Capitale intellettuale e amministrazioni pubbliche - Cultura in Cifre

CAPITALE INTELLETTUALE E AMMINISTRAZIONI PUBBLICHE90re, spesso, nascosta conoscenza utile ai processi decisionali e all'ottimalerealizzazione dei processi di business. Ciò ha fatto nascere la necessitàdi nuovi algoritmi, tecniche e strumenti per supportare gli utenti nelcompiere analisi su grandi quantità di dati.Il settore scientifico e tecnologico che tratta dell'estrazione di conoscenzautile da grandi insiemi di dati in formato strutturato è notocome knowledge discovery in databases (KDD, introdotto da Frawlaye Piatesky-Shapiro nel 1990) 10 . Il knowledge discovery in databases ècomunemente definito come quel processo "interattivo e iterativo" diestrazione di conoscenza utile da data repository e datawarehouse contenentiinformazioni centrate su specifici argomenti, effettuato attraversola ricerca e interpretazione di pattern e modelli ottenuti avvalendosidell'applicazione ripetuta di tecniche di data mining adeguate. Talitecniche mirano a identificare e caratterizzare le relazioni tra dataset,cercando strutture, tendenze, regolarità e correlazioni, evidenziandoparti significative di conoscenza.Il knowledge discovery in databases, dunque, è basato su tecniche didata mining (DM) che permettono, in modo completamente automatico,l'estrazione di conoscenza da grandi quantità di dati in formatostrutturato. Il data mining consente di identificare e caratterizzare relazionitra insiemi di dati senza richiedere necessariamente che l'utenteformuli delle domande specifiche. Poiché le tecniche di data miningestraggono informazioni e regole precedentemente sconosciute, esseeffettuano la scoperta di nuova conoscenza, differenziandosi, in talmodo, dalle tecnologie tradizionali che eseguono solo la verifica o laricerca della conoscenza disponibile.Il data mining utilizza tecniche, derivate da diverse discipline scientifiche,quali:a) le tecniche statistiche, che sono, per esempio, le più comunementeusate per l'estrazione di conoscenza comportamentale sugliutenti di servizi;b) le regole associative, le quali possono essere usate per collegare serviziutilizzati frequentemente insieme da un utente, sebbene essinon siano direttamente connessi;c) il clustering, usato per individuare gruppi di utenti che mostranopattern comportamentali simili. Il clustering, inoltre, è particolarmenteutile per fornire contenuti personalizzati agli utenti, pereseguire segmentazione di mercato in applicazioni di e-commerce,o per evidenziare le anomalie comportamentali tramite un'analisidelle devianze.10 W.J. FRAWLEY, G. PIATETSKY-SHAPIRO e C.J. MATHEUS, Knowledge Discovery in Databases:An Overview. Knowledge Discovery in Databases, 1991.