Wprowadzenie

W dobie zalewu danych, wyciąganie wartościowych informacji z nieustrukturyzowanych tekstów (np. raportów straży pożarnej) to ogromne wyzwanie. Moja praca konferencyjna z 2015 roku, The Cascading Knowledge Discovery in Databases (CKDD) Process in Information System Development, proponuje metodę, która łączy odkrywanie wiedzy w bazach danych (KDD) z analizą jakościową, aby usprawnić projektowanie systemów informacyjnych (IS).

Kluczowe Wnioski

1. Problem: Tradycyjne IS często nie nadążają za zmieniającymi się wymaganiami użytkowników, a kluczowe dane giną w tekście.

2. Rozwiązanie: Proces CKDD restrukturyzuje dane kaskadowo, wykorzystując:

   • Eksplorację tekstu: Klasyfikację segmentów (np. „akcja ratunkowa”, „sprzęt”).

   • Analizę błędów: Narzędzia FMEA i SFTA do identyfikacji słabych punktów systemu.

   • Analizę pojęć formalnych (FCA): Tworzenie taksonomii (np. typy hydrantów).

3. Studium przypadku: CKDD przekształcił raporty polskiej straży pożarnej w uporządkowaną bazę danych o hydrantach.

Jak to działa?

1. Krok 1: Analiza istniejącego IS (np. raportów) pod kątem luk (FMEA/SFTA).

2. Krok 2: Klasyfikacja tekstu (uczenie nadzorowane) do kategorii takich jak „operacja” czy „uszkodzenia”.

3. Krok 3: Ekstrakcja danych (np. numery hydrantów) za pomocą wzorców i FCA.

4. Krok 4: Budowa nowego IS ze strukturalnymi danymi, np. mapą sprawnych hydrantów.

Wyniki

• 73% hydrantów było sprawnych; 2% wymagało naprawy.

• Geotagging ujawnił obszary częstych interwencji (np. Śródmieście w Warszawie).

• Wyszukiwanie semantyczne było o 40% dokładniejsze niż przeszukiwanie pełnotekstowe.

Dlaczego to ważne?

Metoda CKDD ma zastosowanie nie tylko w straży pożarnej, ale też w logistyce, służbie zdrowia czy administracji—tam, gdzie dane tekstowe wymagają uporządkowania.

Pełna publikacja: DOI Link