Онтология как учение о мире в целом. Основные онтологические модели. Онтологическая модель представления знаний. Кратко
Вопрос про сервисы-процессы и задачи, а также сервисы-сущности (Are Services Nouns or Verbs, http://www.zapthink.com/report.html?id=ZAPFLASH-20091014) мне напомнил про необходимость онтологического уровня рассуждений, о котором говорил Chris Partrige в своей презентации июля 2007г. "Data and process revisited: ontology driving a paradigm shift in the development of business application systems" (http://ontolog.cim3.net/cgi-bin/wiki.pl?ConferenceCall_2007_07_05), но навело на другие мысли, которые я опишу тут пока несколько сумбурно.
И SOA и онтологическая интеграция данных фактически про одно и то же: как наладить взаимодействие между кучей самых разных "приложений", которые в существенной мере дублируют друг друга, а также вынуждены взаимодействовать друг с другом, хотя были разработаны исходя из самых разных организационных (не хочется писать тут "бизнес", потому как к собственно бизнесу это не имеет отношения) потребностей.
SOA развивается как дисциплина, обеспечивающая гибкость "корпоративных" информационных систем. Подход интеграции данных в САПР на базе онтологических схем -- все то же самое.
В итоге все сводится к появлению универсального моделера, который моделирует окружающий мир в необходимой для менеджеров-финансистов или инженеров полноте и укладывает его в базу данных (практика "абстракция слоя данных" -- и в САПР, и в SOA). Для того, чтобы потом получилась возможность как-то с этими данными работать, добавляется "семантика", сводящаяся к утыкиванию каждого элементарного данного в какое-то место довольно большой схемы данных и обеспечению сервисов, выполняющих над этой сложной структурой какие-то операции.
Эти схемы огромны. В ISO 15926 изначально было порядка 50тыс. сущностей. В Gellish около того. В Dassault Systemes V6 универсальный моделер MatrixOne (на котором базируются все остальные модули V6, и который связывает все эти модули между собой и предоставляет им общую для всех базу данных) предоставляет возможность сделать SOA-архитектуру (чем гордятся) с 20тыс. классов "из коробки". Поясню: вы можете программировать, но вы должны понимать, что в вашем языке программирования есть 20 тыс. зарезервированных слов, каждое из которых что-то значит. Сравните это с изучением иностранного языка плюс вспомните, что компьютер не простит двусмысленностей и неточностей -- и вы получите представление о сложности сегодняшнего программирования. Никакая computer science пока тут рядом не стояла, пока это все вотчина software engineering.
Мне кажется, что application agnostic zone из презентации Chris Partrige уже есть. Вы еще не начали программировать свое "приложение", а вам уже дадено 20тыс. понятий. Вовсе не факт, что все эти понятия из системной архитектуры, а не предметной архитектуры. Вовсе не факт, что эти 20тыс. понятий все относятся к описанию самой V6 и ее модулей. Нет, в современных САПР вы обязательно найдете upper ontology во всей ее красе, вы найдете "полную схему мира", хотя и краткую по необходимости. В каждом современном САПР есть свой CYC, только он маленький и сводится к common sense только для инжиниринга -- там нет сведений о литературе и искусстве, медицине и политике.
Перепроверимся: любое корпоративное программирование сейчас сводится к освоению каких-нибудь фреймворков с десятком тысяч классов. Конечно, в каждой конкретной задаче (как и в естественном языке) вам потребуется знать всего десяток этих классов. Но если вы не хотите все время переписывать то, что уже написано давным-давно, или вам нужно, чтобы ваши действия в системе были корректны, вам придется со всем этим хозяйством познакомиться.
Еще раз перепроверимся: ISO 15926 "из коробки" на верхнем уровне включает порядка 50тыс. классов. Предполагается, что вы работаете именно с ними, и там все основное и необходимое есть. Не предполагается, что вы заново создаете все понятия по мере того, как в них возникает потребность.
Есть и другое измерение этой проблемы: софт состоит сейчас из независимых кусков (можем назвать их сервисами -- даже не связывая это с SOA. Кто-то что-то где-то для нас делает, это сервис. Это совсем необязательно "объект, выполняющий метод", ОО-подход лишь один из способов об этом думать). Программирование сегодня -- это по сути связывание таких независимых кусков-сервисов для того, чтобы создать набор сервисов более высокого уровня (даже не "приложение", как об этом регулярно напоминает Алан Кей -- см., например, тред ).
Тем не менее, забудь о рефакторинге, всяк сюда входящий: внутрь кирпичей не смотрят, это и достоинство и проблема. Я думаю, если внимательно проработать 20тыс. классов MatrixOne, а также поглядеть на все дублирующие друг друга части модулей V6 и "отрефакторить" по-человечески, то можно было бы получить систему другого класса как по масштабируемости, так и по легкости освоения и сопровождения.
Итак, современное программирование -- это работа по написанию "сервисов" над огромными плохо отрефакторенными онтологиями. Уже нет "данных", есть онтологии, но работа с онтологиями по существу отстает от работы с агентской ("выполнителями", "процессорами", "модулями", сервисами, объектами-с-методами и т.д.) частью. Рост же компьютерной мощности дает возможность плюнуть на эту онтологическую грязь, "онтологический долг" (ср. technical debt из agile).
Текущее обсуждение "программирования-в-большом" (programming-in-large, http://en.wikipedia.org/wiki/Programming_in_the_large_and_programming_in_the_small) эти проблемы игнорирует, опять таки сосредотачиваясь на "языках программирования-в-большом" и тем самым сводя все изменение парадигмы к повторению истории "программирования-в-малом" для асинхронных распределенных сервисов. Мне же кажется, что акцент тут нужно делать не на том, что есть множество асинхронных распределенных сервисов, а в том, что это (включая тот факт, что сервисы эти пишутся разными людьми и отражают структуру разных предметных областей) приводит к появлению огромных слабо контролируемых онтологий и тем самым к появленю нового сорта архитектур -- "универсальных моделирующих комплексов", которые сейчас стремительно развиваются под маркой SOA.
Тем самым я рассматриваю SOA просто как способ:
-- указать на то, что подлежащие модели являются не айтишными моделями, а задающимися спецификой деятельности организации. После этого появляется эпистемологическая проблема расхождения модели и реальности, и кроме инженерной
части работы возникает мыслительная
часть ("полагание" онтологии) и исследовательская
часть по выявлению поведения этой онтологии в реальности. Именно отсюда и родился так похожий на agile manifesto манифест SOA.
-- дать хоть какой-то набор практик жизненного цикла (software process) для программирования-в-большом. Ведь на сегодня программная инженерия говорит что-то осмысленное только про программирование-в-малом. А программирование-в-большом (которое, замечу, скрывается и внутри программирования на C++ и Java, а не только BPEL) осталось без специфичных для него практик. Вот SOA и заполняет эту брешь, уж как может.
Сама проблема "программирования в большом" для меня очень близка к тематике проектирования-конструирования. Проектирование -- это для меня полный аналог "программирования-в-большом". Ты должен собрать из (в пределе, например для ядерной подводной лодки, которую любит приводить в пример Dassault Systemes) 4 миллионов комплектующих (данных тебе в виде каталогов стандартных комплектующих главным образом, и лишь совсем чуть-чуть в виде конструируемых специально для твоего проекта особых деталей), и тем самым добиться того, чтобы эти результаты чужого труда каким-то образом заработали вместе, а вся результирующая композиция не развалилась, не взорвалась и служила долго.
Сейчас с проблемой моделирования-в-большом столкнулись модельеры, у которых встала та же самая задача modeling-in-the-large (подробнее см. megamodeling в https://gforge.inria.fr/plugins/scmsvn/viewcvs.php/*checkout*/Publications/2009/SLE-IfMDEisSol.pdf?rev=29&root=atlantic-zoos , но эти ребята из AMMA заявили об этой проблеме на конференциях MDAFA 2003/2004, и опубликовались в 2005г. http://www.springerlink.com/content/dqj98uwqp2gbu3cx/?p=c10f5251afa74af6b134631cf4dae7a1&pi=2 . У них там еще пять лет назад говорилось то, что я твержу сейчас -- "There is probably not going to be a unique monolithic modeling language (like UML 2.0) but instead an important number of small domain specific languages (DSLs) and this will only be possible if these small DSLs are well coordinated. To avoid the risk of fragmentation, we need to offer a global vision, wich can be provided by the activity of modeling in large").
Тем самым, мы наблюдаем много-много разных способов сделать language workbenches: SOA (как это ни странно), собственно language workbenches, работы типа ведущихся в группе AMMA, современные САПР с "универсальной датацентрикой" и кучерявой схемой/моделью данных/онтологией.
Это магистраль, "в большом". Это и есть текущий мейнстрим. Онтологии тут -- enabling technology.
Онтологические модели представления знаний Существует множество обстоятельств, которые затрудняют распространение и обмен знаниями между людьми, столь необходимыми для их систематического пополнения и накопления. Прежде всего, это обстоятельства количественного характера, связанные с быстрым ростом численности населения, с вовлечением новых поколений в различные сферы деятельности, требующие постоянно растущего уровня знаний, умений и навыков. Особым обстоятельством являются фундаментальные отличия и множественность национальных языков народов, населяющих планету Земля. По данным ЮНЕСКО на нашей планете существует более 2700 языков, народов и народностей.
Но дело не только в том, что народы мира думают, говорят и пишут на разных языках. Многие проблемы в обмене и создании знаний связаны с неоднозначным или неадекватным восприятием смысла данных, информации, знаний различными участниками знаниевого процесса. Дело в том, что в цепи передачи знаний (рис) отправитель и получатель знания зачастую пользуются различными представлениями, различной терминологией и понятийным аппаратом. Из-за различий в образовании и в предшествующем опыте они могут руководствоваться различными моделями деятельности и культурой мышления.
Вследствие этих объективных обстоятельств весьма желательно, чтобы информация и знания были структурированы и описаны таким образом, чтобы получатель (пользователь) был способен понять и текст, и контекст (смысл) сообщения. В идеале, сообщение (знаниевая сущность) должна структурироваться таким образом, чтобы компьютер, а не только образованный человек был способен «понять» его. Под словом «понять» здесь имеется в виду, что компьютер будет способен обработать документ (знаниевую сущность) посредством использования известных ему правил с помощью некоторого логического языка, а также будет способен вывести новые факты и знания из данного документа.
Онтологии предметных областей Онтологии предметной области описывают явные знания, которые имеются в компании (или в отдельных ее частях). Описанием знаний уже достаточно давно занимается такая дисциплина, как «Искусственный интеллект» (ИИ), а также такие ее разделы, как «Представление знаний» и «Инженерия знаний». Учитывая, что ИИ занимается работой со знаниями с 50-х годов, в данной дисциплине накоплен достаточно большой опыт в области представления (моделирования) знаний. В вопросе описания знаний дисциплина «Управления знаниями» имеет общие интересы с ИИ. У них общий объект исследования – знания, но цели его исследования в этих дисциплинах разные. Цель ИИ заключается в создании моделей и методов работы со знаниями, которые позволят их использовать без участия (или почти без участия) человека. Например, в [Люггер Д.Ф., 2003] дается следующее определение: «ИИ можно определить как область компьютерной науки, занимающейся автоматизацией разумного поведения».
Онтология (от древнегреч. онтос – сущее, логос – учение, понятие) – термин, определяющий учение о сущем, бытии, в отличие от гносеологии – учение о познании. В философском смысле, а этот термин заимствован из философии, онтология есть определенная система категорий, являющихся следствием определенных взглядов на мир. Термин «онтология» был использован рядом исследовательских сообществ по ИИ вначале в области инженерии знаний, в обработке естественных языков, а затем в представлении знаний. В конце 1990-х годов понятие онтологии также стало широко использоваться в таких областях, как интеллектуальная интеграция информации, поиск информации в Интернет и управление знаниями . Позже онтологии стали рассматриваться в качестве ключевого элемента в проекте Семантической Сети – нового этапа развития сети WWW (Word Wide Web). Если существующая Web-сеть – это огромное множество документов, которые связаны перекрестными ссылками, то создаваемая Семантическая Сеть должна добавить к существующей сети множество онтологий и метаописаний знаний, содержащихся в документах Web-сети (включая стандарты и программные инструменты) .StaabStuder
Определение онтологии, которым руководствуются многие исследователи в данной области, было дано в . «Онтология – это формальное, явное, точное определение (спецификация) совместно используемой концептуализации». Концептуализацией именуется абстрактное упрощенное представление мира, которое формируется для некоторых целей. Онтология является точным определением (спецификацией) потому, что она представляет концептуализацию в конкретной форме. Она является явной, потому что все используемые в ней ограничения явно определены. Слово формальная означает, что онтология должна пониматься машиной. Слово совместно используемая указывает на то, что онтология содержит согласованные знания.
Рабочим и более приближенным к управлению знаниями можно признать определение, приведенное в [Гаврилова Т.А., Хорошевский Ф.В., 2001]: «Онтология – это базы знаний специального типа, которые могут «читаться» и пониматься, отчуждаться от их разработчика и /или физически разделяться их пользователями». Онтология состоит из терминов, организованных в таксономию, их определений, атрибутов, а также связанных с ними аксиом и правил вывода.
Онтология, таким образом, соединяет человеческое и компьютерное понимание символов. Эти символы, также называемые терминами (точными определениями понятий), могут интерпретироваться как людьми, так и машинами. Термин понятен для человека, так как это слово, написанное на естественном языке. Понятны человеку и связи между терминами типа «суперпонятие – подпонятие» (род – вид), обычно обозначаемые как is–a (являться). Эта связь обозначает тот факт, что одно понятие (субпонятие) является более общим, чем другое (подпонятие). В качестве примера возьмем такое понятие, как компьютер, которое является менее общим, чем понятие машина (автомобиль, трактор, танк и т.д.).
В соответствии с этим пространство знаний (интеллектуальное пространство) организации предлагается [Тузовский А.Ф., Ямпольский В.З. Интеллектуальное пространство, 2004] описывать следующим образом: В качестве системы координат использовать онтологию предметной области. Описания объектов, содержащие знания, задавать в виде их метаописаний, составленных из основных понятий онтологии. В качестве меры близости объектов (метрики) использовать семантическую близость их метаописаний.
Модель интеллектуального пространства Модель многомерного пространства является признанной в разных областях науки абстракцией, которая используется для работы с различными и не только математическими описаниями объектов. Известно, что описание любого пространства включает такие элементы, как: выбор системы координат; задание способа описания положения объектов в выбранной системе координат; задание метрики (способа вычисления) близости объектов в данном пространстве.
В настоящее время существуют и развиваются разные методы представления и описания знаний, например, такие, как: продукционные модели, семантические сети, фреймы, онтологии. Продукционная модель или модель, основанная на правилах, позволяет представлять знания в виде предположения типа «if – then»: если (условие), то (действие). Под «условием» понимается некоторое предложение – образец, по которому осуществляется поиск в базе знаний, а под «действием» – выполняемые в результате успешного поиска действия. Продукционные модели чаще всего применяются в промышленных экспертных системах при фиксации совокупности правил поведения персонала в некотором множестве ситуаций.
Семантическая сеть означает «смысловая» сеть, а, собственно, семантика – это наука, устанавливающая отношения между символами и объектами, которые они обозначают. Иначе говоря, семантика – это наука, определяющая смысл знаков [Люггер Д.Ф., 2003]. По своей структуре семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними. Характерной особенностью семантических сетей является наличие трех типов отношений: отношение класс – элемент класса; отношение свойство – значение свойства; отношение фрагмент – элемент класса.
Чаще всего в семантических сетях используются следующие отношения: связи типа часть – целое (например, элемент – класс); функциональные связи (определяются глаголами типа «производит», «влияет»…); количественные отношения (больше, меньше, равно); пространственные отношения (далеко от, близко от…); временные отношения (раньше, позже, в течение …); атрибутивные связи (иметь свойство, иметь значение); логические связи (И, ИЛИ, НЕ); лингвистические связи и др.
Формальная модель онтологии В общем виде формальная модель онтологии может быть описана следующим кортежем : O = {L, C, F, G, H, R, A}, где L = LC LR – словарь онтологии, содержащий набор лексических единиц (знаков) для понятий LC и набор знаков для отношений LR; C – набор понятий онтологии, причем для каждого понятия c C в онтологии существует по крайней мере одно утверждение; F и G – функции ссылок такие, что F: FLC 2С и G: FLR 2R. То есть F и G связывают наборы лексических единиц {Lj} L c наборами понятий и отношений, на которые они соответственно ссылаются в данной онтологии. При этом одна лексическая единица может ссылаться на несколько понятий или отношений и одно понятие или отношение может ссылаться на несколько лексических единиц. Инверсиями функций ссылок являются F–1 и G–1; H – фиксирует таксономический характер отношений (связей), при котором понятия онтологии связаны нерефлексивными, ациклическими, транзитивными отношениями H C x C. Выражение H (C1, C2) означает, что понятие C1 является подпонятием C2; R – обозначает бинарный характер отношений между понятиями онтологии, фиксирующие пары области применения (domain)/области значений (range), то есть пары (D R) с D, R C; A – набор аксиом онтологии.
По уровню универсальности выделяют три типа онтологий: Онтологии верхнего уровня, или метаонтологии, описывающие общие понятия, независимо от задач конкретного домена. Примером такой онтологии может служить WordNet . Масштаб WordNet весьма обширный – весь английский язык с описанием каждого термина, его синонимов и гипер/гипо (более/менее) общих терминов и отношений между ними. В то же время уровень детальности в WordNet очень низкий, имеются лишь описания на естественном языке терминов, которые не могут быть поняты машиной, и зафиксированы только самые простые отношения между ними. Онтологии предметных областей описывают относительно общие понятия для общих задач. В какой-то мере она относится к онтологиям верхнего уровня, так как ее можно использовать во множестве предприятий различных предметных областей. Онтологии приложений описывают понятия, зависящие как от домена, так и от решаемой задачи.
В качестве примера онтологии предметных областей приведем краткое описание онтологии предприятия «The Enterprise Ontology» (далее ЕО), разработанную Эденбургским университетом совместно c такими партнерами как IBM, Lloyds Register и др. . Целью создания ЕО было обеспечение предприятию возможности успешно справляться с быстро изменяющейся внешней средой. Основным средством для достижения этой цели признано совершенствование бизнес-планирования на основе моделирования, улучшения коммуникаций и интеграции информационных и бизнес-процессов.
Метаописания Метаописания (описания об описаниях) – это особо структурированная информация, характеризующая содержание документов, информационных ресурсов и баз знаний, профилей компетенции специалистов и т.п., которая может быть полезна как пользователям, так и самой системе управления знаниями. Метаописания отражают различные свойства и характеристики объекта, такие, как статус, формат, семантика и др. Разделение описания объекта на информацию и метаописание – процесс не однозначный и зависит от целей описания. То, что может быть метаописаниями для одних целей, может являться частью содержания (информации) для других.
Процесс создания метаописаний иногда именуют аннотированием. Аннотирование может происходить как с участием человека, так и без него, с помощью специальных программно реализованных алгоритмов. Результатом аннотирования является набор метаописаний, который может помещаться в хранилище метаописаний. В метаописаниях выделяют три типа: Системные (служебные) метаданные. Структурные метаданные. Семантические метаописания.
Системные метаданные предназначены для функционирования информационных систем и систем управления знаниями. Они включают имена файлов и баз, даты их создания, тип и формат, размер файла и вид носителя и т.п. Структурные метаданные содержат, как правило, справочную информацию об объектах. Это могут быть наименование, статус, структурная принадлежность, профиль и т.п. То есть описания, использующиеся при идентификации и категоризации объектов в тех или иных целях. Семантические метаописания – особый вид описаний, включающий концептуальное (аннотированное) изложение содержания и смысла информации об объекте.
Добавление метаданных к электронным ресурсам системы создает возможность более точного определения местоположения информации об объектах, улучшает механизм фильтрации и отбора знаний, упрощает и ускоряет процессы доступа к необходимым программам, серверам, ресурсам дисковой памяти и т.п.
Трудно переоценить роль метаописаний в библиотечном деле, в учебном процессе всех видов образовательных систем, включая электронные системы дистанционного обучения в части оперативности и полноты доступа к знаниям. Семантические метаописания являются частью онтологии, при построении которой максимально учитывается семантика объектов некоторой предметной области. При этом семантические метаописания отражают не всю семантику объекта, так же как онтология не может охватить всю описывающую ею предметную область (рис.).
Под метаданными объекта Oi будет пониматься следующее выражение: MD = Ci Ii, где Ci – множество понятий онтологии O, имеющих отношение к объекту i, содержащихся в информации об объекте (документы, базы данных и знаний и т.п.) и в интересе пользователя. С каждым понятием связан свой весовой коэффициент Ki; Ii – множество экземпляров понятий онтологии O с экземплярами отношений между ними.
Измерение близости объектов в интеллектуальном пространстве Формализованное представление онтологий, а также метаописаний объектов создает возможность для измерения близости (подобия) объектов в интеллектуальном пространстве. Например, подобие между метаданными Sim (MDi, MDj) может быть определено через подобие входящих в них экземпляров понятий: где Sim (MDi, MDj) – величина близости метаописания объекта i и объекта j; sim (Ii,Ij) – величина близости экземпляров понятий Ii и Ij, входящих в сравниваемые метаописания. Можно выделить следующие составляющие измерения подобия двух экземпляров понятий: 1) таксономическое (по близости в иерархии онтологии, TS(Ii,Ij)); 2) реляционное (по сходству отношений экземпляров, RS(Ii,Ij)); 3) атрибутивное (по близости значений атрибутов, AS(Ii,Ij)).
Таксономическое подобие (близость) Таксономическое подобие между экземплярами Ii и Ij, такими, что Сi(Ii) и Сj(Ij), вычисляется с учетом положения соответствующих им понятий Сi и Сj в таксономии HC. Для вычисления семантического расстояния в иерархии понятий используется множество UC (upwards cotopy), которое содержит все вышележащие по иерархии HC понятия и само исследуемое понятие: Используются семантические характеристики HС: рассмотрение ограничивается суперпонятиями заданного понятия Сi и рефлексивным взаимоотношением Сi к самому себе. Основываясь на определении UC, можно следующим образом определить таксономическое подобие:
Атрибутивное подобие (Attribute Similarity) Атрибутивное подобие основывается на подобии значений атрибутов для определения подобия между экземплярами. Так как атрибуты очень сходны с отношениями (например, в RDF атрибуты являются отношениями с интервалами (область допустимых значений), которые содержат литералы), то большая часть того, что было сказано об отношениях, также применимо и здесь. Для вычисления атрибутивного подобия вначале определим набор сравниваемых атрибутов для двух экземпляров: PAi(Ii) := {A: A A}, PA(Ii, Ij) := PAi(Ii) PAi(Ij), а также значения их атрибутов: As (A, Ii) := {Lx: Lx L A(Ii, Lx)}.
В статье отражены вопросы, связанные с проектированием экспертной системы «Технология» на основе формируемой базы знаний проблемной области «Технология швейных изделий». Авторами рассмотрен методологический подход к разработке экспертных систем, определена область исследований, выявлены теоретические аспекты разработки онтологии предметной области, проведен сравнительный анализ моделей представления знаний и выявлено, что фреймовая модель в наибольшей степени отвечает предъявленным требованиям к моделям представления знаний для проектирования интеллектуальной системы данного типа. Произведена структуризация и формализация знаний проблемной области «Технология швейных изделий» на основе онтологического подхода на этапе принятия технологических решений. Определены характеристики элементов онтологии и описаны их значения. Сформирована классификация классов, подклассов, выявлены характеристики, описывающие данные понятия, и разработана понятийная структура онтологии области «Технология швейных изделий». Создана онтология предметной области «Технология швейных изделий» с помощью инструментального средства – программы Protégé 4.2 beta.
экспертная (интеллектуальная) система
предметная/проблемная область
база знаний
онтология
технология швейных изделий
технологический узел
срез детали
1. Гаврилова Т.А. Использование онтологий в системах управления знаниями [Электронный ресурс]. – Режим доступа: http://www.big.spb.ru/publications/bigspb/km/use_ontology_in_suz.shtml (дата обращения: 24.08.2013).
2. Ездаков А.Л. Экспертные системы САПР: учебное пособие. – М.: ИД «Форум», 2012. – 162 с.
4. Моделирование и экспертные системы [Электронный ресурс]. – Режим доступа: http://sdo.uspi.ru/mathem&inform/lek5/lek_5.htm (дата обращения: 22.08.2013).
5. Подшивалова А.В. Совершенствование автоматизированного проектирования одежды на основе интеллектуализации процесса конфекционирования материалов: автореф. дис. ... канд. техн. наук. – Владивосток, 2011. – 22 с.
6. Разработка онтологии 101: руководство по созданию Вашей первой онтологии / Наталья Ф. Ной (Natalya F. Noy) и Дэбора Л. МакГиннесс, Стэнфордский Университет, Стэнфорд, Калифорния, 94305.
7. Рыбина Г.В. Основы построения интеллектуальных систем: учебное пособие. – М.: Финансы и статистика; ИНФРА-М, 2010. – 423 с.
8. Цели создания онтологии [Электронный ресурс]. – Режим доступа: http://www.intuit.ru/department/expert/ontoth/1/2.html (дата обращения: 20.08.2013).
9. Protege 4.2 beta [Электронный ресурс]. – Режим доступа: http://translate.yandex.ru/translate?srv = yasearch&url = http %3A %2F %2Fprotege.stanford.edu %2F&lang = en-ru&ui = ru (дата обращения: 26.03.2013).
В настоящее время развитие автоматизации процессов проектирования, в том числе и одежды, не приводит к получению результатов, способных вывести данный процесс на качественно новый уровень . В современных САПР автоматизированы только отдельные проектные процедуры. Задачи, возникающие на ранних стадиях проектирования технических объектов, к которым относятся: формирование технического задания, разработка технического предложения и эскизное проектирование, составление конфекционной и технологической карт решаются в интерактивном режиме инженером-проектировщиком. Реализуемые при этом процедуры связаны с решением слабоструктурированных и трудно формализуемых задач и поэтому сложно поддаются автоматизации в рамках существующей методологии автоматизированного проектирования.
Постоянный прогресс информационных технологий, с одной стороны, и постоянные модификации и рост сложности проектируемых технических систем, с другой, приводят к необходимости рассматривать САПР как архитектуру, обеспечивающую проектировщикам возможность добавления новых свойств и компонент. Структурными компонентами САПР, в том числе одежды, эффективно повышающими качество процесса проектирования, могут стать экспертные системы (ЭС) , которые относятся к системам, основанным на знаниях (СОЗ), и образуют вместе с проектирующими подсистемами интеллектуальные информационные системы (ИИС).
Главное достоинство ЭС - возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации ЭС подходит объективно, что улучшает качество проводимой экспертизы. Цель создания экспертных систем ‒ концентрация знаний специалистов в конкретных предметных областях, упрощение процедуры принятия решений пользователями в трудно формализуемых предметных областях, улучшение качества и повышение эффективности принимаемых решений, тиражирование знаний экспертов, автоматизация некоторых рутинных направлений деятельности экспертов .
Ядром экспертных систем являются базы знаний соответствующих проблемных областей (ПО), например, ПО «Технология швейных изделий» (ПО ТШИ). Определенная организация знаний в БЗ позволяет их легко определять, модифицировать и пополнять.
Способ представления знаний в ИИС характеризуется моделью представления знаний. Фреймовая модель универсальна в использовании, имеет многоуровневую структуру представления данных, быстрый и прямолинейный доступ к информации, отображает взаимосвязи между объектами, что отвечает требованиям интегрированной системы автоматизированного проектирования одежды (ИСАПРо), ее подсистем, в том числе экспертной системы «Технология» .
Реализация фреймовой модели возможна посредством онтологического подхода, который заключается в разработке онтологии исследуемой проблемной области. Онтология - это точная спецификация некоторой предметной области, например, «Технология швейных изделий» (ТШИ). Использование онтологий наиболее активно происходит в области систем управления знаниями, а также в области многоагентных интеллектуальных систем .
Цель исследования - разработка онтологии предметной области «Технология швейных изделий» на этапе принятия технологических решений.
Методы исследования: системный подход, методы системного анализа, онтологический подход, методы интеллектуализации, поддержки принятия решений, средства и методы интерфейса пользователя.
Результаты исследования и их обсуждение
Потребность в разработке онтологий возникает по следующим причинам : для совместного использования людьми или программными агентами общего понимания структуры информации; для возможности повторного использования знаний предметной области; для того чтобы сделать допущения предметной области явными; для отделения знаний предметной области от оперативных знаний; для анализа знаний предметной области.
Онтология представляет собой формальное явное описание понятий в рассматриваемой предметной области (классов (иногда их называют понятия)), свойств каждого понятия, описывающих различные свойства и атрибуты понятия (слотов (иногда их называют ролями или свойствами)), и ограничений, наложенных на слоты (фацетов (иногда их называют ограничениями ролей)). Онтология вместе с набором индивидуальных экземпляров классов образует базу знаний, например, экспертной системы «Технология».
Процесс построения онтологии предметной области состоит из следующих основных этапов : определение области и масштаба онтологии; рассмотрение вариантов повторного использования существующих онтологий; перечисление важных терминов в онтологии; определение классов и иерархии классов; определение свойств классов - слотов; определение фацетов слотов; создание экземпляров.
Для преобразования данных предметной области ТШИ о методах технологической обработки (МТО) посредством онтологии, которая позволяет представить информацию в адаптированном для информационных технологий виде, в ходе исследования было принято решение отойти от общепринятой классификации МТО и названий срезов основных деталей, деталей прокладки и приклада. Это позволяет осуществлять поиск МТО по заданным параметрам (цельновыкроенность деталей, способы обработки среза, способы закрепления среза, вид материала, наличие вспомогательных деталей (планки, обтачки, тесьма, косая бейка, лея и т.д.), ориентации основных деталей (левая и правая части), способам установки фурнитуры и выполнения закрепок (специальные п/автоматы, вручную). В данном случае выбор методов обработки производится независимо от ассортимента (пальтово-костюмный, платьево-блузочный), группы (плечевая, поясная), вида изделий (брюки, юбки, платья, пальто, шорты и т.д.) и используемых материалов, что упрощает и ускоряет процесс принятия технологических решений.
В соответствии с правилами разработки онтологий, проведен анализ исследуемой предметной области и выявлены основные ее понятия - классы: срезы деталей и технологические узлы (ТУ); подклассы и экземпляры. Обобщенная структурная схема элементов онтологии предметной области «Технологии швейных изделий» представлена на рис. 1.
Рис. 1 Обобщенная структурная схема элементов онтологии предметной области «Технология швейных изделий»
В качестве примера результатов проведенного исследования рассмотрен класс «Срезы деталей» и подкласс «Обработка низа» класса «Технологические узлы». Построение структуры онтологии происходит по принципу соподчинения. На рис. 2 представлена структура класса «Срезы деталей», который делится на подклассы: «Срез низа» «Внутренний срез дополнительной детали», «Стабилизация», «Закрепление припусков швов». Каждый подкласс описан определенными экземплярами, например, подкласс «Внутренний срез дополнительной детали» включает следующие экземпляры: необработанный, подогнутый, обтачанный, окантованный, обработанный притачными деталями, обработанный накладным швом.
Рис. 2. Структура класса «Срезы деталей»
Класс «Технологический узел» делится на подклассы, один из них - «Обработка низа» (рис. 3). В подкласс «Обработка низа» входят определенные экземпляры, такие как низ (плечевых изделий, низ юбок), низ рукава, низ брюк.
Рис. 3. Структура класса «ТУ», подкласс «Обработка низа»
Каждое из понятий предметной области, то есть каждый из классов, подклассов и экземпляров имеет определенный набор характеристик, описывающих эти понятия. При этом для онтологии характерно выполнение принципа наследования, когда подклассы, следовательно, и их экземпляры, объединенные в иерархии общим классом, автоматически наследуют слоты, установленные для этого класса. Таким образом, классу «Срезы деталей» присваиваются слоты, общие для всех срезов. Затем выявляются и дополняются к общим слоты, характерные для каждого из подклассов класса «Срезы деталей», и далее в зависимости от степени детализации онтологии. Выявление слотов элементов онтологии необходимо для составления формы описания конечных экземпляров онтологии. В данном случае конечными экземплярами классов «Срезы деталей» и «Технологические узлы» являются методы технологической обработки низа.
Характеристики подкласса «Обработка низа» класса «Технологические узлы» представлены срезами деталей, а значение этих характеристик - способами обработки. Структура построена таким образом, чтобы исключить многократные повторения идентичных способов обработки различных технологических узлов (табл. 1). Характеристики класса «Срезы деталей» представлены способами обработки срезов и отображены в табл. 2 (фрагмент).
Таблица 1
Характеристика подкласса «Обработка низа» класса «Технологические узлы»
|
Наименование характеристики |
Значение характеристики |
Тип значения характеристики |
Мощность характеристики |
|
Срез низа |
Цельновыкроенный Обтачанный Окантованный Обработанный с притачными деталями Обработанный накладным швом |
Определение |
|
|
Внутренний срез дополнительной детали |
Окантованный Подогнутый Обработка среза ниточными строчками |
Определение |
|
|
Закрепление |
В чистый край Отделочная строчка Положение отделочной строчки |
Графическое изображение |
Таблица 2 (фрагмент)
Характеристика класса «Срезы деталей»
Для проектирования БЗ экспертной системы «Технология» создана онтология предметной области «Технология швейных изделий», с помощью инструментального средства-программы Protégé 4.2 beta . Рис. 4 демонстрирует диалоговое окно программы Protégé 4.2 beta, в котором представлены экземпляры подкласса «Внутренний срез дополнительной детали» класса «Срезы деталей».
Рис. 4. Диалоговое окно программы Protégé 4.2 beta: экземпляры подкласса «Внутренний срез дополнительной детали» класса «Срезы деталей»
Произведена структуризация и формализация знаний предметной области «Технология швейных изделий» на основе онтологического подхода. Определены характеристики элементов онтологии и описаны их значения. Создана онтология предметной области «Технология швейных изделий», составляющая основу базы знаний исследуемой проблемной области. Полученные результаты позволяют перейти к разработке экспертной системы «Технология», объективизировать и на более высоком уровне автоматизировать процесс выбора методов технологической обработки.
Рецензенты:
Шеромова И.А., д.т.н., доцент, профессор кафедры сервисных технологий, ФГБОУ ВПО «Владивостокский государственный университет экономики и сервиса», г. Владивосток;
Бойцова Т.М., д.т.н., профессор, директор Института сервиса, туризма и дизайна, ФГБОУ ВПО «Владивостокский государственный университет экономики и сервиса», г. Владивосток.
Работа поступила в редакцию 18.09.2013.
Библиографическая ссылка
Королева Л.А., Подшивалова А.В., Панюшкина О.В. ОНТОЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДМЕТНОЙ ОБЛАСТИ «ТЕХНОЛОГИЯ ШВЕЙНЫХ ИЗДЕЛИЙ» // Фундаментальные исследования. – 2013. – № 10-5. – С. 986-990;URL: http://fundamental-research.ru/ru/article/view?id=32438 (дата обращения: 28.03.2019). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
Введение
В последнее время использование онтологий для моделирования предметных областей автоматизированных информационных систем получает все более широкое распространение . Наиболее часто такой подход применяется для интеллектуальных систем , в частности, предназначенных для функционирования в сети Интернет. Это связано с тем, что онтологическая модель позволяет разработать модель метаданных, что значительно улучшает использование системы широким кругом пользователей с точки зрения организации взаимодействия.
Онтология - это структура, описывающая значения элементов некоторой системы, попытка структурировать окружающий мир, описать какую-то конкретную предметную область в виде понятий и правил, утверждений об этих понятиях, с помощью которых можно формировать отношения, классы, функции и пр. Онтологии предметных областей ограничиваются описанием мира в рамках конкретной предметной области.
Задача построения онтологической модели предметной области информационной системы для поддержки коммерциализации результатов инновационных разработок в научных исследованиях является актуальной и сложной научно-практической задачей. Сложность поставленной задачи определяется, в частности, наличием множества межпредметных и междисциплинарных связей и различными целями конечных пользователей системы: ученых, экспертов, бизнесменов, политиков, сотрудников общественных и коммерческих организаций.
Целью настоящей работы является разработка и создание онтологической модели предметной области информационной системы для поддержки коммерциализации результатов научных исследований.
Краткий обзор стандарта CERIF 2008
Во всех странах мира проводится множество различных научных исследований, причем схема проведения научных исследований в разных странах похожа. Как правило, сначала осуществляется стратегическое планирование, потом объявляется программа исследований, проходит поиск предложений, подходящие предложения принимаются к работе, результаты исследований отслеживаются, анализируются и впоследствии используются в тех или иных целях.
Исследования в одной и той же области знаний могут производиться одновременно в нескольких научных организациях, в том числе и в одной стране. Кроме того, в век глобализации исследовательские организации одной страны могут опираться в своей работе на результаты, полученные в других странах. Поэтому важно обеспечить обмен полной и достоверной информацией, наборами данных между различными странами и фондами на всех этапах проведения исследований, начиная с этапа подачи заявки и заканчивая этапом публикации рецензии на инновационную разработку. Проблема стандартизации данных научных исследований возникла ещё в 80-е годы прошлого века, и в качестве решения этой проблемы сначала появлялись варианты обобщения схем баз данных для хранения результатов научных исследований, на основе которых позднее возник стандарт CERIF (Common European Research Information Format - общий европейский формат для исследовательской информации) .
Моделированием предметной области научных исследований на основе этого стандарта в последние 14 лет в Евросоюзе активно занимается организация euroCRIS. Основные свойства этого стандарта:
1) стандарт поддерживает концепцию объектов или сущностей с атрибутами: например, таких как проект, человек, организация;
2) стандарт поддерживает n:m отношения между объектами, используя «связывающие отношения», и таким образом обеспечивает богатую семантику, включающую роли и временные характеристики;
3) стандарт полностью интернационален с точки зрения языкового или знакового набора;
4) стандарт расширяем без повреждения основной модели данных, что предоставляет возможность оперирования на основном уровне, не препятствуя ещё более широкому взаимодействию.
Основные объекты в стандарте CERIF - это Person, OrganisationUnit и Project (Человек, Организация и Проект), каждый из которых рекурсивно связан сам с собой и поддерживает отношения с другими объектами. Стандарт описывает множество дополнительных объектов, с помощью которых полностью описываются исследовательские проекты, их участники, результаты их совместной работы и пр. Семантика данных задается на специальном семантическом уровне, в таблицах, описывающих возможные роли и взаимодействия между отдельными объектами.
Взаимоотношения между проектом, человеком, организацией показываются в стандарте CERIF при помощи специальных связей, и их считают одной из сильных сторон модели CERIF. Связь всегда соединяет два объекта. Все связи строятся по одинаковой схеме: они наследуют названия и идентификаторы от объектов-родителей и дополнительно обладают атрибутами даты начала и конца действия связи, в каждой связи отражается семантика через ссылку на семантический слой CERIF посредством специальных идентификаторов. Таким образом, все возможные взаимоотношения между проектами, людьми и организациями задаются с помощью этих связей, а характер взаимоотношений подчиненности (кто чей автор, кто чей подданный, что часть чего и т.д.) показывается благодаря семантическому слою, в котором все эти роли расписаны.
Для отображения результатов научной деятельности в стандарте CERIF предусмотрены специальные объекты: ResultPublication, ResultPatent, ResultProduct (Публикация, Патент, Продукт). Помимо основных и результирующих объектов в CERIF также используется множество так называемых объектов второго уровня, таких как: FundProg - программа финансирования, Event - событие, Prize - вознаграждение, Facil - средства обслуживания, Equip - оборудование и т.д. Объекты второго уровня позволяют представить контекст исследования посредством связей с основными и результирующими объектами.
Модель CERIF поддерживает возможность многоязычности для имен, названий, описаний, ключевых слов, обобщений и даже для семантики. Используемый язык хранится в атрибуте LangCode с максимум пятизначными значениями (например, en, de, fr, si, en-uk, en-us, fr-fr, fr-be, fr-nl). Атрибут Trans предоставляет информацию о типе перевода: o=original (язык оригинала), h=human (перевод человеком), или m=machine (машинный перевод). Помимо основных, результирующих и объектов второго уровня многоязычность поддерживают также и классификаторы на семантическом уровне CERIF. Таким образом, становится возможным поддерживать классификационные схемы на различных языках.
Стандарт CERIF рекомендован к использованию в системах CRIS (Current Research Information Systems - информационные системы по актуальным научным исследованиям) , которые собирают воедино всю информацию, лежащую в основе научных исследований. Использование подобных систем значительно облегчает взаимодействие инвесторов и исследователей. Исследовательские группы получают лёгкий доступ к информации, необходимой для разработки инновационных идей, руководители и управляющий персонал получают возможность проще отслеживать и оценивать текущую исследовательскую деятельность, инвесторы и исследовательские советы могут оптимизировать процесс финансирования инновационных проектов.
Реальный пример использования стандарта - это портал IST World, построенный на основе стандарта CERIF. Он предоставляет информацию об экспертах, исследовательских группах, центрах и компаниях, задействованных в создании технологий для растущего информационного сообщества. Главный акцент сервиса - экспертиза и опыт основных участников процесса в европейских странах. Репозиторий содержит информацию по проектам пятой, шестой и седьмой рамочных программ Европейской Комиссии, а также информацию, связанную с этими научно-исследовательскими проектами, собранную в Болгарии, Кипре, Чехии, Эстонии, Венгрии, Латвии, Литве, Мальте, Польше, Румынии, России, Сербии, Словении, Словакии и Турции.
В России единой системы по текущим научным исследованиям не существует. Все попытки создания таких систем проходят разобщено в рамках различных программ и проектов. В Черноголовке в рамках Российской академии наук по гранту HAAB реализуется проект, целью которого является создание и разработка информационной системы для поддержки коммерциализации результатов интеллектуальной деятельности для предоставления заинтересованным юридическим и физическим лицам данных об инновационных разработках институтов РАН с возможной их последующей коммерциализацией. В этой системе под инновационными разработками понимаются информационные образы объектов интеллектуальной собственности, технических решений, а также технологические запросы, идеи и иные нематериальные активы, полученные в результате научно-технической деятельности.
Анализируя стандарт CERIF, обнаруживаем, что он не охватывает предметные области, связанные с работой экспертов и подготовкой инновационной разработки к процессу коммерциализации. Поэтому авторами было предложено расширение модели, предлагаемой этим стандартом на указанные выше предметные области.
Инновационный процесс со структурной точки зрения представляет собой комплекс последовательно взаимосвязанных действий по созданию, освоению и распространению инновации. Инновационный процесс предполагает эволюционное изменение состояния инновационного продукта, его превращение из идеи в товар, а также мониторинг его дальнейшей рыночной судьбы.
Модель предметной области для поддержки инновационных разработок
Предметная область информационной системы для поддержки коммерциализации результатов научных исследований является суммой объединения совокупности нескольких предметных областей, а именно предметной области научных исследований, предметной области по возможным областям внедрения и предметной области экспертов по коммерциализации инновационных разработок. При этом последнее слагаемое должно помогать решать следующую задачу: динамически формировать пути взаимодействия в отношении «многие-ко-многим» между первыми двумя слагаемыми.
Онтология области научно-исследовательской деятельности представляет собой структуру системы, отображающей процесс научной деятельности. Научные исследования возможны только при наличии полной и достоверной информации и наборов данных: начиная с этапа подачи заявки и заканчивая этапом публикации рецензии на разработку. Информационные системы по текущим исследованиям должны собирать воедино всю информацию, лежащую в основе научных исследований. Подобные системы могут использоваться широким кругом лиц: от исследователей до инвесторов. Научно-исследовательские организации могут размещать через интернет информацию о своих инновационных разработках и выполнять поиск предложений потенциальных инвесторов и заказчиков, потенциальные инвесторы и заказчики могут размещать заказы на выполнение НИОКР и предложения об инвестициях в сфере высоких технологий и выполнять поиск инновационных разработок.
В предметной области по научным исследованиям можно выделить следующие основные классы (Рис.1):
Рисунок 1. Основные классы предметной области по научным исследованиям
Проект содержит информацию о проектах, исследованиях, результатом которых будут инновационные разработки в том или ином виде, а также об их сроках. Проекты могут быть связаны с другими проектами, связаны с людьми, организациями, патентами, публикациями, продуктами и др. объектами системы.
Организация содержит информацию об организациях, имеющих отношение к проектам. Содержит описание организации: валюту расчётов, численность сотрудников, оборот и т.д. Организации также могут быть взаимосвязаны и связаны с другими объектами системы.
Человек содержит информацию о людях, задействованных в научных проектах. Люди также могут быть взаимосвязаны и связаны с другими объектами.
Дополнительный объект Имена содержит информацию о различных вариантах написания имени одного человека, в том числе и на разных языках.
Публикация содержит информацию о результатах исследований в виде публикаций. Содержит выходные данные о публикации: о дате выхода, издании, серии, страницах, ISBN, ISSN, краткое содержание, комментарии и пр. Публикации могут быть взаимосвязаны и связаны с другими результатами исследований, а также с другими объектами системы: проектом, организациями, людьми и т.д.
Патент содержит информацию о патентах, выданных на результаты исследований. Содержит сведения о стране выдачи патента, дате регистрации и краткое содержание. Патенты могут быть связаны с публикациями, проектами, организациями и людьми.
Продукт содержит информацию о продуктах, полученных в результате исследований, т.е. об инновационных разработках, а также описание продукта. Продукты могут быть связаны с публикациями, проектами, людьми, организациями.
Дополнительные объекты, предусмотренные стандартом CERIF, также оказываются задействованными в подсистеме: Язык служит для отображения информации о языке представления данных в системе, Адрес - для отображения информации о физических адресах людей и организаций, ЭлектронныйАдрес - для отображения информации об электронных адресах людей и организаций, Страна - для отображения информации о странах, Валюта - для информации о валютах, ПрограммаФинансирования - для информации о программе, в рамках которой выполняется проект, и т.д.
При помощи объектов семантического уровня Класс и КлассификационнаяСхема характеризуются типы отношений, формы заявлений, классификация субъектов. Например, для обозначения типов публикаций или видов продуктов и т.д.
В предметной области возможных областей внедрения можно выделить следующие классы (Рис.2):
Организация содержит информацию об организациях, заинтересованных в инвестировании в инновационные разработки, в проведении НИОКР. Содержит описание организации: валюту расчётов, численность сотрудников, оборот и т.д.
Человек содержит информацию о людях, занятых в организациях, или об индивидуальных потенциальных инвесторах. Люди могут быть взаимосвязаны и связаны с другими объектами. Для данной предметной области также применим объект Имена, который содержит информацию о различных вариантах написания имени одного человека. Предложение содержит информацию о предложениях от потенциальных инвесторов на проведение НИОКР, на инвестиции, на разработку определённой темы. Содержит описания предложений, а так же информацию об их сроках. Предложения могут быть взаимосвязаны, а так же связаны с людьми, организациями и др. объектами системы. Патент содержит информацию о патентах на разработки, в которые организация хочет инвестировать. Продукт содержит информацию об интересных инвесторам продуктах.
По аналогии с предметной областью научных исследований в предметной области возможных областей внедрения можно выделить дополнительные объекты: Язык, Адрес, ЭлектронныйАдрес, Страна, Валюта и др. Для характеристики типов отношений между объектов и для классификации самих объектов также можно использовать объекты семантического уровня Класс и КлассификационнаяСхема.
Рисунок 3. Основные классы предметной области экспертов.
В предметной области по экспертной оценке возможности коммерциализации инновационных разработок можно выделить следующие классы (Рис.3):
Человек содержит информацию об экспертах, проводящих оценку и анализ инновационных разработок и выносящих решение о возможности их коммерциализации. Тот же дополнительный объект Имена содержит информацию о различных вариантах написания имени одного человека.
Организация содержит информацию об организациях, в которых заняты эксперты. Продукт содержит информацию о научно-технических разработках, оценкой которых занимаются эксперты. Отдельно можно выделить объект Оценка для хранения заключений экспертов о возможности коммерциализации разработок.
По аналогии с предметными областями научных исследований и возможных областей внедрения в предметной области экспертов можно выделить дополнительные объекты: Язык, Адрес, ЭлектронныйАдрес, Страна, Валюта и др.
Общая структура, объединяющая все три подсистемы, в полной мере отражает процесс проведения научных исследований и оценки возможности их коммерциализации (Рис.4).
 |
Рисунок 4. Предметная область информационной системы для поддержки коммерциализации результатов научных исследований
Основные принципы построения информационной системы и ее пользователи
В информационной системе для поддержки коммерциализации результатов научных исследований РАН можно выделить три подсистемы: подсистема научных исследований, проводимых в институтах РАН (подсистема институтов), подсистема возможных областей внедрения (подсистема потенциальных инвесторов) и подсистема экспертной оценки возможности коммерциализации инновационных разработок (подсистема экспертов). Соответственно, в каждой подсистеме можно выделить три группы пользователей - группа владельцев интеллектуальной собственности (исследователей), группа экспертов и группа инвесторов.
В информационной системе каждый пользователь - владелец объекта интеллектуальной собственности (исследователь) - независимо от степени завершенности своей разработки (патент, решение, идея и т. п.) может представить информацию об ОИС, о своих научно-технических разработках в виде совокупного информационного образа инновационной разработки, в которую могут быть включены резюме, технологическое предложение, информация о владельце и пр. Кроме того, он может добавить сведения о патентной защищенности своих разработок, а также разместить дополнительную информацию о них. Потенциальные инвесторы, заказчики НИОКР или их представители могут разместить в системе свои предложения об инвестициях, информацию о своих потребностях (интересах) и заказы на проведение НИОКР, на экспертную оценку инновационной разработки, проводить поиск инновационных разработок, ознакомиться с уже имеющимися экспертными оценками разработок. В системе может быть предусмотрена отдельная виртуальная площадка для экспертов, которые могут разрабатывать опросный лист (оформить технологический аудит), проводить анализ бизнес-идей и оценивать инвестиционную привлекательность инновационных разработок. Каждый пользователь информационной системы в зависимости от своих интересов имеет возможность проводить поиск информационных объектов и сопутствующей информации, их отбор, анализ, чтобы впоследствии принять решение о целесообразности дальнейших контактов.
Незарегистрированный в системе пользователь, используя возможности гостевого входа, может также принять заочное участие в работе информационной системы. Ознакомившись с открытыми к просмотру резюме инновационных разработок, предложениям инвесторов, оценками экспертов, он может решить, имеются ли в системе интересующие его разработки или предложения для исследований, понять, по каким критериям идет оценка инвестиционной привлекательности экспертами, а затем принять решение о регистрации и дальнейшей работе в информационной системе по поддержке коммерциализации научных исследований.
Заключение
Авторы считают, что в данной работе новыми являются следующие положения и результаты: онтологическая модель предметной области информационной системы поддержки жизненного цикла инновационных разработок институтов РАН.
Разработанная модель позволяет разработать программную архитектуру такой системы, разработать метаданные и построить совокупность взаимосвязанных тезаурусов для поддержки семантики запросов конечных пользователей.
Литература:
1. Лапшин В.А. Онтологии в компьютерных системах. - М.: Научный мир, 2010.- 222 с.
2. Gruber T.R. The role of common ontology in achieving sharable, reusable knowledge bases // Principles of Knowledge Representation and Reasoning. Proceedings of the Second International Conference. J.A. Allen, R. Fikes, E. Sandewell - eds. Morgan Kaufmann, 1991, P.601-602.
3. Константинова Н.С. Онтологии как системы хранения знаний [Электронный ресурс] / Н.С. Константинова, О.А. Митрофанова. - Режим доступа: http://www.sci-innov.ru/icatalog_new/index.php?action=send_att&entry_id=68352&fname=68352e2-st08_(Митрофанова О.А.).pdf
4. CERIF 2008 - 1.2 Full Data Model (FDM). Introduction and Specification [Электронный ресурс] - Режим доступа: http://www.eurocris.org/Uploads/Web%20pages/CERIF2008/Release_1.2/CERIF2008_1.2_FDM.pdf
5. Кулагин М.В., Лопатенко А.С. Научные информационные системы и электронные библиотеки. Потребность в интеграции // Сборник трудов Третьей Всероссийской конференции по электронным библиотекам. RCDL"2001 Петрозаводск, 11-13 сентября 2001 г., с. 14-19.
Понятие онтологии предполагает определение и использование взаимосвязанной и взаимозависимой совокупности трех компонент: O=<Х, К, Ф>, где Х – конечное и непустое множество концептов (понятий, терминов) предметной области, которую представляет онтология О; К – конечное множество отношения между концептами заданной предметной области; Ф – конечное множество функций интерпретации (аксиоматизация), заданных на концептах и/или отношениях онтологии О. Рассмотрим случаи, связанные с пустотой К и Ф. Пусть К= и Ф=. Тогда онтология трансформируется в простой словарь:
О=< X 1 X 2 , {}, {:=}>. Онтологии-словари имеют ограниченное использование, поскольку не вводят эксплицитно смысла терминов. Хотя в некоторых случаях, когда используемые термины принадлежа очень узкому словарю и их смыслы уже заранее хорошо согласованы в пределах определенного сообщества, такие онтологии применяются на практике. Именно такие онтологии сейчас широко применяются – это индексы машин поиска информации в сети Internet. Иная ситуация в случае использования терминов обычного естественного языка или в тех случаях, когда общаются программные агенты. В этом случае необходимо характеризовать предполагаемый смысл элементов словаря с помощью подходящей аксиоматизации, цель использования которой – в исключении нежелательных моделей и в том, чтобы интерпретация была единой для всех участников общения. Другой вариант соответствует случаю К= , но Ф. Тогда каждому элементу множества терминов Х может быть поставлена в соответствме функция интерпретации f из Ф. Формально это утверждение может быть записано следующим образом: Пусть X=X 1 X 2 , Причем X 1 X 2 =, Где X 1 – множество интерпретируемых терминов; X 2 – множество интерпретирующих терминов. Тогда (хХ 1 , у 1 ,у 2 , … у k Х 2), Такие, что Х=f(у 1 ,у 2 , … у k), Где fФ. Пустота пересечения множеств X 1 и X 2 исключает циклические интерпретации, а введение в рассмотрение функции k аргументов призвано обеспечить более полную интерпретацию. Вид отображения f из Ф определяет выразительную мощность и практическую полезность этого вида онтологии. Так, если предположить, что функция интерпретации задается оператором присваивания значений (X 1:=X 2), то онтология трансформируется в пассивный словарь: О=< X 1 X 2 , {}, {:=}>. Такой словарь пассивен, так как все определения терминов из X 1 берутся из уже существующего фиксированного множества X 2 . Практическая ценность его выше, чем простого словаря, но явно недостаточна, например, для представления знаний в задачах обработки информации в Internet в силу динамического характера этой среды. Для того, чтобы учесть последнее обстоятельство, предположим, что часть интерпретирующих терминов из множества X 2 задается процедурно, а не декларативно. Смысл таких терминов «вычисляется» каждый раз при их интерпретации. Ценность такого словаря для задач обработки информации в среде Internet выше, чем у предыдущей модели, но все еще недостаточна, так как интерпретируемые элементы X 1 никак не связаны между собой и, следовательно, играют роль ключей входа в онтологию. Для представления модели, которая нужна для решения задач обработки информации в Internet, очевидно, требуется отказаться от предположения К=. Далее можно обобщить частные случаи модели онтологии таким образом, чтобы обеспечить возможность:
представления множества концептов в виде сетевой структуры;
использования достаточно богатого множества К, включающего не только таксономические отношения, но и отношения, отражающие специфику конкретной предметной области, а также средства расширения множества К;
использования декларативных и процедурных интерпретаций и отношений, включая возможность определения новых интерпретаций.
Тогда
можно ввести в рассмотрение модель
расширяемой онтологии. Модель расширяемой
онтологии является достаточно мощной
для спецификации процессов формирования
пространств знаний в Internet. Вместе с тем,
и эта модель является неполной в силу
своей пассивности даже там, где определены
соответствующие процедурные интерпретации
и введены специальные функции пополнения
онтологии.
Введем
в рассмотрение понятие онтологической
системы. Под формальной моделью
онтологической системы о будем
понимать триплет вида:
о=
метаонтология;
предметная онтология;
онтология задач.
Как указывалось выше, метаонтология оперирует общими концептами и отношениями, которые не зависят от конкретной предметной области. Концептами метауровня являются общие понятия. Тогда на уровне метаонтологии мы получаем интенсиональное описание свойств предметной онтологии и онтологии задач. Онтология метауровня является статической, что дает возможность обеспечить здесь эффективный вывод. Предметная онтология содержит прнятия, описывающие конкретную предметную область, отношения, семантически значимые для данной предметной области, и множество интерпретаций этих понятий и отношений (декларативных и процедурных). Понятия предметной области специфичны в каждой прикладной онтологии, но отношения – более универсальны. Поэтому в качестве базиса обычно выделяют такие отношения модели предметной онтологии, как part_of, kind_of, contained_in, member_of, see_also и некоторые другие. Онтология задач в качестве понятий содержит типы решаемых задач, а отношения этой онтологии, как правило, специфицируют декомпозицию задач на подзадачи. Машина вывода онтологической системы в общем случае может опираться на сетевое представление онтологий всех уровней. При этом ее функционирование будет связано: с активацией понятий и/или отношений, фиксирующих решаемую задачу (описание исходной ситуации); определением целевого состояния(ситуации); выводом на сети, заключающемся в том, что от узлов исходной ситуации распространяются волны активации, использующие свойства отношений, с ними связанных. Критерием остановки процесса является достижение целевой ситуации или превышение длительности исполнения.