|
|
|
|
Expertensysteme und Entscheidungsunterstützungssysteme beschränken sich nicht mehr darauf, einzelne in sich geschlossene Informationsobjekte auszuwählen und anzuzeigen. Bei diesen Systemen werden die zugrundeliegenden Daten verarbeitet. Bei Expertensystemen müssen die Fakten dazu in spezifischen Formaten vorliegen und gegebenenfalls in sich konsistent sein. Ähnliches gilt bei Entscheidungsunterstützungssystemen sobald Prognosen über zu erwartende Entwicklungen getroffen werden müssen. Hier werden mit vorhandenen Daten in einem spezifischen Format vorher festgelegte Extrapolationen berechnet.
Ein in gewisser Weise umgekehrtes Szenario wird bei Data Mining bzw. Knowledge Discovery in Databases verwendet. Hier wird in vorhandenen Datensammlungen nach nützlichen Regelmäßigkeiten gesucht. Dabei braucht zunächst nicht bekannt zu sein, welche Eigenschaften oder Attribute der Datensätze wichtig sind und welche nicht. Die Data Mining Verfahren sollen gerade das herausfinden. Allgemein kann man Knowledge Discovery in Databases (KDD) folgendermaßen definieren: KDD beschreibt automatisierte Verfahren, mit denen Regelmäßigkeiten in Mengen von Datensätzen gefunden und in eine für Nutzende verständliche Form gebracht werden. Die Begriffe Knowledge Discovery in Databases (KDD) und Data Mining (DM) werden teilweise synonym verwendet. Als deutsche Übersetzung könnte man von Wissensextraktion oder Regelextraktion aus Datenbanken sprechen (was aber selten getan wird).
Es gibt allerdings auch den Versuch, die beiden Begriffe zu differenzieren. Fayyad, Piatetsy-Shapiro und Smyth (1996 [->]) schlagen vor, "Knowledge Discovery in Databases" für einen gesamten Prozess zu verwenden, in dem die Bezeichnung "Data Mining" nur einen einzelnen Extraktionsschritt beschreibt. Weitere Bezeichnungen und Definitionsvorschläge finden sich z. B. in der F(requently)A(sked)Q(uestions)-Seite der "Knowledge Discovery Mine" (Piatetsky-Shapiro www [->]).
|
|
|
|