Glossário

Correspondência aproximada (fuzzy matching)

O que é 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.

Como o KI.ordo ajuda

O modelo "Limpar uma lista" do KI.ordo uniformiza grafias e assinala possíveis duplicados, incluindo entradas com grafias semelhantes.

Saber mais

Modelos correspondentes

Limpar uma listaUniformiza grafias, espaços, maiúsculas e minúsculas e formatos de data, assinala possíveis duplicados e dados em falta e regista cada alteração.Ver modelo

Temas

Limpeza de dados
Duplicados
Correspondência de texto

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

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.

qualidade dos dados
duplicados
+1

Modelo

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

Quis dizer (DYM)

O "Quis dizer" (DYM, do inglês did you mean) é uma funcionalidade de pesquisa que sugere uma consulta corrigida quando a entrada parece ter erros ou ser invulgar. Baseia-se em medidas de semelhança entre palavras, em modelos de linguagem e na análise de pesquisas frequentes. Exemplo: quem escrever "maquina de cafe" numa loja online vê "Quis dizer: máquina de café?". A funcionalidade reduz as páginas de resultados vazias e melhora, assim, a experiência de pesquisa.

pesquisa
correção ortográfica
+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