- عنوان کتاب: Discount Quality for Responsible Data Science Human-in-the-Loop for Quality Data
- نویسنده: Barbara Pernici, Tiziana Catarci
- حوزه: کیفیت داده
- تعداد صفحه: 104
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 3.81 مگابایت
آمادهسازی دادهها پیشنیاز برنامههای مدرن، بهویژه پروژههای تحلیل دادهها، هوش مصنوعی و یادگیری ماشین است. کیفیت دادهها برای دستیابی به نتایج مطلوب بسیار مهم است. با این حال، به دلیل حجم بالا و تنوع منابع داده، فعالیتهای آمادهسازی دادهها که برای دستیابی به سطوح کیفی مناسب مورد نیاز هستند، ممکن است به راحتی ناپایدار شوند. علاوه بر این، برخی از تلاشهای آمادهسازی ممکن است غیرضروری شوند، اگر منجر به بهبودهای ناچیز یا تکرار اقدامات انجامشده در زمینههای دیگر شوند. در این کتاب، ما یک رویکرد کیفی «تخفیف» برای تحلیل دادههای علمی پیشنهاد میکنیم و تکنیکهای پیشرفتهای را برای دنبال کردن علم دادههای مسئولانه، یعنی طراحی خطوط لوله تحلیل دادههای پایدار مبتنی بر رویکردهای انسان در حلقه (HITL) برای دستیابی به دادههای باکیفیت، مورد بحث قرار میدهیم. نتایج اصلی بر توسعه رویکردهای HITL پایدار مبتنی بر وظیفه و زمینه برای آمادهسازی دادهها، تحلیل کیفیت دادهها و تجسم دادهها، بر اساس روشها و نظریههایی برای کاهش حاشیهنویسیها و فضای پردازش و زمان، که از تخمین ارزیابی تلاش محاسباتی انسانی مورد نیاز و الزامات وظیفه خاص شروع میشود، متمرکز است. پژوهش ارائه شده بر موضوعات زیر تمرکز دارد: – اکوسیستمهای داده: شناسایی مدلها و معماریهای مرجع برای مشخص کردن و توصیف دادهها و خطوط لوله به شیوهای شفافتر و قابل تفسیرتر، به طوری که بتوانند توسط مصرفکنندگان شخص ثالث (انسانها و ماشینها، به عنوان مثال، موتورهای جستجوی داده) بهتر پیدا و درک شوند و در نهایت مورد استفاده مجدد قرار گیرند، همانطور که توسط چندین طرح اتحادیه اروپا برای تقویت اقتصاد داده و علوم باز توصیه شده است. ناشران داده باید با الگوریتمها و ابزارهایی پشتیبانی شوند که به طور قابل توجهی تلاشی را که میتوانند به یک کار خستهکننده و کماهمیت اختصاص دهند، کاهش دهند. – آمادهسازی دادهها: مطالعه تمام جنبههای مربوط به مداخله انسان در خطوط لوله آمادهسازی دادهها. این شامل چندین فعالیت است و به طور خاص، ما تحقیقات خود را بر مدیریت منابع کمیاب و انگیزه کاربر در کارهای تکراری مانند برچسبگذاری، غنیسازی دادهها و تمیز کردن متمرکز میکنیم. مشارکت انسان در این فعالیتها باید به طور سیستماتیک ارزیابی شود تا تلاش به حداقل برسد و در عین حال کیفیت و اهمیت نتایج حفظ شود. – ارزیابی کیفیت دادهها: سنجش میزان تناسب دادهها با وظیفه مورد نظر در مراحل گوناگون خطلولههای آمادهسازی دادهها (یعنی پیش از پیشپردازش، پس از آن، و پس از تحلیل دادهها) به منظور ارزیابی عدم قطعیت نتایج؛ طبقهبندی بهبودهای خطلوله با هدف ارائه روشهایی برای پیشنهاد راهکارها و کاهش تلاشهای انسانی در مراحل آمادهسازی و پروفایلسازی دادهها؛ و فراهمسازی فرآیندی برای تضمین کیفیت دادههای علمی که اغلب دارای مقادیر و ساختارهای غیردقیق هستند. – بصریسازی اطلاعات و تحلیلهای بصری: ارائه یک سیستم منعطف با مشارکت انسان (Human-in-the-loop) که در چرخه آمادهسازی دادهها، مسائل بالقوه مربوط به عملکرد، کیفیت دادهها و چالشهای بحرانی را شناسایی میکند. این سیستم با هدایت کاربر، مشکلات را برطرف کرده، مدل جدیدی ایجاد میکند و این چرخه را تا دستیابی به مدلی رضایتبخش ادامه میدهد. لایه تحلیلهای بصری، با به حداقل رساندن تأخیر (Latency)، تعادلی میان دقت نتایج و تعاملپذیری سیستم برقرار میکند؛ این امر از طریق تکنیکهای پیشبینیکننده برای حدس زدن تعاملات کاربر و استفاده از بصریسازیهای تدریجی (Progressive visualizations)، تجربهای روان را در تحلیل اکتشافی دادهها تضمین مینماید. این رویکردهای ترکیبی، جریان کاری کارآمدتری را فراهم میکنند و به تحلیلگران اجازه میدهند پیش از تکمیل کامل شبیهسازی، به کاوش در دادهها بپردازند؛ بدین ترتیب میتوانند اجراهای (Runs) امیدوارکننده را تأیید و موارد غیرمفید را کنار بگذارند که این کار منجر به صرفهجویی در منابع محاسباتی میشود. پیشبینی تعاملات کاربر همچنین تخصیص بهینه منابع را تسهیل میکند و توان محاسباتی را بر بخشهایی متمرکز میسازد که کاربر در آنها، به دلیل تصمیمگیریهای حساس، دقت را در اولویت قرار میدهد. پژوهش ارائهشده در این کتاب، برآمده از نتایج پروژهای با عنوان «کیفیت داده برای علم داده مسئولانه: مشارکت انسان در چرخه کیفیت دادهها» است. این پروژه با تأمین مالی وزارت دانشگاه و تحقیقات ایتالیا (در قالب برنامه PRIN) و با هماهنگی گروه RAISE (پژوهش در مهندسی سیستمهای اطلاعاتی پیشرفته) از دانشگاه پلیتکنیک میلان (دپارتمان الکترونیک، اطلاعات و مهندسی زیستی) اجرا شده است. در این همکاری، گروههای دیگری نیز مشارکت داشتهاند: آزمایشگاه DatAI (دادهها برای هوش مصنوعی) از دانشگاه میلان-بیکوکا، گروه پایگاه داده (DBGroup) از دانشگاه مودنا و رجیو امیلیا، و گروهی از دانشگاه ساپینزای رم. هدف این کتاب، طرح مسائل اصلی و بحث پیرامون چالشهای توسعه رویکردهای پایدار در آمادهسازی دادهها برای پژوهشگران و شرکتهایی است که در حوزه هوش مصنوعیِ دادهمحور (Data-centric AI) فعالیت میکنند.
Data preparation is a prerequisite in modern applications, in particular data analysis projects, artificial intelligence, and machine learning. The quality of data is crucial for achieving the desired results; however, due to the high volumes and the diversity of data sources, the data preparation activities that are needed to reach adequate quality levels may easily become unsustainable. Moreover, some preparation efforts may become unnecessary, if they result in negligible improvements or duplicate actions already performed in other contexts. In this book, we propose a “discount” quality approach for scientific data analysis, discussing advanced techniques for pursuing responsible data science, i.e., to design sustainable data analysis pipelines based on Human-in-the-Loop (HITL) approaches for achieving quality data. The main results focus on developing task-and context-driven sustainable HITL approaches for data preparation, data quality analysis, and data visualization, based on methods and theories to reduce the annotations and the processing space and time, which starts from the estimation of the needed human computing effort evaluation and the requirements of the specific task. The presented research focuses on the following topics: – Data ecosystems: identifying reference models and architectures to specify and describe data and pipelines in a more transparent and interpretable manner, so that they can be better found and understood by third-party consumers (humans and machines, e.g., data search engines) and eventually reused, as recommended by several EU initiatives to foster both the data economy and Open Science. Data publishers must be supported with algorithms and tools that substantially reduce the effort they can afford to dedicate to a tedious and low-priority task. – Data preparation: studying all aspects related to human intervention in data prepa-ration pipelines. This includes several activities, and in particular, we focus our research on the management of scarce resources and user motivation in repetitive tasks such as labeling, data enrichment, and cleaning. Human involvement in these activities must be systematically evaluated to minimize effort while preserving the quality and significance of the outcomes. – Data quality evaluation: evaluating the suitability of data to the task at hand in different stages of the data preparation pipelines (i.e., before and after data prepro-cessing, after data analysis) to evaluate the uncertainty of the results; classify pipeline improvements, toward methods for suggesting and minimizing human efforts in data preparation and profiling; providing a data quality assurance process for scientific data characterized by imprecise values and structures. – Information Visualization and Visual Analytics: providing a flexible human-in the-loop system that, in a data preparation cycle, identifies potential performance, data quality, and critical issues, guided by the user, resolves them to generate a new model and continues this cycle until a satisfactory model is achieved. The visual analytics layer balances the trade-off between result accuracy and interactivity by minimizing latency, ensuring a smooth exploratory data analysis experience through predictive techniques for anticipating user interactions and progressive visualizations. These combined approaches enable a more efficient workflow, allowing analysts to explore data ahead of simulation completion, confirming promising runs and discarding unproductive ones, thereby conserving computa-tional resources. Predicting user interactions also facilitates optimal resource allo-cation, focusing computational power on areas where the user prioritizes accuracy for critical decision-making. The research presented in this volume is based on the results of the project “Discount quality for responsible data science: Human-in-the-Loop for quality data,” funded by the Italian Ministry of University and Research under the PRIN Programme, a collaborative project coordinated by the RAISE (Research on Advanced Information Systems Engineering) group of Politecnico di Milano, Depart-ment of Electronics, Information, and Bioengineering, together with the DatAI Lab— Data for Artificial Intelligence of University of Milano-Bicocca, the DBGroup of University of Modena and Reggio Emilia, and the group of Sapienza Università di Roma. The aim of the book is to present the main issues and discuss the challenges of developing sustainable approaches to data preparation for researchers and companies developing systems in the data-centric AI sector.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Discount Quality for Responsible Data Science Human-in-the-Loop for Quality Data

نظرات کاربران