Deep Dive: Assuring integration and synergy between research and userbase

• Grant number: 24/12402-0
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: November 01, 2024
• End date: September 30, 2025
• Field of knowledge: Interdisciplinary Subjects
• Principal Investigator: Roseane Jamile Lopes Ramos
• Grantee: Marco Antônio Benevides Linhares
• CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis
• Associated research grant: 23/06335-6 - Match<IT>: data efficiency and intelligence connecting B2B IT services supply and demand, AP.PIPE

Abstract

O processo de mineração de dados envolve conhecimento multidisciplinar e possui diversas aplicações em uma grande variedade de domínios diferentes: negócios, saúde, ciência e engenharia , etc [1]. Basicamente, a mineração de dados pode ser vista como a ciência de explorar grandes conjuntos de dados para extrair informações implícitas, anteriormente desconhecidas e potencialmente úteis [1]. A mineração de dados é definida em [2] como parte de um processo integral da descoberta de conhecimentos em base de dados. Ainda de acordo com [2], esse processo consiste em uma série de passos e transformações, desde o pré-processamento dos dados ao pós-processamento dos resultados obtidos nas análises. O conhecimento desses processos é imprescindível para a implementação de um sistema para a coleta, processamento e gestão de dados. Como parte do pré-processamento dos dados, considera-se as etapas de ETL (do inglês, Extraction, Transformation and Loading) para preparação dos dados, agregação, amostragem, redução da dimensionalidade dos dados, seleção de subconjuntos de características, discretização e binarização, e transformações das variáveis [2]. Seguindo-se então com as etapas de análises quantitativas e qualitativas, pertinentes ao processo de modelagem de Inteligência do negócio. Nessa etapa, algoritmos de regras de Associações e Correlações, Busca por Padrões Frequentes de Mineração, Classificação e Regressão para Análise Preditiva, Análise de Cluster, Análise de Outlier, regressão, detecção de anomalias e desvios, entre outros, podem ser utilizados [3]. Esse conhecimento será utilizado também no incremento da usabilidade da interface e evolução dos requisitos de IHC (Interação Humano-Computador). Tem-se em [4] que a mineração de dados concentra-se em métodos escalonáveis e automáticos enquanto que métodos em IHC se concentram em técnicas de interação e visualização que alavancam a mente humana. Ainda de acordo com [4], a mineração de dados ajuda na escalabilidade, automação e recomendação (por exemplo, sugere pontos de partida de análise) enquanto que, HCI ajuda na explicação, visualização e interação - combinando o melhor dos dois mundos - para sintetizar novos métodos e sistemas que ajudam as pessoas a se entenderem e interagirem entre si [4]. Diversos métodos podem ser estudados e evoluídos para aplicação de ambos os conceitos como em problemas de Roteamento de Atenção, Mixed-Initiative Graph Sensemaking, Escalonamento, entre outros. [1] Intelligent Systems Reference Library, Volume 12. Editors-in-Chief. Prof. Janusz Kacprzyk. Systems Research Institute. Polish Academy of Sciences.[2] Introduction to Data Mining. Pang-Ning Tan (Autor), Michael Steinbach (Autor), Vipin Kumar (Autor). Editora : Pearson; 2nd Revised ed. edição (4 janeiro 2018)[3] Data Mining: Concepts and Techniques, 3rd Edition. Jiawei Han, Micheline Kamber, Jian Pei. [4] Data Mining Meets HCI: Making Sense of Large Graphs Duen Horng (Polo) Chau July 2012. CMU-ML-12-103[5] Horizons in Computer Science Research (pp.1-46)Chapter: 1- Publisher: Nova Science Publ. Project: Fundamentals of AI methods application in HCI engineering. Maxim Bakaev. Jan 2018