Evaluación de exactitud sobre Data Lakes considerando el contexto.

Abstract

En la actualidad, los sistemas de análisis de datos en entornos de Big Data están siendo adoptados cada vez más por las organizaciones, ya que los datos se han convertido en activos fundamentales para la ejecución de sus estrategias. Los resultados obtenidos a partir del análisis se utilizan como insumo en la toma de decisiones informadas y como fuente para entrenar algoritmos de machine learning, que luego se emplean en sistemas inteligentes con capacidad de automatizar procesos, detectar patrones y generar predicciones. En este contexto, es fundamental que la calidad de los datos sea la mayor posible, ya que los modelos de inteligencia artificial solo pueden ofrecer respuestas confiables si se entrenan con datos verificados y confiables. Por otro lado, la heterogeneidad, volumen y velocidad con la que llegan los datos significan un desafío adicional al momento de asegurar la calidad de los mismos. Para ello, es necesario desarrollar técnicas que ayuden a llevar a cabo una correcta Gestión de Calidad de Datos. A su vez, es importante tener en cuenta el entorno en el que los datos son generados y utilizados, ya que constituye un factor clave para garantizar la validez y coherencia en la evaluación de su calidad. En este proyecto se presenta una propuesta para evaluar calidad de datos considerando el contexto en arquitecturas de Big Data. En particular, se evalúa Exactitud Sintáctica sobre bases de datos documentales, representando el contexto mediante ontologías de dominio. La propuesta incluye una especificación y formalización de todos los componentes del problema así como una aplicación web que permite a un usuario evaluar Exactitud Sintáctica sobre su conjunto de datos, visualizar y almacenar los resultados obtenidos.