Chapitre 11. Résolution d'entités simples dans les graphes
Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com
En repensant à notre premier exemple dans ce livre, comment sais-tu qui est ton client dans ton modèle C360 ?
Ton jeu de données contient-il un identifiant fort, comme un numéro de sécurité sociale ou un numéro d'identification de membre ? Dans quelle mesure fais-tu confiance à ces identifiants et à leur source pour représenter des personnes uniques avec une précision de 100 % ?
Les différents secteurs d'activité ont des niveaux de tolérance différents en matière d'imprécision.
Dans le domaine de la santé, les faux positifs peuvent conduire à des diagnostics erronés et à des distributions de médicaments potentiellement mortelles. D'un autre côté, si tu travailles avec des données sur des films, une résolution incorrecte des films entraînera une expérience utilisateur moins fluide pour ton application, mais au moins nous ne parlons pas de la vie de quelqu'un qui est en jeu.
Le problème de la déduction de qui est qui et de ce qui est quoi à partir des clés et des valeurs de ta source de données est un défi depuis que nous avons commencé à écrire des informations sur les personnes. Ce problème s'appelle la résolution d'entités et a une longue histoire de solutions techniques.
Pour toute équipe travaillant à la résolution d'une entité, il est important de faire les choses correctement en respectant ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access