빅데이터 지식모형화 및 분석 알고리즘에 대한 세가지 접근 방식

빅데이터 지식 모형화와 분석 알고리즘을 만들기 위해서는 세 가지의 접근 방식이 있다고 합니다.

바로 통계적 또는 암시적 접근법, 온톨로지컬 또는 명시적 접근법, 그리고 이 둘을 접목한 하이브리드 접근법입니다.

1) 통계적 또는 암시적 접근법

통계적 접근법은 데이터가 증가하면서 적용되는 일반적 방식인데 데이터가 빅데이터화 되면서 발생하는 데이터의 새로운 중요성을 발견하는데 한계가 있습니다.

이 분석 방식은 지식의 다양화에는 한계를 보이는데 데이터의 다양성보다는 기존 방식으로 빅데이터를 축적하기 때문에 데이터 분석의 다양성이나 데이터의 가치도 떨어집니다.

2) 온톨로지컬 또는 명시적 접근법

온톨로지컬 접근법은 일반적인 엔지니어링 방식으로서 데이터베이스의 기본 스키마를 가지고 접근하기 때문에 다양한 데이터 리소스가 부족하며 다양한 타입의 모델을 구축하는 데에는 잘 맞지 않습니다.

더 다양해지고 세밀해지는 데이터를 이 방식의 기본 구조로는 해결하기 어려우며 데이터 복잡도가 증가할수록 지식과 가치를 발굴하는 노력에 수확 체감의 법칙이 적용됩니다.

3) 하이브리드 접근법

하이브리드 접근법은 이름에서 알 수 있듯이 온톨로지컬 접근법과 통계적 접근법을 혼합하여 특정 지식 영역에 맞게 적용할 수 있습니다.

데이터의 확장성과 유연하고 다양한 분석을 상호 교환 형태로 도입이 가능합니다.

이 방식 또한 가격대 성능비에 따라 고려될 수 있습니다.

빅데이터의 새로운 지식 모델 생성 및 데이터를 통한 검색과 추론 시스템에서 비용과 효율성 사이에는 중첩성이 있습니다.

데이터의 증가로 지식모델이 점점 더 복잡해짐에 따라 지식 모델 활용 비용도 점점 더 늘어나게 됩니다.

보통 비지니스와 시장에서 빅데이터는 가격 대 성능비 면에서 나쁘지 않을 것을 요구받게 되는데 빅데이터의 접근 방식 측면에서 보면 수익성 있는 시장 기회를 창출하는 것이 쉽지 않습니다.

당연한 이야기겠지만 빅데이터 분야 역시 무한정으로 투자할 수 없고 가격 대 성능비를 고려하면서 비지니스에 적용되어야 하기 때문에 앞으로도 비용 대비 효율은 빅데이터 영역에서도 매우 중요한 문제가 될 것 입니다.