Agent w służbie eksploracji danych
Eksploracja danych należy do najważniejszych elementów procesu poszukiwania wiedzy w dużych bazach danych. Techniki automatyzacji wyodrębniania powtarzających się wzorców zostały pierwotnie opracowane pod kątem scentralizowanych danych. W miarę coraz powszechniejszego korzystania z geograficznie rozproszonych zasobów obliczeniowych przez naukę i przemysł, zaczęły pojawiać się metody eksploracji rozproszonych danych. Dostępnych jest wiele rozwiązań wykorzystujących takie techniki, takich jak rozproszone tworzenie klastrów, klasyfikacja i regresja. Tylko kilka z nich opartych jest jednak na inteligentnych agentach, które kontrolują rosnącą liczbę zadań w zakresie eksploracji danych. W ramach finansowanego ze środków UE projektu "Agent-oriented distributed data mining using computational statistics" (ADMIT)(odnośnik otworzy się w nowym oknie) badano zalety koncepcji zapożyczonych z technologii agentów. W systemach wieloagentowych indywidualne oraz zbiorowe zachowania agentów zależą od obserwowanych danych. Uczeni biorący udział w projekcie ADMIT badali zdecentralizowane techniki przetwarzania danych, w tym prognozowanie regresji i analizę zmiennego punktu, aby określić, czy i kiedy dochodzi do zmiany w zbiorze danych. Te modele koordynacji danych zastosowano w podejmowaniu decyzji, uzyskując podobne wyniki jak w przypadku systemów scentralizowanych. Synergia między takimi społecznościami agentów i chmury obliczeniowej oferuje dalsze perspektywy w zakresie nowych technologii. Naukowcy zbadali zdecentralizowane tworzenie klastrów danych, które jest ważnym etapem wstępnego przetwarzania danych w repozytoriach danych w chmurze. Grupowanie podobnych danych pozwoliło na stworzenie dokładniejszych reprezentacji danych do zastosowania na przykład w optymalnym wyborze trasy czy dostosowaniu prędkości w ruchu drogowym. Owocne wyniki badań prowadzonych w ramach projektu ADMIT zaprezentowano na 11 międzynarodowych konferencjach. Opublikowano także szesnaście artykułów, zarówno w materiałach konferencyjnych, jak i czasopismach naukowych. Co jeszcze ważniejsze, nowe metody zastosowano w inteligentnych systemach transportowych do zarządzania ruchem drogowym i monitorowaniu środowiska oraz przetestowano przy pomocy rzeczywistych danych o ruchu miejskim w Hanowerze.
