Compression des données et archivage: le binôme du futur

Les faits

Lorsqu’on parle de «quantités astrono­miques» d’informations numériques véhiculées chaque jour par les diffé­rents modes de transmission (TV, télé­phones, internet, caméras de sur­ veillance, etc.), ce n’est pas une figure de style, loin s’en faut! Et le futur – pro­che! – va nous permettre de le vérifier à la puissance n.

Le livre blanc édité par l’IDC en mars 2007 (1) constate que la quantité d’informations numériques créée, saisie et transmise en 2006 était de 1,288 x 10 puissance 18 bytes. Ce qui correspond à 161 exabytes ou 161 billions de gigabytes; autrement dit environ 3 millions de fois l’information contenue dans tous les li­vres écrits depuis le début des temps. Mais le meilleur est encore à venir, puis­ que, toujours selon le rapport de l’IDC, le volume d’informations sera multiplié par 6 d’ici à 2010...

Se pose dès lors la question sui­vante: lorsque l’on sait que 95% de ces données ne sont pas structurées, com­ment les référencer? Or, la réponse à cette question est de toute première im­portance pour les professionnels de l’information documentaire qui seront appelés à utiliser les nouveaux outils que les scientifiques sont en train de mettre au point dans ce domaine.

Compresser, puis indexer

La solution comporte deux étapes: 1) il faut d’abord compresser, puis 2) in­dexer. La difficulté est de taille, puisqu’il s’agit de comprimer les données tout en les structurant «sémantiquement». On connaît déjà des formats de com­pression comme MPEG, ZIP, JPEG et, plus récent, JPEG2000 (voir encadré), mais ils ne sont encore que des em­bryons de solutions face au défi que représentent les volumes de données à valoriser.

Prenons par exemple les archives du Festival de Montreux, donc pour l’essentiel des données son et image. L’EPFL se charge actuellement de la nu­mérisation de l’archivage de ce fonds. Mais comment accéder à l’information voulue dans des délais raisonnables? La réponse est sur toutes les lèvres: par recherche «sémantique».

Le défi de la recherche «sémantique»

Certes, mais ici aussi le défi est de taille. Les contenus sont de toute première importance dans ce contexte. Or, l’on sait que ces contenus comprennent du son, du texte, de l’image et de la vidéo. Il faut donc rechercher sur différents types de données. La recherche que l’on propose actuellement est indépendante d’un type de données à un autre. La so­lution réside donc dans l’intégration de ces données, afin qu’une recherche ci­blée soit possible.

Autre exemple: les meetings vir­tuels, qui sont de plus en plus fréquents et qui seront certainement appelés à se multiplier à l’avenir si l’on considère l’explosion des coûts de déplacement due à la pénurie croissante des énergies non renouvelables. L’archivage de ces meetings (politiques, scientifiques, as­sociatifs, sportifs, culturels) sera donc indispensable et nécessitera des solu­tions au niveau de la compression des données et de leur stockage qui n’exis­tent pas encore. Le fameux «binôme du futur» sur lequel des milliers de cher­cheurs se penchent actuellement de par le monde ...

Conclusion

La tâche est donc titanesque pour les chercheurs et il faudra encore du temps avant que les professionnels de l’infor­mation documentaire puissent dispo­ser d’outils leur permettant de fournir à leurs clients des prestations dignes de ce nom en matière de fonds audio vi­suels.

Références:

(1) The Expanding Digital Universe. A Forecast of Worldwide Information Growth Through 2010, sous la direction de John F. Gantz, mars 2007