Analyse topologique des structures de données: application à la migration des systèmes d'information d'entreprise.
Bibliographic record
Abstract
La migration des données de gestion de cycle de vie des produits demande de maîtriser les projets de transformation de données impliquant d'importants volumes de données complexes. Généralement, la complexité est liée à la topologie du graphe de relation entre les objets et les liens. Lors du cadrage d'un tel projet, il faut être capable de mesurer sa complexité en un temps très court afin d'estimer la charge nécessaire de manière fiable. D'autre part, certains projets de transformation de données présentent un haut degré de complexité. Leur analyse demande une approche holistique et une remise en cause des lotissements de données ou de l'organisation des acteurs du projet. Ces besoins ont engendré l'initiative Data Systemizer qui a élaboré une méthode outillée dédiée aux projets de transformation de données permettant de faire émerger le meilleur lotissement de données et de le représenter graphiquement dans un formalisme naturel aux décideurs et de fournir des livrables clefs permettant de maîtriser l'exécution du projet. Le « graphe de données inextricable » doit ainsi devenir un ensemble clair et synthétique de lots liés entre eux, celui-ci étant optimisé mathématiquement pour minimiser les dépendances entre lots.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".