التعلم النشط في مراقبة جودة البيانات: استعراض

تلعب جودة البيانات دورًا حيويًا في البحث العلمي وصنع القرار عبر الصناعات. لذا، من الضروري تضمين عملية مراقبة جودة البيانات (DQC)، والتي تشمل مجموعة من الإجراءات والعمليات للكشف عن أخطاء البيانات وتصحيحها. لقد زاد اعتماد تقنيات التعلم الآلي (ML) في مجالات مختلفة من القلق حول جودة البيانات في هذا المجال. من ناحية أخرى، فإن قدرة التعلم الآلي على كشف الأنماط المعقدة تجعلها مناسبة لمعالجة التحديات المشاركة في عملية مراقبة الجودة. ومع ذلك، تتطلب طرق التعلم المراقب بيانات مصنفة بكثرة، بينما تعتمد طرق التعلم غير المراقب بشكل كبير على التوزيع الأساسي للبيانات. يقدم التعلم النشط (AL) حلاً واعدًا من خلال اختيار نقاط البيانات بصفة استباقية للفحص، مما يقلل من عبء تصنيف البيانات على الخبراء في المجال. لذلك، يركز هذا الاستعراض على تطبيق التعلم النشط في مراقبة جودة البيانات. بدءًا من مراجعة مشكلات جودة البيانات الشائعة والحلول في مجال التعلم الآلي، نهدف إلى تعزيز فهم طرق تقييم الجودة الحالية. ثم نقدم سيناريوهين لتوضيح اعتماد التعلم النشط في أنظمة مراقبة الجودة على مهمة الكشف عن الشذوذ، بما في ذلك الأساليب المستندة إلى المسبح والأساليب المستندة إلى التدفق. أخيرًا، نقدم التحديات المتبقية والفرص البحثية في هذا المجال.