data that must be targeted to under

data that must be targeted to understand, plan and act in a
predictive way. This perspective raises new questions about
the quality of the data. In this context, people do not agree
with the definition of quality. The quality of the data may
be its high processing level or its relevance according to the
reality they represent. In fact, since Big Data is big and messy,
challenges can be classified into engineering tasks (managing
data at an unimaginable scale) and semantics (finding and
meaningfully combining information that is relevant to your
needs) [36] have identified each a relevant challenge for Big
Data:
1. the meaningful data integration challenge which can be
seen as a five-step challenge: (1) define the problem to
solve, (2) identify relevant pieces of data in Big Data, (3) ETL
it into appropriate formats and store it for processing, (4)
disambiguate it and (5) solve the problem.
2. the Billion Triple Challenge which aims to process largescale
RDF to provide a full description of each entity of the
triple in a single target vocabulary and to link that entity
to the corresponding sources.
3. the Linked Open Data (LOD) Ripper for providing good use
cases for LOD and to able to link them with non LOD
efficiently.
4. the value of the use of semantics in data integration and
in the design of future DBMS.
Similar challenges have been identified by S. Auer and J.
Lehmann [37]. Unlike [36], [37] proposes solutions for some of
these challenges (data integration, scalable reasoning, etc.).
Semantics could be considered as a magical world to bridge
the gap of the hétérogénéity of data. Moreover, semantics can
be used in a decidable system which makes possible to detect
inconsistency of data, generates new knowledge using inference
engine or simply links more accurately specific data
not relevant for machine learning based techniques. In the
literature, we can find work whose purpose is about the challenges
mentioned before. Before presenting them, we must
note that the relation between Big Data and semantics is bidirectional.
As it is true for Big Data leverages on semantics,

ผลลัพธ์ (ไทย) 1:

ข้อมูลที่ต้องมีการกำหนดเป้าหมายเพื่อทำความเข้าใจ การวางแผน และดำเนินการคาดการณ์ได้ มุมมองนี้ทำให้เกิดคำถามใหม่เกี่ยวกับคุณภาพของข้อมูล ในบริบทนี้ คนที่ไม่ยอมรับมีการกำหนดคุณภาพ คุณภาพของข้อมูลอาจระดับการประมวลผลสูงหรือที่เกี่ยวข้องตามความจริงที่พวกเขาแสดง ในความเป็นจริง เนื่องจากข้อมูลมีขนาดใหญ่ และ ยุ่งความท้าทายสามารถแบ่งได้ (การจัดการงานวิศวกรรมข้อมูลในระดับเป็นไปไม่) และความหมาย (การค้นหา และมีการรวมข้อมูลที่เกี่ยวข้องกับการต้อง) [36] ได้ระบุแต่ละความท้าทายที่เกี่ยวข้องสำหรับขนาดใหญ่ข้อมูล:1. ข้อมูลที่มีความหมายรวมความท้าทายซึ่งสามารถเห็นเป็นความท้าทายที่ห้าขั้นตอน: (1) กำหนดปัญหาที่จะแก้ปัญหา, (2) ระบุชิ้นส่วนที่เกี่ยวข้องของข้อมูลในข้อมูล ETL (3)มันเป็นรูปแบบที่เหมาะสม และเก็บไว้สำหรับการประมวลผล, (4)disambiguate และ (5) แก้ปัญหา2.พันสามท้าทายซึ่งการประมวลผล largescaleRDF ในการให้คำอธิบายเต็มของแต่ละเอนทิตีของการสำหรับศัพท์เป้าหมายเดี่ยว และ การเชื่อมโยงเอนทิตีนั้นการสอดคล้องกัน3.เชื่อมโยง Ripper เปิดข้อมูล (LOD) ให้ใช้กรณี สำหรับลอด และสามารถเชื่อมโยงกับไม่ลอดอย่างมีประสิทธิภาพ4. ค่าของการใช้ความหมายในการรวมข้อมูล และในการออกแบบของ DBMS ในอนาคตความท้าทายในลักษณะได้รับการระบุโดย S. โด่งดังรวมทั้งเจลีแมนน์ [37] ซึ่งแตกต่างจาก [36], [37] เสนอวิธีแก้ไขปัญหาของท้าทายเหล่านี้ (รวมข้อมูล เหตุผลที่ปรับขนาดได้ ฯลฯ)ความหมายอาจเป็นโลกมหัศจรรย์สะพานช่องว่างของ hétérogénéity ของข้อมูล นอกจากนี้ ความหมายของสามารถใช้ในระบบ decidable ซึ่งสามารถตรวจจับไม่สอดคล้องกันของข้อมูล สร้างความรู้ใหม่ที่ใช้การอ้างอิงเครื่องยนต์ หรือเพียงแค่การเชื่อมโยงข้อมูลเฉพาะอย่างถูกต้องไม่เกี่ยวข้องสำหรับเทคนิคการเรียนรู้ของเครื่องใช้ ในวรรณกรรม เราสามารถหางานที่มีวัตถุประสงค์คือประมาณกล่าวก่อน ก่อนนำเสนอพวกเขา เราต้องโปรดสังเกตว่า ความสัมพันธ์ระหว่างข้อมูลและความหมายเป็นสองทิศทางมันเป็นจริงสำหรับ ข้อมูลกับไดรฟ์ในความหมายของ

ผลลัพธ์ (ไทย) 2:

ข้อมูลที่จะต้องมีการกำหนดเป้าหมายที่จะเข้าใจในการวางแผนและกระทำใน
วิธีการทำนาย มุมมองนี้ก่อให้เกิดคำถามใหม่ ๆ เกี่ยวกับ
คุณภาพของข้อมูล ในบริบทนี้คนไม่เห็นด้วย
กับความหมายของคุณภาพ คุณภาพของข้อมูลอาจ
จะมีการประมวลผลระดับสูงหรือความเกี่ยวข้องให้เป็นไปตาม
ความเป็นจริงพวกเขาเป็นตัวแทน ในความเป็นจริงตั้งแต่ข้อมูลขนาดใหญ่ที่มีขนาดใหญ่และยุ่ง
กับความท้าทายสามารถแบ่งได้เป็นงานวิศวกรรม (การจัดการ
ข้อมูลในระดับเป็นไปไม่ได้) และความหมาย (ค้นหาและ
ข้อมูลมีความหมายรวมที่เกี่ยวข้องกับของคุณ
ความต้องการ) [36] ได้ระบุแต่ละความท้าทายที่เกี่ยวข้อง สำหรับบิ๊ก
ข้อมูล:
1 ความท้าทายในการรวมข้อมูลที่มีความหมายซึ่งสามารถ
มองเห็นเป็นความท้าทายขั้นตอนที่ห้า: (1) กำหนดปัญหาในการ
แก้ปัญหา (2) ระบุชิ้นส่วนที่เกี่ยวข้องของข้อมูลในฐานข้อมูลขนาดใหญ่ (3) ETL
มันเป็นรูปแบบที่เหมาะสมและเก็บไว้สำหรับการประมวลผล (4)
กระจ่างและ (5) การแก้ปัญหา.
2 พันล้านริปเปิลท้าทายซึ่งมีจุดมุ่งหมายในการประมวลผล largescale
RDF ที่จะให้คำอธิบายแบบเต็มของกิจการของแต่ละ
สามในคำศัพท์ที่เป้าหมายเดียวและจะเชื่อมโยงหน่วยงานที่
ไปยังแหล่งที่สอดคล้องกัน.
3 เชื่อมโยงข้อมูลเปิด (LOD) Ripper สำหรับการให้บริการใช้งานที่ดี
สำหรับกรณีล็อดและสามารถเชื่อมโยงพวกเขาด้วยไม่ใช่ล็อด
ได้อย่างมีประสิทธิภาพ.
4 คุ้มค่าของการใช้ความหมายในการบูรณาการข้อมูลและที่
ในการออกแบบของ DBMS อนาคต.
ความท้าทายที่คล้ายกันได้รับการยืนยันจากเอส Auer เจ
มาห์ [37] ซึ่งแตกต่างจาก [36] [37] เสนอโซลูชั่นสำหรับบางส่วนของ
ความท้าทายเหล่านี้ (บูรณาการข้อมูลการให้เหตุผลที่ปรับขนาดได้และอื่น ๆ ).
ความหมายอาจจะถือได้ว่าเป็นโลกมหัศจรรย์จะสร้างสะพานเชื่อม
ช่องว่างของความแตกต่างของข้อมูล นอกจากนี้ยังมีความหมายที่สามารถ
นำมาใช้ในระบบ decidable ซึ่งทำให้เป็นไปได้ในการตรวจสอบ
ความไม่สอดคล้องกันของข้อมูลสร้างความรู้ใหม่โดยใช้การอนุมาน
เครื่องยนต์หรือเพียงแค่การเชื่อมโยงมากขึ้นได้อย่างถูกต้องข้อมูลที่เฉพาะเจาะจง
ไม่เกี่ยวข้องกับเทคนิคการเรียนรู้เครื่องตาม ใน
วรรณคดีที่เราสามารถหางานที่มีวัตถุประสงค์เกี่ยวกับความท้าทาย
กล่าวก่อน ก่อนที่จะนำเสนอให้เราต้อง
ทราบว่าความสัมพันธ์ระหว่างข้อมูลขนาดใหญ่และความหมายเป็นแบบสองทิศทาง.
ในฐานะที่มันเป็นความจริงสำหรับข้อมูลขนาดใหญ่ในการใช้ประโยชน์จากความหมาย

ผลลัพธ์ (ไทย) 3:

这对了解一定的数据和行为上装配上，在一个计划。新的方法是predictive raises关于问题。的数据的人。在这个context，不要同意在长期的质量与数据质量的可能。它的处理是其高水平的relevance或根据他们在一个现实.事实是，从大数据，大和messy这样可以为工程管理classified tasks（Be在一个unimaginable）和数据（是semantics和规模。那是雏鸡混合进行有意义的相关信息到你的36 needs）[ A ]有相关，每个identified大挑战数据：1 meaningful。这可以是数据集成挑战作为一个five-step挑战他们的问题：（1）定义：solve（2 identify相关件的数据），在大数据的ETL（3）这周，为appropriate和处理，它4（商店）它5）和（disambiguate solve的问题。2挑战。针对这三个亿largescale processRDF提供了一个描述的每个实体的在一个单一的三重目标是到vocabulary实体和链接corresponding到来源。3挂钩。开放数据（LOD）为使用提供良好的开膛手的情况下，他们能够链接到一个LOD和与非LODefficiently。4 value）。在使用数据集成和semantics在未来的数据库设计。类似的挑战已经被identified Auer由S .和J .Lehmann Unlike 36 [ 37 ] . [解决方案] ]、[ 37 for some of proposes这些数据集成挑战，scalable reasoning，等）。Semantics可能是考虑到作为一个magical世界的桥梁差距的罗杰Hétééné）。此外，semantics性能数据在一个系统中使用时是可判定的一个可能的detect使新的数据，generates inconsistency使用知识推理更准确地simply links引擎或特定数据基于机器学习相关技术，不是在K。我们可以发现，其literature目的是对工作的挑战。在他们所presenting之前，我们必须。这之间的关系，这是bidirectional和semantics大数据。这是真实的，因此，在大数据semantics利用