Het toepassen van Deep Learning op metadata voor competitieve acceleratie

De kwaliteit van gegevens is een belangrijk vraagstuk in het licht van de ontwikkelingen op het gebied van data science. De vruchten plukken van kunstmatige intelligentie is onmogelijk in aanwezigheid van problemen met gegevenskwaliteit. Veel data science-projecten moeten beginnen met een fase van data cleaning, die soms zeer kostelijk kan zijn. Er bestaan verschillende technieken voor het opschonen van gegevens, die elk gericht zijn op verschillende soorten problemen met de gegevenskwaliteit.  Aangezien manuele data cleaning duur is, en zelfs niet haalbaar is bij zeer grote hoeveelheden data, is algoritmische data cleaning een interessant onderzoeksgebied. Het specifieke doel van het project is onderzoek te doen naar het gebruik van analytics, deep learning en reinforcement learning voor het creëren, verbeteren en beheren van meta-data, met als doel de kwaliteit van data en metadata te verbeteren, zodat nieuwe producten en diensten sneller kunnen worden ontwikkeld, en gemakkelijker kan worden voldaan aan wettelijke eisen. De resultaten die we nastreven, zijn nieuwe en intelligente algoritmen voor machinaal leren voor de identificatie van verschillende soorten datakwaliteitsproblemen in gegevens in tabelvorm.