Εργασία 01: Νανούρης Νικόλαος

Ερευνητική Εφαρμογή

 

     Μια από τις πολλές χρήσιμες εφαρμογές που θα μπορούσαν να έχουν οι αλγόριθμοι  εξόρυξης πληροφορίας βρίσκεται στο χώρο της Παρατηρησιακής Αστροφυσικής. Η παρατήρηση στην Αστρονομία είναι ιδιαίτερα σημαντική, καθώς πάιζει το ρόλο του ‘‘πειράματος’’ στη Φυσική. Η διαδικασία συλλογής δεδομένων στηρίζεται τόσο σε δορυφορικά όσο και σε επίγεια όργανα με σημαντικό μέρος των τελευταίων να είναι πλέον ρομποτικά και συνεπώς απόλυτα αυτοματοποιημένα. Έτσι λοιπόν, ο όγκος των δεδομένων είναι πολύ μεγάλος και η παρέμβαση του ανθρώπου τείνει να γίνει αμελητέα.

     Στην περίπτωση αυτή, οι αλγόριθμοι εξόρυξης πληροφορίας θα μπορούσαν να αξιοποιηθούν σε διάφορα προγράμματα ταξινόμησης. Σαν ένα απλό παράδειγμα, αναφέρουμε τη φασματική ταξινόμηση, δηλαδή την εκτίμηση του φασματικού τύπου (και συνεπώς της ενεργούς θερμοκρασίας) αστέρων οι οποίοι, για διάφορους λόγους, δεν είχαν μελετηθεί στο παρελθόν. Στη συγκεκριμένη περίπτωση, θα ήταν απαραίτητη η χρήση φασματογράφων προσαρμοσμένων στα τηλεσκόπια και ενός ειδικού λογισμικού το οποίο θα καταχωρούσε τις χαρακτηριστικές παραμέτρους των φασμάτων (π.χ. παρουσία γραμμών υδρογόνου, μεταλλικότητα κ.λ.π.) σε μια βάση δεδομένων. Στη συνέχεια, ένα δεύτερο λογισμικό επεξεργασίας των πιο πάνω δεδομένων θα ακολουθούσε μια μεθοδολογία εξόρυξης πληροφορίας και θα μπορούσε να συνθέσει ταχύτατα τη λίστα των αστέρων μαζί με το φασματικό τους τύπο.

 

Επιχειρηματική Εφαρμογή

 

     Στον επιχειρηματικό χώρο οι αλγόριθμοι εξόρυξης πληροφορίας θα μπορούσαν να αποτελέσουν χρήσιμο εργαλείο στον τομέα της πρόσληψης προσωπικού. Δεν είναι λίγες οι επιχειρήσεις οι οποίες μετά την προκήρυξη κάποιας κενής θέσης προχωρούν στην εξέταση βιογραφικών τα οποία αποστέλλονται μέσω ηλεκτρονικής αλληλογραφίας. Στην περίπτωση αυτή, ο υπέυθυνος προσλήψεων εξετάζει τα βιογραφικά και παίρνει τις σχετικές αποφάσεις μετά από κάποιο σημαντικό χρονικό διάστημα. Εκείνο όμως που θα μπορούσε να κάνει είναι η προώθηση μιας συγκεκριμένης φόρμας την οποία θα συμπληρώνουν οι ενδιαφερόμενοι. Ανάλογα με τα κριτήρια που θα επιλέγει ο ίδιος, θα μπορούσε να ακολουθήσει κάποια μεθοδολογία εξόρυξης πληροφορίας η οποία θα ταξινομούσε τους υποψήφιους εργαζόμενους κατά σειρά προτεραιότητας. Η τεχνική αυτή θα έδινε τη δυνατότητα στον υπέυθυνο διαχείρισης του ανθρώπινου δυναμικού να διαφοροποιεί κατά βούληση τα κριτήρια επιλογής με άμεση αναδιαμόρφωση της κατάταξης. Η τεχνική αυτή θα ήταν μάλιστα ιδιαίτερα επιτυχής σε θέματα προσλήψεων στο δημόσιο τομέα οπότε και ο αριθμός των αιτήσεων είναι συνήθως μεγάλος.

Advertisements

3 responses to “Εργασία 01: Νανούρης Νικόλαος

  1. Νίκο πώς από δω; Σου λείπει μάθημα ;-)

    Μάλλον διαφωνώ με τις ιδέες που κατέθεσες. Και οι δύο εφαρμογές, όπως τις παρουσιάζεις, δεν κάνουν κάποιου είδους εξόρυξη “άγνωστης” πληροφορίας αλλά εφαρμόζουν κάποιο ντετερμινιστικό αλγόριθμο στα δεδομένα, προκειμένου να καταλήξουν στην τιμή μιας εξαρτημένης μεταβλητής η οποία εξαρτάται από τις επεξηγημετικές αυτής, με τρόπο ο οποίος έχει προκαθοριστεί από το χρήστη. Μοιάζει δηλαδή απλά με ένα SQL query στη βάση.

    Στην πρώτη εφαρμογή, αυτό που μπορώ να φανταστώ, είναι να μπορούσε να διαγνωστεί κάποια “σχέση” μεταξύ των τιμών κάποιων από τις μεταβλητές που καταγράφονται, η οποία δεν ήταν γνωστή εκ των προτέρων (δεν ξέρω κατά πόσον αυτό είναι δυνατόν όταν οι νόμοι που συνδέουν τα χαρακτηριστικά αυτά είναι ντετερμινιστικοί και μάλλον εκ των προτέρων γνωστοί – είναι;)

  2. Νίκο, εύστοχα παραδείγματα, άριστα 5/5.
    Αναφορικά με το πρώτο και τα όσα περιγράφεις σαν τελικό στόχο αυτού, ίσως να μπορούσε να προχωρήσει ένα βήμα παραπέρα (είναι έγκυρη στο βαθμό αυτό η παρατήρηση του Γιώργου). Σε κάθε περίπτωση ωστόσο, ο βαθμός λεπτομέρειας και η άμεση εφαρμοστικότητα δεν ενδιαφέρει πολύ στα πλαίσια της παρούσας εργασίας.
    Αναφορικά με το δεύτερο, δες εδώ πως επιλέγει τα στελέχη της η Google: http://www.nytimes.com/2007/01/03/technology/03google.html

  3. Αναφορικά με το δεύτερο, “…The answers are fed into a series of formulas created by Google’s mathematicians that calculate a score — from zero to 100 — meant to predict how well a person will fit…”. -> Εκ των προτέρων γνωστοί οι κανόνες λοιπόν.

    Ενδιαφέρον και το φινάλε, ως προς τις προσδοκίες:

    …Indeed, there is some resistance even at Google to the idea that a machine can pick talent better than a human.

    “It’s like telling someone that you have the perfect data about who they should marry,” Dr. Carlisle said….

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s