Participa con tu nota. Contacto: daniela_ldl@ieee.org.ar

Nota editorial

Excavando información profunda

Entre las técnicas para extraer la información escondida en los datos, se usan las técnicas de agrupación que observan las variaciones internas que se producen en ciertos valores según las circunstancias. Entonces, estas «reacciones» son rastros que se pueden levantar en una maqueta y así se pueden aprender cuáles son las características y comportamientos típicos de los agentes que intervienen en la vida real.

Tradicionalmente, estos algoritmos de agrupamiento parten del conocimiento previo sobre el problema o la actividad que se observa. A partir de allí, aplicando algunos trucos astutos es posible obtener esas maquetas de comportamientos mencionadas. Ahora bien, con los avances en el área de ciencia de datos los científicos han podido mejorar los modelos de agrupamiento tradicionales al introducir ese conocimiento del dominio considerando que a veces la información no es precisa sino ambigua. Contra lo que pudiera parecer, esto mejoró notablemente la capacidad para identificar la estructura de datos subyacente.

Es que en los numerosos enfoques de hoy en día, el agrupamiento se guía con fragmentos de conocimiento mayormente del tipo numérico, sin considerar la naturaleza incierta de la información y otras veces subestimando la complejidad semántica, solo capturable a través de la imprecisión de etiquetas estancas o con lógica difusa.

Justamente para capturar la incertidumbre de la información, los fragmentos de conocimiento numérico puro se amplían a gránulos de conocimiento donde pasan a ser un conjunto de orden difuso. Luego, surgen dos preguntas: cómo obtener conocimiento granular y cómo usar esos gránulos de conocimiento en el agrupamiento.

Los estudios se centran ahora nuevos métodos de extracción y granulación de conocimiento (KEG) y cómo derivar desde allí un modelo de agrupamiento difuso basado en conocimiento granular.

Daniela López De Luise

Academia Nacional de Ciencias de Buenos Aires

Coordinadora Académica CETI

Artículo original:

Fuzzy Clustering With Knowledge Extraction and Granulation, IEEE Transactions on Fuzzy Systems, April 2023