Analisi dinamica dei Big Data

La disponibilità di enormi raccolte di dati caratterizza il nostro tempo come un’epoca senza precedenti nella storia. Le tecnologie Big Data assicurano la massima valorizzazione del contributo che tali risorse apportano in termini di benefici computazionali, come la rapidità, il costo contenuto e l’ampia gamma di prestazioni a supporto dell’elaborazione dei dati.

Tuttavia, con la crescita dei dati in diverse dimensioni, formati e fonti, è evidente che le ipotesi implicite, in gran parte diverse, sulla loro interpretazione sono anche amplificate: le scelte progettuali indipendenti tra le fonti sono la norma e un coerente riutilizzo integrato dei dati è sempre più complesso e costoso.

Teorie del significato lessicale e Metodi di Influenza Semantica

Un problema cruciale di integrazione della conoscenza è affrontato da tutte le applicazioni Big Data, soprattutto se si considera che gli scenari Web si trovano per lo più di fronte a dati non strutturati. Ogni volta che i Big Data passano dalle informazioni sui fenomeni naturali, le cui osservazioni e misure si basano su tradizioni scientifiche di lunga data, ai contenuti generati dall’uomo, come quelli ampiamente condivisi sul Web e sui Social Media, l’interpretazione e l’accordo tra le fonti diventa difficile e gioca il ruolo di   collo di bottiglia per le applicazioni distribuite su larga scala.

Reveal utilizza una prospettiva linguistica (teorie del significato lessicale e metodi di inferenza semantica) per risolvere il problema cruciale dell’integrazione della conoscenza.

I metodi dell’Intelligenza Artificiale si ispirano all’idea che i formalismi leggibili dalla macchina per esprimere la conoscenza e utilizzarla a sostegno di decisioni razionali non solo sono praticabili, ma sono la più vicina approssimazione alla razionalità umana. Il linguaggio naturale è la manifestazione principale di tale status. Da un lato, esso deriva dall’adattamento degli esseri umani attraverso i secoli alle loro esigenze di progettazione, comunicazione e applicazione della conoscenza. Tuttavia, il linguaggio naturale richiede un’interpretazione i cui metodi  sono stati ampiamente studiati nel NLP. In Reveal, sfruttiamo una prospettiva linguistica (teorie del significato lessicale e metodi di inferenza semantica) per il problema di integrazione della conoscenza sopra descritto.

Processi di riconciliazione dei dati

I motori di elaborazione del linguaggio e le metodologie di apprendimento automatico di Reveal sono strettamente integrati in un quadro generale di gestione dei Dati e delle Conoscenze, largamente applicato come infrastruttura di back-office a fonti di dati eterogenee all’interno di applicazioni più recenti. I servizi ospitati dal framework sono in grado di supportare l’integrazione di modelli concettuali caratteristici di diverse fonti di dati e di generalizzare le nozioni semantiche a partire da dati linguistici e non linguistici, offrendo così un vantaggio cruciale in ogni scenario in cui sia coinvolta un’interazione tra dati strutturati (ad esempio relazionali) e non strutturati (ad esempio testuali o visivi).

I processi di Active Data Analytics sono stati applicati con successo nel settore bancario e in quello dell’ingegneria dei sistemi, nonché nell’industria dei media e nelle applicazioni turistiche.

Vengono impiegati metodi intelligenti per automatizzare i processi di riconciliazione dei dati che mirano a mappare le fonti di dati indipendenti e le singole voci di dati in uno schema condiviso in base all’interpretazione linguistica dei valori dei dati, degli attributi dei dati e dell’insieme delle etichette dei dati. In questo modo, la semantica linguistica viene utilizzata per proporre funzioni di classificazione e allineamento tra le fonti di dati: ciò ha un enorme impatto sui costi sia in fase di progettazione di sistemi software complessi sia sui livelli di manutenibilità. I processi di analisi attiva dei dati sono sempre attivi quando è disponibile un motore esistente per un dominio A ed è necessario renderlo operativo su un secondo dominio B diverso: in questo caso, l’adattamento del dominio e l’apprendimento del trasferimento sono attivati sulla base di informazioni e metodi linguistici.