Donnée ou information ?
Agronomes, conseillers, agriculteurs jonglent en permanence avec un grand nombre de données afin d’alimenter des raisonnements ou des modèles (informatique, ou « dans la tête ! ») et in fine prendre des décisions.
Pour être parfaitement honnête, ça n’est pas une spécificité de l’agriculture, un médecin, un ingénieur en travaux public, un boulanger, un bandit de grand chemin, le font également. Mais en la matière, l’agriculture sait se distinguer :
Travail avec du vivant,
Aléas nombreux (biotiques, abiotiques),
Machinisme, capteurs,
Composante stratégique (assolement, rotation, choix des cultures à moyen et long terme) et tactique (pilotage, actions correctives),
Composante stratégique (assolement, rotation, choix des cultures à moyen et long terme) et tactique (pilotage, actions correctives)
Un agriculteur est à la fois très conseillé et très seul devant ses choix dont il assume les conséquences.
Cela fait qu’en agriculture on est amenés à manipuler une diversité de données importante : observations plantes, maladie ou ravageurs, données météo et agrométéo, données de capteurs embarqués, données technico économiques, etc…
Mais au risque de choquer, une donnée n’a aucun intérêt par elle-même. On a besoin de connaitre un certain nombre d’éléments de contexte afin de pouvoir l’utiliser. Ce sont les métadonnées.
Une fois qu’on a ces métadonnées, notre donnée devient une information.
Prenons un exemple et voyons ce que cet enfant veut nous dire :
On voit bien ici ce qui distingue donnée et information. Impossible de faire quoi que ce soit de la donnée à gauche, à moins de faire de lourdes et dangereuses hypothèses.
L’information à droite en revanche suit une certaine norme et nous apporte tout ce qu’il faut pour l’utiliser dans un modèle par exemple… à condition que chacun respecte la norme en question !
Pour aller plus loin :
Rappelons nous de la donnée non exploitable que nous avons vu plus haut. « Antchoubi, j’ai fait 130 au moulin ». Est-ce que cette donnée ne vaut vraiment rien ? Des algorithmes sont développés pour décoder ce genre de données afin de lui adjoindre automatiquement des métadonnées, et d’en faire une information. Si on se penche sur ce message, on remarque différents éléments :
deux points d’exclamation,
un mot occitan traduisant la surprise,
une valeur numérique (130),
une photo sur laquelle on peut identifier du maïs, par analyse d’image,
une information de lieu (le moulin), qui permet si on a une idée de la zone concernée de procéder à un géocodage afin d’obtenir des coordonnées géographiques.
Imaginons qu’il s’agisse d’un message twitter par exemple, on dispose en plus de la date du message et d’informations sur l’émetteur : le petit message de bio sur sa page, avec parfois une localisation, les réponses aux messages, les abonnements, etc…
Fort de tout cela on pourrait reconstituer toute l’information contenue dans le message.
Evidemment la fiabilité de l’approche est loin d’être parfaite et le but n’est pas de traduire tous les messages individuels en information, mais plutôt dans la détection de signaux faibles comme par exemple le fait que sur une région donnée soit fait massivement mention d’un ravageur à un moment donné, ou de tâches de maladie sur les plantes, etc…
Comentários