Informations sommaires

Vous cherchez un livre, un CD ou une recommandation de film ? Tapez le nom d'un auteur que vous aimez sur Gnooks.com et un écran d'autres écrivains apparaît. Mais ce qui rend le site différent, c'est que les auteurs n'apparaissent pas sous forme de liste déroulante. Au lieu de cela, le nom que vous fournissez se trouve au milieu de la fenêtre du navigateur tandis que les noms suggérés sont éparpillés, tremblant et dansant comme s'ils essayaient de se donner des coudes pour atteindre le centre.

C'est la visualisation de recherche en action. Plus un autre écrivain est proche de votre choix, plus le système pense que vous apprécierez également le travail de cet auteur. Gnooks et d'autres systèmes appliquent des techniques de visualisation des données et d'analyse des relations pour aider les gens à avoir une vision différente de ce qui se trouve sur le Web. Plutôt que de fournir des résultats de recherche sous la forme d'une longue liste de liens, les recherches graphiques montrent comment les différentes catégories et types d'informations sont liés les uns aux autres. Le plus difficile est de trouver un moyen de présenter l'information sans exiger que l'utilisateur obtienne un diplôme sur la façon d'utiliser l'interface.

Des techniques de visualisation existent depuis un certain temps sur le Web. Les sites permettent depuis longtemps aux utilisateurs de faire des choses telles que cliquer sur une région de carte pour obtenir tous les représentants commerciaux ou les emplacements de l'entreprise dans cette zone. Là où les nouvelles approches diffèrent, c'est dans la complexité, car elles peuvent montrer des relations complexes entre les éléments. Le créateur de Gnooks, Marek Gibney de Hambourg, en Allemagne, a lancé son système en tant que projet personnel, utilisant l'intelligence artificielle pour produire des recommandations musicales. Désormais, Gnooks ainsi que Gnoovies (pour les films) et Gnoosic (pour la musique) se connectent tous à un site central - Gnod.net, pour le réseau mondial de rêves - et utilisent une approche similaire. Si 90 pour cent des lecteurs de Douglas Hofstadter aiment également [Stephen] Hawking, la distance entre ces deux écrivains dans la dimension Hofstadter-Hawking est de 0,1, dit Gibney.

Toutes les informations de préférence relative dont il dispose proviennent des utilisateurs du site décrivant leurs goûts et leurs aversions. Quelqu'un nomme trois auteurs ou artistes musicaux ou films préférés ; Gnod affiche ensuite une série de choix et demande pour chacun si l'utilisateur l'aime ou non. Au fur et à mesure que de plus en plus de personnes expriment leurs préférences, Gnod accumule les informations pour affiner davantage ses suggestions. Il n'y a rien de particulièrement nouveau à obtenir des recommandations basées sur les goûts et les aversions. Ce qui distingue Gnod, c'est son utilisation de la représentation visuelle pour révéler la force de la recommandation. La métaphore de la distance montre à quel point la popularité de deux auteurs est étroitement liée, sur la base des informations de préférence fournies par tous les utilisateurs. Graphiquement, il représente un ensemble de relations multidimensionnelles en deux dimensions.

Les graphiques ajoutent une capacité puissante à la recherche en raison de la façon dont les gens perçoivent, explique Phil H. Goddard, directeur de Human Factors International, une société de conseil de Fairfield, Iowa. Les êtres humains sont des processeurs spatiaux, dit-il. Par exemple, la plupart des gens trouvent plus facile de comprendre les données sous forme de tableau que dans une liste non formatée. Les frontaux graphiques des moteurs de recherche peuvent organiser et présenter les informations de manière à permettre aux utilisateurs de les absorber et de les traiter plus efficacement. De tels outils, dit Goddard, tirent parti de l'effet selon lequel nous voyons des modèles et apprenons des modèles et analysons des modèles plus rapidement que nous ne traitons le texte.

Mais trouver la forme appropriée pour afficher les informations d'une manière que les utilisateurs peuvent saisir rapidement n'est pas facile. Changez le public et les types de questions qu'ils pourraient poser, et la forme visuelle change également beaucoup. Endeca, une entreprise de Cambridge, MA, spécialisée dans la navigation guidée, propose une démonstration de sa technologie qui montre comment la recherche visuelle peut aider une personne moyenne à choisir un vin. Toute bouteille de vin aura un ensemble multidimensionnel de caractéristiques, telles que l'origine, les saveurs, le millésime et le prix. Quelqu'un saisissant zinfandel comme terme de recherche verrait des listes de liens textuels formatés horizontalement regroupés par type de caractéristique. Le choix d'un zinfandel américain ferait apparaître les régions nationales ainsi que les catégories de prix, les années et les notes des dégustateurs de vin. Il n'y a pas d'icônes, pas d'images. La raison, explique Steve Papa, PDG d'Endeca, est que plus la visualisation est complexe, plus l'utilisateur doit être averti. Certaines de ces interfaces graphiques nécessitent plus de sophistication que la plupart des gens, dit-il.

Pour arriver à considérer la bonne représentation graphique, un système doit savoir comment les données se connectent. Il existe divers algorithmes et approches ; même Google textuel offre une mesure de la pertinence d'un lien par rapport à un terme de recherche, et Yahoo! regroupe les liens sous les en-têtes. Mais ce qui aide vraiment à cimenter les relations, ce sont les métadonnées, c'est-à-dire les informations sur la nature et la structure des données.

Le plus grand défi avec la visualisation est la surcharge de données, explique Greg Coyle, directeur général d'Ancubis, un développeur d'outils de visualisation de recherche basé à Cambridge, au Royaume-Uni. Lorsque les ensembles de données deviennent volumineux, il est difficile de représenter visuellement cela de manière utile et de ne pas effrayer l'utilisateur. Une présentation efficace nécessite de comprendre comment la catégoriser et associer une information à une autre. Les développeurs ont donc besoin d'informations descriptives sur les données sous-jacentes que les utilisateurs souhaitent rechercher.

Anacubis obtient ces métadonnées de partenaires commerciaux tels que Dunn & Bradstreet. Chaque type de données est représenté par une icône et les icônes de données associées sont reliées par des lignes. Les informations arrivent au logiciel Anacubis dans un format propriétaire utilisant un langage de balisage étendu, ou XML. L'application Anacubis peut afficher l'arrière-plan de l'entreprise sous la forme d'une icône, des icônes de personnes connectées pour les mandataires sociaux, une autre image pour les résultats financiers récents, etc. Les relations rendent explicites les liens que l'on peut trouver en lisant plusieurs rapports et en corrélant les résultats.

Une démo du système Anacubis montre une recherche sur Google liée à une liste Amazon.com pour le film, Another Thin Man.

Une version de démonstration des capacités d'Anacubis permet à quelqu'un de rechercher des artistes, des écrivains, des livres, des CD ou des films en transmettant la demande à Amazon.com. Les résultats apparaissent sous forme d'icônes. Les utilisateurs peuvent ensuite cliquer avec le bouton droit sur n'importe quelle icône et demander une recherche associée sur Google. Google, cependant, ne fournit que des informations textuelles, sans métadonnées. Pour affiner et affiner les résultats, Anacubis examine les métadonnées qu'il possède à partir de la recherche Amazon ; un film, par exemple, aura un réalisateur, un casting et un scénariste associés. Donc, si quelqu'un recherche des informations supplémentaires sur une version DVD de la version Hamlet de Lawrence Olivier, Anacubis peut rechercher sur Google les termes Hamlet, DVD et film.

Mais les frontaux de visualisation ne sont pas des solutions magiques pour ceux qui veulent trouver quelque chose ; une combinaison de texte et de commandes booléennes peut rapidement résoudre une recherche complexe. Considérez, par exemple, un acheteur de vin à la recherche d'un merlot australien avec un soupçon de chêne pour 7,99 $. L'utilisation de la visualisation nécessiterait probablement plusieurs étapes pour parcourir les écrans d'informations. Et trouver la meilleure combinaison de représentation et d'organisation des données peut être difficile.

Rendre les choses trouvables et compréhensibles est vraiment difficile, déclare Sue Aldrich, vice-présidente senior chez Patricia Seybold Group, une société de conseil pour les processus commerciaux centrés sur le client. C'est incroyable qu'on trouve quelque chose. Ainsi, même si les utilisateurs acquièrent une meilleure compréhension des données dont ils disposent, les développeurs ne doivent pas s'attendre à ce que leur travail soit aussi simple que des camemberts ou des camemberts.

cacher