Um processo constante e automatizado de análise das informações sociais, permite que um diagnóstico permaneça perdurável, atualizado e que seus resultados sejam ampliados. Esta nova forma de cruzamento dos dados proporciona uma maior profundidade às análises dos especialistas, resultando em novas descobertas e percepções.

A solução de Inteligência social é uma plataforma de software que utiliza aprendizado de máquina, composto por técnicas de mineração de dados pré-programadas, para descobrir novas relações entre os dados de um diagnóstico social que não podem ser percebidas pelo especialista humano em função da diversidade e complexidade das informações.

A análise dos indicadores geralmente é feita pelo especialista da área social de forma manual e, com isto, relações importantes entre os dados de um diagnóstico podem não ser percebidas e consideradas.

Fayyad, Piatetsky-Shapiro e Smyth (1996) afirmaram que o modelo tradicional de transformação dos dados em informação, consiste em um processamento manual de todas essas informações por especialistas. Devido ao grande volume de dados, a informação nem sempre é consistente. No entanto, o processo de Descoberta de Conhecimento nas Bases de Dados (do inglês Knowledge Discovery in Databases – KDD) é uma tentativa de solucionar o problema causado pela chamada sobrecarga de dados. Ainda segundo os autores, a mineração de dados contribui de forma significativa no processo de descoberta de conhecimento, permitindo aos especialistas concentrarem esforços apenas em partes mais significativa dos dados.

Para Joachims (1999), o objetivo geral do processo de mineração de dados é extrair informações de um conjunto de dados e transformá-las em dados compreensíveis para ajudar na tomada de decisão do usuário. Nikam (2015) aponta que a mineração de dados está sendo usada em diversas aplicações. Assim, permite que os usuários analisem dados de várias dimensões ou ângulos diferentes, conforme os relacionamentos identificados.

Com a mineração de dados automática, a análise dos indicadores é aprofundada e novas descobertas são incorporadas constantemente, resultando em um quadro de referência orientador do diagnóstico sempre vivo e atualizado.

Como resultado prático da mineração de dados e inteligência artificial temos: a segmentação de municípios para comparação, cruzamento automático dos indicadores sociais, descoberta de relacionamentos relevantes entre os indicadores, filtro de indicadores com valores discrepantes (outliers), análises preditivas que indiquem tendências sobre um determinado tema ou indicador, entre outros. 

Referências

• FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI magazine, v. 17, n. 3, p. 37-37, 1996.
• JOACHIMS, T. “Making large-scale support vector machine learning practical”, In Advances in Kernel Methods: Support Vector Machines, (1999).
• NIKAM, S. S. A comparative study of classification techniques in data mining algorithms. Oriental journal of computer science & technology, v. 8, n. 1, p. 13-19, 2015.