Agentes Inteligentes e KDD (Parte 3-3)


Uso De Agentes Inteligentes No Processo De Descoberta de Conhecimento Em Base De Dados – Part 3/3

Nesta ultima parte do artigo encerro falando sobre a mineração de dados, e a fase de transformação, ao final segue uma vasta bibliografia que poderá auxiliar os leitores a se aprofundarem mais no assunto alem do link para download da versão oficial desse artigo.

Mineração de dados

A mineração de dados (MD) mais conhecida como Data Mining (DM) é a etapa do processo de KDD que consiste em aplicar técnicas para analise de dados e algoritmos de descobertas onde dentro de tempos aceitáveis produzam um enumerado de padrões (ou modelos) úteis sobre os dados analisado. Quanto aos tipos de descobertas que um processo de DM pode oferecer, existem diversas pesquisas para realizar associação, classificação, clusterização (e outros) sobre os dados.

Os Agentes Inteligentes podem buscar informações baseado no perfil determinado pelo usuário e nas instruções fornecidas por ele. Tendo como ambiente os dados a serem analisados poderá utilizar de seus mecanismos de sensoriamento e atuação para sensoriar a massa de dados disponível, a procura de conhecimento e atuar classificando tais informações obtidas como possíveis padrões úteis. Em forma de sociedade esses Agentes podem balancear recursos para executar repetidas iterações de um determinado algoritmo com o objetivo de extrair padrões dos dados com maior eficiência.

Técnicas de DM não estão restritas apenas aos repositórios de dados, existem aplicações muito difundidas sobre a utilização de Agentes Inteligentes que agem como assistentes para pesquisar e interpretar dados disponíveis na internet {ref:dm_web}. A combinação de técnicas de interpretação de dados e Inteligência Computacional aos Agentes se mostram promissoras e em constante evolução {ref:livro1}.

Uma grande vantagem da utilização de SMA na mineração de dados é a capacidade de colaboração na produção de conhecimentos. Essa abordagem é proposta em “Collaborative Knowledge Production” {ref:livro2}.

Interpretação

Nessa etapa é executada análise e interpretação do conhecimento, sobre os padrões extraídos pela fase de Mineração de dados. O objetivo nessa etapa é analisar os resultados obtidos para constatar a relevância ou irrelevância desses padrões comprovando ou não e eficiência de todo o processo. Possíveis falhas durante as etapas anteriores produzirão modelos que não satisfaz os propósitos que justificaram a realização da extração de conhecimento.

Se o conhecimento não for validado é necessário retroceder para as fases anteriores com o intuito de melhorá-las ou refazê-las se necessário. Esse ciclo normalmente ocorre até que se obtenha resultados aceitáveis e relevantes sobre os dados para que em seguida esse conhecimento seja consolidado.

Semelhante a etapa inicial de Definição e compreensão do domínio essa fase é executada pelos envolvidos no processo de extração de conhecimento, o especialista junto ao analista, aqueles que nomeamos como Agentes Humanos, serão capazes de avaliar a verdadeira relevância da descoberta.

Conclusão

O processo de descoberta de conhecimento em base de dados nos propõem muitos desafios a serem enfrentado, como a automatização de suas etapas, suporte a novas tecnologias como a manipulação de objetos gráficos e multimídias armazenados, alem da realização deste processo em um ambiente hibrico e distribuído.

Os Agentes Inteligentes podem ajudar a superar esses desafios devido suas diversas habilidades como autonomia, pró-atividade, comunicabilidade, aprendizagem entre outros.

A importância que se da aos dados atualmente influencia cada vez mais pesquisas para extração de conhecimento desses dados com maior velocidade e eficiência, conseqüentemente será exigido técnicas e tecnologias que satisfaçam essas expectativas. Em paralelo é cada vez maior o estudo e uso de sistemas baseado em Agentes como tecnologia para se delegar tarefas automatizáveis. Portanto a utilização de Agentes para apoiar o processo de KDD tende a ser uma evolução natural a medida que essa tecnologia amadurece.

———

A todos os leitores foi um prazer escrever este artigo e espero ter contribuido de alguma forma para o melhor entendimento dessa tecnologia.

Para baixar o Artigo completo acesse clicando aqui
Bibliografia:

{gudwin}:

Prof. Ricardo Ribeiro Gudwin,
“Material de apoio da aula de Introdução a Teoria de Agentes”, FEEC UNICAMP, 2007,
Disponível em: http://www.dca.fee.unicamp.br/~gudwin/courses/IA009/,

{iac}
Núcleo de pesquisa em Inteligência computacional Aplicada,
“Descoberta do Conhecimento em Bancos de Dados”, PUC/RIO,2007,
Disponível em: http://www.ica.ele.puc-rio.br/cursos/download/CE-GA08_Datamining.zip,

{iac2}
ICA ELÉTRICA PUC-RIO
“KDD Knowledge Discovery Data Base”
Disponível em: http://www.ica.ele.puc-rio.br/cursos/download/DM-dm1.pdf,

{paidw}
Bill Inmon,
“father of data warehousing”
Disponível em: http://en.wikipedia.org/wiki/Bill_Inmon,

{livropaidw}
William H. Inmon, John Wiley, Sons,
“Building the Operational Data Store”,1999, ISBN 047132888X.

{kdd_history}
Fayyad U., Piatetsky-Shapiro G, Smyth P
“From Data Mining to Knowledge Discovery in Databases”, AI Magazine, 1996

{minator}
Oliveira R. B. T,
“O Processo de Extração de Conhecimento de Base de Dados Apoiado por Agentes de Software”, USP,2000

{distributed}
Cristian Aflori, Florin Leon,
“Efficient Distributed Data Mining using Intelligent Agents”, in Proceedings of the 8th International Symposium on Automatic Control and Computer Science, 2004, ISBN 9736210863

{dm_web}
Cazella S. C,
“Mineração de dados na WEB e agentes”,UFRGS, 2001

{livro1}
Mohammadian M.,Jentzsch R.
“Computational Intelligence Techniques Driven Intelligent Agents for Web Data Mining and Information Retrieval”,Chapter II,book
Intelligent Agents for Data Mining and Information Retrieval, 2004, ISBN 1591401941

{livro2}
Dodero J. M.,Díaz P.,Aedo I.,
“A Multi-Agent Approach to Collaborative Knowledge Production”,Chapter III,book
Intelligent Agents for Data Mining and Information Retrieval, 2004, ISBN 1591401941

{danielroy}
Daniel Roy,
“Conhecimento versus Representação do Conhecimento”

{db2dwe}
Agentes de Armazém do ETL,
“IBM DB2 Universal Database Data Warehouse Edition – Manual de Administração”, 2005, IBM Corp.

{activedm}
Agrawal R., Psaila G.,
“Active Data Mining”, 1995, IBM Almaden Research Center.

{multidatabase}
Zhang, S., X. Wu, and C. Zhang,
“Multi-Database Mining”, 2003, IEEE Computational Intelligence Bulletin.

{overload}
Pattie Maes,
“Agents that Reduce Work and Information Overload”, 1994, Commun. ACM.

{emocoes}
Percursores do Estudo de Emoções em Agentes HULL C.,
“A Behavior System New Haven – Yale University” ORTONY A.,
CLORE G., COLLINS A.,
“The Cognitive Structure of Emotions. Cambridge University Press”, 1988.
DAMÁSIO A.,
“O Erro de Descartes: Emoção, Razão e o Cérebro Humano – Companhia das Letras”, São Paulo, 1994.

GOLEMAN D.,
Emotional Intelligence. New York: Bantam Books, 1995.

{congresso}
Solange O. R,
“Meniração de Dados”, XXV Congresso da Sociedade Brasileira de Computação.

{baranauskas}
J. A. Baranauskas e M. C. Monard,
“Metodologias para a Seleção de Atributos Relevantes”, 1998, Departamento de Computação e Estatística USP.

{roughtsets}
Pila A. D.,
“Seleção de Atributos Relevantes para Aprendizado de Máquina Utilizando a Abordagem de Rought Sets”, 2001, Tese USP.

Últimos 5 artigos de Eduardo Costa

Sobre Eduardo Costa

De Campinas-SP, bacharel em Sistema de Informação pela Anhanguera Educacional e pós graduado no curso de MBA em Gestão de Projetos e Metodologia do Ensino Superior. Atualmente trabalha como arquiteto e desenvolvedor Java em empresa de desenvolvimento de software de suporte a tomada de decisão, além de ministrar aulas de Orientação a Objeto, Linguagem Java e XML. Já atuou como líder técnico, coordenador de produto e analista de negócios.

Deixe uma resposta