Adatelemzési folyamat és keretrendszer a közigazgatás számára
DOI:
https://doi.org/10.54200/kt.v1i2.24Kulcsszavak:
adatelemzés, keretrendszer, adatelemzési tervAbsztrakt
A mesterséges intelligencia utóbbi évtizedben bekövetkezett ugrásszerű fejlődése az azt támogató hardveres és szoftveres platformok folyamatos bővülésével az adatelemzést is új szintre emelte. Ez a szintlépés alapvetően úgy értelmezhető leginkább, hogy egyre kevésbé szükséges a feldolgozó modellek precíz meghatározása, mivel már a most rendelkezésre álló eszközök képesek biztosítani, hogy pusztán a nyers input adatok megfelelő szolgáltatásával és az elérni kívánt cél meghatározásával az effektív elemzést végző eljárás – általában neurális háló architektúra – már egy gépi tanulási folyamaton keresztül automatikusan kerüljön kialakításra. Mivel ez a trend a jövőben várhatóan tovább fog erősödni, az elemzési eljárásokat célszerű úgy felépíteni, hogy ebbe a keretrendszerbe illeszkedjenek. Ennek megfelelően hangsúlyt kell fektetni a feldolgozni kívánt, potenciálisan különféle területekről származó adatbázisok olyan előfeldolgozására, amelyet követően a teljes adatkészlet átadható az elemző architektúrának. Mivel az elemzés eredményének értelmezhetőségét emberi felhasználásra is alkalmassá kell tenni, ezért tipikusan vizualizációs technikákat alkalmazhatunk erre a célra. Értelemszerűen a vizualizációs technikát is a hatékonyság miatt a teljes elemzési keretrendszerbe érdemes integrálni, azaz a vizualizációs eszköz közvetlenül ráépül az elemzőarchitektúra kimenetére, illetve annak belső adatábrázolására, amennyiben például a bemeneti adatok közötti összefüggések bemutatása is hasznos a döntéshozás indoklásához.
Hivatkozások
Angée, S., Lozano-Argel, S. I., Montoya-Munera, E. N., Ospina-Arango, J-D., Tabares-Betancur, M. S. (2018). Towards an Improved ASUM-DM Process Methodology for Cross-Disciplinary Multi-organization Big Data & Analytics Projects, In: Uden, L., Hadzima, B.,I-Hsien Ting (Eds.), Knowledge Management in Organizations Springer, doi: https://doi.org/10.1007/978-3-319-95204-8_51
Provost, F., Fawcett, T. (2013). Data Science and its Relationship to Big Data and Data-Driven Decision Making, Big Data, 1(1), 51-59., https://doi.org/10.1089/big.2013.1508
Wirth, R., Hipp, J. (2000). CRISP-DM: Towards a Standard Process Model for Data Mining. In Proceedings ofthe 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2021 Gergő Bogacsovics, András Hajdu, Balázs Harangi, István Lakatos, Róbert Lakatos, Marianna Szabó, Attila Tiba, János Tóth, Ádám Tarcsi
This work is licensed under a Creative Commons Attribution 4.0 International License.
