طراحی سیستمهای اطلاعاتی مبتنی بر گراف دانش برای کشف رابطه های پنهان

در معماری های سنتی مدیریت داده فراداده اغلب به عنوان یک موجودیت حاشیه ای و توصیفی تلقی می شود که در کاتالوگ های ایستا یا واژه نامه های جداگانه نگهداری می شود. با رشد نمایی حجم، تنوع و سرعت تولید داده ها در عصر کلان داده این پارادایم سنتی دیگر کارآمد نیست. این مقاله استدلال می کند که برای حل چالش های پیچیده، کشف، اعتماد، تفسیرپذیری و حکمرانی داده نیازمند ارتقای فراداده به جایگاه شهروند درجه یک در سیستم های اطلاعاتی هستیم. ما یک معماری نوآورانه به نام «گراف هسته ای فراداده» (Core Metadata Graph - CMG) ارائه می دهیم که در آن یک گراف دانش به عنوان هسته مرکزی عمل کرده و تمامی ابعاد فراداده فنی، تجاری، عملیاتی و حکمرانی را در یک مدل یکپارچه معنایی و قابل استدلال ادغام می کند. این معماری فراداده را از یک کاتالوگ منفعل به یک شبکه پویا و فعال تبدیل می کند که امکان کشف رابطه های پنهان، ردیابی تاثیر خط سیر داده، تفسیرپذیری خودکار مدل های یادگیری ماشین و اجرای حکمرانی مبتنی بر زمینه را فراهم می آورد. ما یک نمونه اولیه از این معماری را پیاده سازی کرده و آن را در یک مطالعه موردی واقعی در حوزه سلامت دیجیتال ارزیابی نموده ایم. نتایج نشان می دهد که CMG می تواند میانگین زمان ریشه یابی خطاهای داده را تا ۶۸ کاهش داده و دقت کشف وابستگی های حیاتی سیستم را تا ۴۵ افزایش دهد. این مقاله به مهندسان، داده معماران اطلاعات و محققان حوزه مدیریت داده کمک می کند تا به سوی طراحی سیستم های اطلاعاتی خود توصیف، قابل اعتماد و پیش کنشگر حرکت کنند.

کلیدواژه ها:

مدیریت فراداده ، گراف دانش ، داده های پیوند شده ، خط سیر داده ، حکمرانی داده ، تفسیرپذیری ، هوش مصنوعی ، وب معنایی ، معماری اطلاعات