{"id":18239,"date":"2021-07-01T07:04:00","date_gmt":"2021-07-01T07:04:00","guid":{"rendered":"http:\/\/pragmaetimos.com\/it\/?p=18239"},"modified":"2024-04-30T12:52:20","modified_gmt":"2024-04-30T10:52:20","slug":"big-data-e-clusterizzazione-semantica","status":"publish","type":"post","link":"https:\/\/pragmaetimos.com\/it\/big-data-e-clusterizzazione-semantica\/","title":{"rendered":"Big Data e Clusterizzazione Semantica: come creare valore a partire dai dati non strutturati"},"content":{"rendered":"

[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.20.0″ background_color=”#000219″ global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text _builder_version=”4.16″ _module_preset=”default” header_2_font=”|||||on|||” header_3_font=”|||||on|||” header_2_font_size_tablet=”” header_2_font_size_phone=”26px” header_2_font_size_last_edited=”on|phone” header_3_font_size_tablet=”” header_3_font_size_phone=”22px” header_3_font_size_last_edited=”on|phone” global_colors_info=”{}”]<\/p>\n

Oggi la sfida delle organizzazioni \u00e8 creare informazione, innovazione e valore a partire dai Big Data<\/strong>. I Dati, infatti, sono l\u2019energia vitale <\/strong>che alimenta tutti i processi aziendali, i progetti e le strategie.<\/p>\n

\u00a0<\/strong><\/p>\n

L\u2019importanza dei Big Data<\/strong><\/h2>\n

Il mercato odierno si caratterizza per la sua destabilit\u00e0, da una parte dovuta alla rapidit\u00e0 con cui si sviluppano nuove tecnologie e, dall\u2019altra, dovuta alla competizione sempre pi\u00f9 crescente che porta i mercati alla saturazione. Ne consegue che per riuscire ad emergere, le aziende devono continuamente innovarsi e stare al passo con i tempi.<\/p>\n

Con lo sviluppo di nuovi dispositivi, modi di interagire tra persone e macchine, la mole di dati a disposizione delle organizzazioni \u00e8 cresciuta a dismisura. Analizzare quest\u2019enorme mole di dati porterebbe a una nuova conoscenza in grado di guidare le aziende verso decisioni pi\u00f9 consapevoli. Non \u00e8 un caso, infatti, che le forze di mercato stiano premiando le organizzazioni che utilizzano i Big Data<\/strong> e si fanno guidare da essi. Tuttavia, per raggiungere risultati positivi le organizzazioni devono essere in grado di raccogliere e usare i dati in modo strategico.<\/p>\n

\u00a0<\/strong><\/p>\n

Le V dei Big Data<\/strong><\/h3>\n

Nel 2021 Douglas Laney<\/strong> cre\u00f2 il \u201cModello delle 3V<\/em>\u201d in cui descrisse le tre caratteristiche principali dei Big Data. La prima sta per volume <\/strong>ed indica l\u2019enorme dimensione dei dati generati e raccolti. La seconda riguarda la variet\u00e0 <\/strong>dei dati raccolti che possono avere diverse forme ed essere strutturati, semi-strutturati o non strutturati come ad esempio testi, pagine web, video e audio. L\u2019ultima fa riferimento alla velocit\u00e0<\/strong> con cui i dati vengono generati.<\/p>\n

A queste 3 V se ne sono aggiunte altre negli anni. La quarta V \u00e8 la veridicit\u00e0<\/strong>, cio\u00e8 la qualit\u00e0 e significativit\u00e0 dei dati raccolti e\/o elaborati. Poi ci sono la valenza<\/strong> e la visualizzazione<\/strong>. La prima indica il grado di connessione del dato con altri dati e la visualizzazione, mentre la seconda la necessit\u00e0 di riassumere in maniera visuale e facilmente interpretabile i dati pi\u00f9 rilevanti e la conoscenza estratta da essi.<\/p>\n

\u00a0<\/strong><\/p>\n

La grande sfida dei Big Data<\/strong><\/h2>\n

La maggior parte dei Big Data sono in forma non strutturata perch\u00e9 scritti in linguaggio umano (o naturale), di difficile comprensione per le macchine. Ecco quindi che iniziamo ad accumulare dati destrutturati che il software non sar\u00e0 in grado di classificare e di conseguenza, non potr\u00e0 restituire dati che diventino informazioni utili a costruire le nostre strategie di business. Per ovviare a questo limite, negli ultimi anni sono stati creati e perfezionati algoritmi di Natural Language Processing<\/strong> (NLP).<\/p>\n

 <\/p>\n

Natural Language Processing e Clusterizzazione Semantica<\/strong><\/h3>\n

L\u2019NLP \u00e8 una branca a cavallo tra Intelligenza Artificiale e Linguistica. \u00c8 volta a far interpretare e comprendere alla macchina il linguaggio naturale, con l\u2019obiettivo di trasformare dei testi scritti in dati ben strutturati e classificati, su cui svolgere successive analisi volte a creare valore per l\u2019organizzazione. Possiamo intuire la complessit\u00e0 di tale processo date le continue mutevolezze del linguaggio umano. I dati devono essere analizzati anche dal punto di vista semantico, capendo il significato delle singole parole e la relazione tra esse.<\/p>\n

La Clusterizzazione Semantica<\/strong> \u00e8 quel processo che permette alla macchina di suddividere le parole in cluster a seconda del loro contenuto semantico. In altre parole, prende dati destrutturati e li struttura e classifica in modo che la macchina riesca a restituire informazioni utili. Grazie ad essa, per esempio, possiamo usufruire dei servizi di Sentiment Analysis per i contenuti sul web, o possiamo rendere pi\u00f9 veloci i processi di recruiting\u00a0e\u00a0people management <\/em>nel campo delle Risorse Umane.<\/p>\n

In conclusione, non basta raccogliere dati non curandosi del metodo di raccolta e pensando che accumularne in grandi quantit\u00e0 sia sufficiente a creare valore. Perch\u00e9 essi portino valore all\u2019organizzazione sono necessari gli accorgimenti qui sopra descritti.<\/p>\n

\u00a0<\/strong><\/p>\n

Le soluzioni di Pragma Etimos<\/strong><\/h2>\n

Sviluppiamo modelli di dati strutturati e classificati (Intelligence Data Table) frutto di anni di innovazione in campo semantico e li usiamo come base per la costruzione di modelli neuronali, collegamenti territoriali e analisi semantiche. Ricaviamo cos\u00ec informazioni da dati destrutturati, creandone relazioni e classificandoli in modo che siano riutilizzabili in modo analitico e strategico.<\/p>\n

Vantaggi<\/strong>:<\/p>\n