Aurora adiciona análise rastreável de datasets com regras e fila de processamento
O Aurora passa a permitir que equipes criem recortes e regras de análise sobre datasets prontos, executem rotinas em fila e associem tags aos registros examinados.
A Inova adicionou ao Aurora uma etapa de análise e curadoria de datasets que permite criar recortes, definir regras e executar rotinas sobre os registros armazenados. A mudança interessa a gestores públicos de saúde, hospitais e equipes de TI que precisam preparar dados para projetos de IA em saúde pública.
Na prática, o módulo Data Quality passa a trabalhar com datasets que já foram validados e preparados para exploração. O usuário pode vincular uma regra a uma fonte específica, selecionar colunas e aplicar filtros antes de iniciar a análise. O sistema prevê tipos de regra voltados a qualidade, anomalias, padrões e enriquecimento.
As execuções entram em uma fila própria e percorrem estados que vão do aguardo ao encerramento: pendente, em execução, concluída, cancelada ou encerrada sem sucesso. Esse fluxo separa a criação da regra do momento em que o processamento é realizado, uma característica relevante para conjuntos de dados que não precisam ser analisados instantaneamente.
A primeira rotina implementada usa expressões regulares para localizar padrões em um campo e atribuir uma etiqueta ao registro correspondente. As tags geradas ficam associadas à linha analisada, à regra, à rotina e à execução que produziu o resultado. Com isso, a equipe consegue relacionar uma marcação ao critério usado e ao dataset de origem, em vez de tratar o resultado como uma anotação isolada.
O sistema também exige que a fonte da análise pertença à mesma organização do usuário e esteja pronta para exploração, o que mantém o recorte de dados dentro do perímetro de cada instituição.
Além do processamento, o painel passa a salvar no servidor o estado do workspace, das abas abertas e das explorações. O contexto de trabalho pode ser restaurado quando o usuário acessa o Aurora por outro navegador ou dispositivo, sem depender apenas do armazenamento local.
A nova capacidade amplia o percurso entre a entrada dos dados e sua preparação para tarefas de IA: depois de catalogado e validado, o dataset pode ser recortado, examinado por regras reproduzíveis e marcado para revisão ou uso posterior.