Проблемы и их решения извлечения знаний из баз данных

Математическая теория нечетких множеств и нечеткая логика, являющиеся обобщениями классической теории множеств и формальной логики, предназначены для построения нечетких и приближенных рассуждений при описании человеком процессов и систем. Однако высокая неопределенность в построении функций принадлежности и формирование множественного ответа существенно снижают качество нечеткого вывода

Таким образом, известные методы извлечения знаний являются недостаточными и требуют дополнительного анализа и разработки с учетом специфики информационных систем.

Поэтому целесообразна разработка методов извлечения знаний, ориентированных на:

• использование на всех уровнях организации информационной системы;
• формирование четкой системы зависимостей оптимальной сложности;
• расширение системы зависимостей исключениями, обеспечивающими ее надежность и совершенствование;
• возможность выявления зависимостей независимо от специфики наборов данных;
• формирование устойчивой системы эмпирических знаний, описывающей предметную область с требуемой точностью;
• эффективную обработку данных в процессе решения информационных задач.

ЗАКЛЮЧЕНИЕ

Фактически уже тридцать лет ученые всего мира занимаются вопросами извлечения знаний из БД и, несмотря на короткий срок, достигли определенных успехов. Уже сегодня можно сказать, что у нас хватает технических средств для преобразования данных в знания.

Однако проблемы извлечения знаний из БД, так же остро стоят перед обществом. Сообразно с этим, можно сделать вывод, что «упущена» не технология. «Упущен» тот факт, что ни одна существующая, и ни созданная в разумной перспективе, интеллектуальная система извлечения знаний не в состоянии заменить человека – она всего лишь мощный инструмент для облегчения и улучшения его работы.

Таким образом, для того, чтобы добиться эффективных результатов в процесс извлечения знаний, должны быть вовлечены следующие группы специалистов:

• Ряд «ведущих ученых», к примеру, кандидат наук в области статистики, Data Mining, который может не только сообщить алгоритм поиска данных и выбрать нужную модель, но и интерпретировать полученные результаты.
• Руководители, которые понимают потенциал анализа данных и поддерживают усилия по предварительной качественной переподготовке данных.
• Аналитики среднего звена, которые знают, какие именно данные имеются и как к ним обратиться.
• Специалисты по информационным технологиям, которые представляют себе целостную картину и могут создать в пользовательской организации условия для работы с данной технологией, учитывая разную степень «дружелюбности» интерфейса подобных систем.

По сути, ключевым моментом успешного применения интеллектуальных систем извлечения знаний является понимание возможностей подобных систем и наличие высококвалифицированных специалистов. А анализ существующего рынка программных средств извлечения знаний дает возможность оценить достоинства и недостатки существующих методов, проверить эффективность различных реализованных методов извлечения знаний.

ЛИТЕРАТУРА

1. Дюк В.А., Самойленко А.П. Data Mining: учебный курс – СПб: «Питер», 2001 – 368 с.

2. Дюк В.А. Обработка данных на ПК в примерах. - СПб: Питер, 1997.

3. Дюк В.А. Осколки знаний// Экспресс- Электроника, 2002, № 6, С. 60-65.

4. Нежданов И.Ю. Knowledge Discovery in Databases и Data Mining. – М., 2008.

5. Herbert A. Edelstein. Introduction to Data Mining and Knowledge Discovery Third Edition // Two Crows Corporation. – 2005.

6. Fayyad U., Piatetsky-Shapiro G. Advances in Knowledge Discovery and Data Mining // MIT Press. – 1996.

7. Чубукова И А. Data Mining // ИНТУИТ – 2006.