تئوری HACE داده های بزرگی که دارای حجم زیادی هستند ، می باشد . منابع ناهمگون و مستقل، دارای کنترل غیرمتمرکز و توزیع شده اند . درنتیجه نیازمندکشف روابط پیچیده و در حال تحول هستند .
تئوری HACE :
این ویژگی های تئوری HACE استخراج دانش مفید از داده‌ها را به چالشی بزرگ تبدیل می کند. به طور ساده تصور کنیم:
چند انسان نابینا در حال توصیف یک فیل بزرگ هستند.در این مثال چه چیزی معادل داده است ؟
هدف هر کدام از آن‌ها نتیجه گرفتن درباره آن موجودیت است . بر اساس آن قسمت از اطلاعاتی است که حین پردازش جمع آوری می کنند.
هر کدام از افراد حوزه دید محدودی دارد . پس خیلی عجیب نیست که هر کدام برداشت مستقلی از اطلاعات دریافتی داشته باشند .
یکی معتقد است که فیل شبیه یک طناب است :
چون در حال لمس دم حیوان است
دیگری معتقد است شبیه شیلنگ است :
چون در حال لمس کردن خرطوم حیوان است
و … .
مساله :
۱ . فیل با سرعت نسبتا زیادی رشد می کند . در نتیجه موقعیت آن به طور پیوسته در حال تغییرمی‌باشد .
۲ . در مورد فیل هر انسان نابینا منبع اطلاعاتی خودش را دارد . پس احتمالا اطلاعات غیرواقعی را دریافت کند ، و اطلاعات پایه را از آنجا کسب می‌کند.
در این سناریو داده های بزرگ یا تئوری HACEمعادل جمع شدن اطلاعات نا همگون از منابع مختلف (انسان‌های نابینا) می باشد .
برای ترسیم بهترین تصویر ممکن باید داده ها را مورد بررسی قرار داد . تا موقعیت واقعی فیل در یک زمان واحد آشکار سازی شود .
این کار به سادگی انجام می گیرد .تنها کافی است از هرکدام از نابیناها برای توضیح نظرشان راجع به فیل بپرسیم .
می‌توان با درخواست از یک متخصص برای طراحی یک تصویر یکتا با دیدهای متفاوت نابیناها ، به تصوی واحدی رسید .
در واقع متخصص مدعو باید از داده هایی که هر نابینا به او می دهد به نتیجه جامعی برسد . به عبارتی باید تصویر یا شکل نهایی را از گفته‌های افراد پیش بینی کند .
بازدیدها: 2