Qualidade de Dados - Dataprev

Escalabilidade e Eficiência em Técnicas de Resolução de Entidades
Wagner Meira Junior
E o que temos feito atualmente? Continuamos o trabalho de limpeza e padronização
de nomes, fonetização de nomes e endereços. Um importante recurso utilizado
por quem tem demanda de pareamento tem sido o software Reclink, desenvolvido
pela Universidade Federal do Rio de Janeiro (UFRJ) e a Universidade Estadual
do Rio de Janeiro (UERJ), em
parceria com outras instituições
como o IBGE e a
Ministério da Saúde. Executado
em máquina individual,
permite um processo de
limpeza e padronização de
endereços muito interessante.
Estamos trabalhando na
integração com o Reclink, de
modo a integrar efetivamente
essa tecnologia já desenvolvida
por eles.
A exploração de ontologias e
hierarquias de conceito
geográficas é uma das áreas
onde temos feito mais
pesquisas, pois o pareamento
depende do uso de
critérios sintáticos. Normalmente,
utiliza-se a mesma
cidade, o mesmo município.
Só que incorporar o conhecimento
de ontologias e hierarquias de conceito geográficas nesse contexto permite
ver coisas muito mais interessantes. Por exemplo, dificilmente se considera o
canal que um rio ou uma rodovia gera. Há muitos casos de municípios vizinhos
separados por uma montanha, o que torna a distância efetiva entre eles muito
maior do que a distância linear, o que é diferente dos municípios conectados por
uma rodovia. A construção da linha de cuidado do paciente permite ver nitidamente
os fluxos migratórios entre, por exemplo, posto de Saúde da Família e clínicas
localizadas em pólos regionais, que são mais acessíveis por contar com uma
rodovia ligando as localidades. Outra destacada frente de trabalho tem sido as
novas técnicas de blocagem, com ênfase na questão da ponderação. Utilizando
técnicas de computação natural, temos buscado quais são os mecanismos de
ponderação da blocagem mais interessantes e mais importantes.
Por fim, o uso de Graphical Processor Unit (GPU) tem nos permitido aumentar
ainda mais o poder das estações de trabalho. A placa de vídeo é um coprocessador
poderosíssimo, desde que se saiba utilizá-la. A placa que utilizamos, a
NVidia, custa cerca de mil reais e permite acelerar o processamento na ordem de
trinta a quarenta vezes. Os números que mostrei foram gerados sem a placa de
vídeo. A geração de dados com essa placa de vídeo tem sido ainda mais rápida.
Gostaria de mencionar outros casos de pareamento envolvendo várias combinações
de bases. Um exemplo interessante diz respeito ao trabalho executado com a
Caixa Econômica Federal para avaliar a regra de unicidade até então utilizada. A
nova regra de unicidade tem se mostrado muito boa. Melhorou em 60% a eficácia
em relação à anterior. Aproveitamos a oportunidade para aplicar um pareamento
probabilístico e conseguimos demonstrar que, se fosse o caso, seria possível
encontrar 8% mais pares nas amostras, que eram da ordem de 2 milhões de
Fórum de TIC Dataprev
Figura 6
Arquitetura Geral do
Sistema
Fonte: Projeto Pareia.
Disponível em: www.speed.dcc.ufmg.br/trac/feraparda/.
Qualidade de Dados 43