PT
Iniciar sessãoComeçar agora
Glossário

Limpeza de dados

O que é Limpeza de dados?

A limpeza de dados consiste em detetar e corrigir entradas incorretas, duplicadas ou inconsistentes em conjuntos de dados. Os passos típicos incluem uniformizar grafias e formatos de data, remover espaços supérfluos e fundir duplicados como "Silva Lda" e "Silva Limitada". Dados limpos são um requisito para análises, envios em massa e aplicações de IA fiáveis.

Como o KI.ordo ajuda

Um modelo do KI.ordo limpa listas, assinala possíveis duplicados e informações em falta e produz um registo de alterações.

Saber mais : Limpeza de dados

Modelos correspondentes

Temas

  • qualidade dos dados
  • duplicados
  • manutenção de dados

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração
← Todos os termos

Termos relacionados

Validação de dados

A validação de dados verifica se os dados estão completos, corretamente formatados e são plausíveis antes de serem processados. As verificações típicas abrangem campos obrigatórios, o formato de endereços de e-mail, códigos postais ou datas e contradições lógicas – como uma data de entrega anterior à data da encomenda. Assim, os erros são detetados cedo, em vez de passarem para relatórios, faturas ou análises de IA.

  • qualidade dos dados
  • verificações
  • +1
Modelo

Correspondência aproximada (fuzzy matching)

A correspondência aproximada (fuzzy matching) encontra entradas semelhantes, mas não exatamente idênticas – por exemplo, devido a erros de digitação, abreviaturas ou grafias diferentes. Baseia-se em medidas de semelhança como a distância de Levenshtein, que conta quantos carateres têm de ser alterados. Uma utilização típica é encontrar duplicados em dados de moradas e de clientes: "Silva Lda, Rua Alta 5" e "Silva Limitada, R. Alta, n.º 5" são reconhecidos como provavelmente o mesmo registo.

  • Limpeza de dados
  • Duplicados
  • +1
Modelo

Garbage in, garbage out (GIGO)

"Garbage in, garbage out" descreve o princípio de que um sistema só consegue produzir resultados tão bons quanto os dados que recebe. Isto aplica-se duplamente à IA: dados de treino ou de conhecimento incorretos, desatualizados ou unilaterais conduzem a respostas erradas ou enviesadas. Um chatbot que recorra a uma lista de preços desatualizada indicará preços desatualizados. Cuidar dos dados é, por isso, uma tarefa contínua em todos os projetos de IA.

  • Qualidade dos dados
  • Princípio
  • +1

Dados estruturados

Os dados estruturados seguem um esquema fixo com campos claramente nomeados, como tabelas, bases de dados ou objetos JSON com informações como nome, preço e data. As máquinas conseguem lê-los, filtrá-los e processá-los de forma fiável – ao contrário do texto livre ou das imagens. Nos sites, a marcação schema.org descreve, por exemplo, produtos, eventos ou FAQ, para que os motores de pesquisa e os sistemas de IA compreendam o conteúdo sem ambiguidade. A IA também consegue extrair dados estruturados de texto não estruturado.

  • dados
  • JSON
  • +1