Consulta la tesi - AREA Science Park

38
Capitolo I – La gestione della conoscenza
quella disponibile da altre fonti e con l’accumulazione precedente delle persone, diviene
poi conoscenza e risulterà idonea ad affrontare problemi ed esplorare campi differenti da
quelli per i quali era stata originariamente prodotta.
Per supportare e permettere il passaggio da dato a conoscenza esistono strumenti che
possono essere raccolti tutti sotto la definizione di strumenti per Knowledge Managment.
Tra questi il “Data Mining” o KDD.
C’è confusione tra il significato esatto dei termini “Data Mining” e “KDD”: molti autori,
infatti, li considerano sinonimi. Nella prima conferenza internazionale di KDD a Montreal
nel 1995, fu proposto che il termine “KDD” fosse impiegato per descrivere l’intero
processo di estrazione di conoscenza. In questo contesto la conoscenza è data dal peso
delle relazioni fra i concetti estratti. Fu poi proposto che il termine “Data Mining” fosse
utilizzato esclusivamente per il passo di scoperta nel processo KDD.
La conoscenza deve essere nuova, non ovvia e si deve essere in grado di utilizzarla. La
KDD non è una nuova tecnica, è piuttosto un campo di ricerca multi-disciplinare:
contribuiscono ad esso l’apprendimento artificiale, la statistica, la tecnologia dei database, i
sistemi esperti, i sistemi di visualizzazione di dati, ecc.
Estrazione di Conoscenza (KDD). La Knowledge Discovery in Database (KDD), o
estrazione di conoscenza da database, è definita, secondo la terminologia di Frawley
(1991) come il processo d’estrazione di informazioni implicite, precedentemente
sconosciute e potenzialmente utili da database. Più in generale si parla di Knowledge
Discovery (KD) per riferirsi al processo di estrazione della conoscenza e di data mining
come una particolare fase del KDD, ossia l'applicazione di uno specifico algoritmo per
l'individuazione di associazioni, "patterns", sequenze ripetute, regolarità, nascoste nei dati.
In base al tipo di database da analizzare, si distingue tra DM (Data Mining, dal verbo
inglese to mine, cioè scavare in profondità), l’estrazione di informazione da dati strutturati
e TM (Text Mining) o KDT (Knowledge Discovery in Text), l’estrazione di informazione
da dati non strutturati (dati testuali). Per un processo classico di DM si veda la Figura 14.