GDR

Améliorer la qualité des données est une opération chronophage, laborieuse et souvent spécifique au domaine. Les approches de réparation des données existantes sont soit entièrement automatisées, soit inefficaces pour impliquer les utilisateurs de manière interactive. Nous présentons une démonstration de GDR, un système de Réparation Guidée des Données qui utilise une approche novatrice pour impliquer efficacement l'utilisateur aux côtés de techniques automatiques de réparation des données afin d'atteindre une meilleure qualité des données le plus rapidement possible. Spécifiquement, GDR génère des réparations de données et acquiert des retours sur celles-ci qui seraient les plus bénéfiques pour améliorer la qualité des données. GDR quantifie le bénéfice de qualité des données des réparations générées en combinant des mécanismes de la théorie de la décision et de l'apprentissage actif. Sur la base de ces scores de bénéfice, des groupes de réparations sont classés et affichés à l'utilisateur. Le retour d'expérience des utilisateurs est utilisé pour entraîner un composant d'apprentissage automatique afin de remplacer finalement l'utilisateur dans la décision de la validité d'une réparation suggérée. Nous décrivons comment les réparations générées sont classées et affichées à l'utilisateur de manière "utile" et démontrons comment la qualité des données peut être efficacement améliorée avec un minimum de retours de l'utilisateur.