Notice bibliographique
Résumé
In the era of big data, companies are collecting and analyzing massive amount of data to help making business decisions. The focus of Business intelligence has been moved from reporting and performance monitoring to ad-hoc analysis, data exploration and knowledge self-discovery, where the user's train of thought is important. Business intelligence system must provide real time multidimensional analytic ability over big data volumes in order to meet the demands. Relational OLAP technologies provide better support for user-driven analysis over big volumes of dynamic data. In-memory OLAP technologies enable real time analytics experience. Their combination is the new trend to provide real time multidimensional analytics over big data volumes. However, Relational OLAP and in-memory OLAP have their own shortcomings and challenges. Relational OLAP could cause non-optimal relational database access. It often has intensive I/O and CPU demands. The biggest challenge of In-memory OLAP is combinatorial explosion. Transferring huge amount of data into multi-dimensional cache (cube) not only very time consuming but also takes considerable amount of resources. Increasing hardware resources, employing distributed in-memory data store, or re-designing MDX engine used by ROLAP to adopt hard to implement algorisms, e.g. parallel computation, are typically ways to overcome the above challenges. Instead of those costly approaches, this paper discusses several techniques that provide a way to improve performance and scalability without piling up hardware resources or going through major re-architecture. These techniques have been implemented in IBM Cognos Business Analytics (BA) solution and have been bringing success to customers since then.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».