations of different modalities, which will then be combined in a global model for information extraction. Integration of data from diverse sources and semantization of their content will be achieved using Open Information Extraction techniques, in conjunction with knowledge bases such as Wikidata, which provide basic information about minerals and locations. The thesis focuses on enhancing the accessibility and reusability of BRGM's wealth of information by endowing it with metadata (keep track of the uncertainty and provenance of data items) and restructuring it for more effective utilization. This involves addressing several scientific challenges, including the intricate task of extracting information from BRGM's diverse document corpora to efficiently incorporate geographical, spatial, and other annotations into the data and documents.