Автор Анна Евкова
Преподаватель который помогает студентам и школьникам в учёбе.

Разновидности интеллектуальных информационных систем

Содержание:

Введение

Ключевым препятствием в направлении внедрения систем искусственного интеллекта выступает непосредственно причина в необходимости внедрения их, то есть недостаток естественного интеллекта.

Нынешняя экономика, которая характеризуется высокой динамичностью, а также глобализацией всех процессов и нацеленностью на потребителя, все возрастающей конкуренцией, осуществлением непрерывных инноваций, нуждается в применении адекватных средств и методов оптимального менеджмента на предприятиях.

Ключевым вопросом эффективного применения этих методов и средств является обработка и организация знаний касательно возможностей и потенциала предприятия, выступающие интеллектуальным его капиталом. Активно развивающаяся в менеджменте сегодня теория управления знаниями организации предполагает применение новейших информационных технологий, в первую очередь основывающихся на достижениях такого научного направления, как «Искусственный интеллект».

Сегодня уже накоплен некоторый опыт по разработке и внедрению информационных автоматизированных систем в разных сферах экономики. Данный опыт дает сформулировать вывод касательно того, что резерв роста эффективности данных систем кроется в росте уровня интеллектуализации данных систем, в переходе к так именуемым «интеллектуальным» системам экономики, которые нацелены на знания.

Актуальностью данной темы выступает то, что в процессе проектирования интеллектуальных систем принимаются в учет такие факторы и параметры, как сложности проблемной сферы, размеры пространства и состояний системы, уровень воздействия случайности и неопределенности в процессе принятия решений, необходимость оценки и учета рисков, огромные объемы сложно формализуемой, а также эвристических данных, необходимость в получении прогнозов, принятии решений при наличии дефицита времени.

Цель курсовой работы – сформулировать знания о состоянии, а также тенденциях в развитии информационных экономических систем; о информационной новой технологии разрешения имеющихся задач управления, о связанной с использованием методов и средств искусственного интеллекта; навыках создания и использования информационных интеллектуальных систем в разных прикладных сферах (базовые области производственного цикла, финансовые и экономические информационные системы).

В процессе курсового исследованы были поставлены такие задачи:

- исследовать ключевые понятия и определения, увязанные с информационными интеллектуальными системами;

- раскрыть классификацию информационных интеллектуальных систем;

- проанализировать этапы создания и проектирования информационных интеллектуальных систем;

- выполнить рассмотрение инструментальных средств для проектирования информационных интеллектуальных систем;

- провести моделирование работы нотариальной конторы.

Указанная курсовая работа может являться полезной для специалистов, которые разрабатывают и используют системы управления знаниями, различные системы поддержки принятия и реализации управленческих решений, информационные корпоративные системы, проектирование информационных интеллектуальных систем, для преподавателей, аспирантов ВУЗов, которые занимаются исследованиями в сфере использования интеллектуальных технологий, а также управлением экономическими процессами и объектами.

ГЛАВА 1. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

1.1 Понятие «интеллектуальные информационные системы». Классификация ИИС

Под интеллектуальной информационной системой (ИИС, английский - intelligent system) понимают вид интеллектуальной системы, или один из типов информационных систем. ИИС иногда именуют системой, основанной на знаниях. Это комплекс программных, логико-математических и лингвистических средств для воплощения ключевой задачи: это поддержка деятельности человека, к примеру, возможности поиска информации, выполняемого в режиме продвинутого диалога, а также на естественном языке.

ИИС в себе объединяют возможности СУБД, заложенных в основе ИС, а также технологии искусственного интеллекта, и благодаря этому хранение в данных системах экономической информации увязано с обработкой ее и подготовкой к использованию в процессе принятия решений. Сначала ИИС, также именуемые системами, базирующимися на знаниях, характеризовались как средство, которое позволяло принимать решения не экспертам с неизменным качеством, так же, как один либо несколько экспертов в какой-либо конкретной сфере. Но очень скоро стало понятно, что данная технология в самом деле может достигать больший объем знаний и более быстрое реагирование, чем целая группа специалистов.

Изначально ИИС знания нескольких экспертов использовали в каждой из сфер инвестиций. Сегодня базы знаний формируются частично при помощи машинного обучения, применяя методы индукции, различные генетические алгоритмы и отдельные иные методы получения знаний. Менеджер, применяя данную схему, может теоретически принимать решения уже более эффективно и с меньшими затратами чем это сделал бы каждый индивидуальный эксперт в этой сфере. Самым очевидным преимуществом для интеграции отдельных форм искусственного интеллекта в ходе принятия решений в сравнении с осуществлением постоянного консультирования с группой экспертов чаще всего выступает более низкая цена, а также больший уровень соответствия результатов задачам. В отличие от традиционных аналитических, статистических моделей, использование ИИС дает возможность получения решения сложно формализуемых и слабо структурированных задач. Возможности ИИС взаимодействовать со слабо структурированными данными подразумевают присутствие таких качеств:

  • решать такие задачи, которые описаны лишь в терминах мягких моделей, если зависимости между ключевыми показателями выступают не очень определенными либо даже неизвестными в границах какого-либо класса;
  • способность к взаимодействию с неопределенными либо же динамичными данными, которые изменяются в процессе обработки, дает возможность использовать ИИС в таких условиях, что методы обработки данных изменяются и уточняются в процессе поступления новых информационных данных;
  • способность развития системы и извлечения знаний из уже накопленного опыта каких-либо конкретных ситуаций приращивает гибкость и мобильность системы, давая ей возможность осваивать быстро новые сферы применения.

Возможности использования информации, явно не хранящейся, а выводящейся из данных, имеющихся в базе, дает возможность уменьшить объемы фактуальной хранимой информации с сохранением богатства информации, доступной пользователю. Нацеленность ИИС на разрешение слабо структурированных и плохо формализуемых целей и задач расширяет сферу их использования.

Присутствие коммуникативных развитых способностей у ИИС предоставляет возможности пользователям выдавать системе задания и от нее получать обработанные данные, а также комментарии на таком языке, который близок к естественному языку. Система естественного языкового интерфейса (СЕЯИ) передает естественные языковые структуры уже на внутримашинный уровень отражения знаний. Она включает в себя морфологический, семантический и синтаксический анализ и соответственно синтез в обратном порядке. Программа интеллектуального интерфейса занимается принятием сообщений пользователю и преобразованием их в форму отражения базы знаний и, напротив, переводит какое-то внутреннее представление итога обработки уже в формат пользователя, а также выдает сообщение на предоставленный носитель.

Ключевое требование к уровню организации диалога ИИС и пользователя — это естественность, которая означает формулирование нужд пользователя с применением профессиональных терминов из конкретной сферы использования. Максимальное распространение ИИС обрели для проведения экономического анализа работы организации, стратегического планирования и инвестиционного анализа, для оценки рисков, а также формирования портфелей ценных бумаг, проведения финансового анализа, и реализации маркетинга.

Особенности, которые отличают ИИС от обычных ИС, заключаются в следующем:

  • интерфейс, включающий пользователя на естественном языке с внедрением бизнес-понятий, присущих для предметной сферы пользователя;
  • способности к объяснению своих действий и подсказанию пользователю того, как верно ввести экономические показатели и критерии и как можно выбрать параметры экономической модели, подходящие к его задаче;
  • отражение модели какого-либо экономического объекта, а также его окружения в форме базы знаний, средств дедуктивных, правдоподобных выводов в сопряжении с возможностями работы с неточной или неполной информацией;
  • способности к автоматическому обнаружению закономерностей бизнеса в накопленных ранее фактах, а также их включения в базу знаний.

Более всего ИИС эффективны в использовании их к недостаточно структурированным задачам, где пока нет строгой формализации, для решения которых используются эвристические процедуры, которые дают возможность в большинстве ситуаций обрести решение. Частично этим можно объяснить то, что диапазон использования ИИС очень широк: от менеджмента технологическим непрерывными процессами в режиме реального времени и до оценки итогов нарушений условий поставки каких-либо товаров по импорту.

ИИС классифицируют по различным основаниям. В качестве оснований для классификации мы выберем следующие основания: предметная сфера в экономике, уровень автономности от корпоративной ИС либо же от базы данных, способ и оперативность взаимодействия с объектом, адаптивность и модель знаний (рис. 1.). Для примера на рисунке 1 отражены ИИС из сфер менеджмента, инвестиций и риск-менеджмента [1, стр. 64]

Рис 1. Классификация интеллектуальных информационных систем

В зависимости от уровня интеграции ИИС делятся на: автономные в форме программных самостоятельных продуктов со своей базой данных; сопряженные с корпоративной системой посредством средств ODBC либо OLE dB; целиком интегрированные. В зависимости от оперативности выделяют статические и динамические ИИС. Но фактор времени все время был значимым в ИИС и целиком статических систем не может по определению существовать. Предлагается выделять ИИС реального времени со своими сенсорами и эффекторами, а также советующие, у которых в контур включен пользователь.

В зависимости от адаптивности выделяют обучаемые ИИС вида нейронных сетей, то есть системы и параметры, а вероятно структура которых изменяются в ходе обучения либо самообучения, а также ИИС, у которых параметры меняются посредством администратора базы знаний. Более всего используемые модели знаний отражены на рис. 1.

1.2 Особенности и признаки интеллектуальности информационных систем

Каждая информационная система (ИС) исполняет такие функции: она воспринимает информационные запросы, а также необходимые исходные данные, вводимые пользователем, обрабатывает введенные, хранимые в системе данные согласно известному алгоритму и формирует нужную выходную информацию. Применительно к реализации вышеперечисленных функций ИС характеризуют как фабрику, которая производит информацию, где заказом выступает информационный запрос, а сырьем являются исходные данные, продуктом выступает требуемая информация, инструментом и оборудованием является знание, посредством которого данные становятся информацией.

Знание обладает двоякой природой: фактуальной и операционной.

Фактуальным знанием являются осмысленные, а также понятые данные. При этом сами по себе данные - это знаки, специально организованные, на каком-нибудь носителе.

Под операционным знанием понимают те суммарные зависимости между какими-либо фактами, которые дают возможность интерпретировать данные либо же из них извлекать информацию. По сути информация - это новое, полезное знание для разрешения каких-нибудь задач.

Чаще всего фактуальное знание именуют экстенсиональным, или детализированным, а операционное знание называют интенсиональным или обобщенным.

Весь процесс извлечения информации из имеющихся данных сведен к адекватному объединению фактуального и операционного знаний, он в разных типах ИС реализуется по-разному. Наиболее простой путь соединения их заключается в пределах одной конкретной прикладной программы:

Программа = Алгоритм (Правила преобразования данных + Управляющая структура) + Структура данных. [3, стр. 18]

Итак, операционное знание, или алгоритм, а также фактуальное знание, или структура данных, друг от друга неотделимы. Но если в процессе эксплуатации ИС будет выявлена потребность модификации какого-то одного из двух составных частей программы, то появится необходимость в ее переписывании, что можно объяснить тем, что целостным знанием проблемной сферы обладает лишь разработчик ИС, сама программа выступает «недумающим исполнителем» для знания разработчика. Итоговый же пользователь из-за процедурности, а также машинной нацеленности представления знаний, осознает только внешнюю сторону всего процесса обработки данных, и на него никак не может влиять.

Результатом перечисленных недостатков выступает слабая жизнеспособность ИС либо же неадаптивность к трансформациям информационных потребностей. Также, из-за детерминированности алгоритмов разрешаемых задач, ИС не может формировать у пользователя знаний о действиях ситуациях, в не полностью определенных.

В системах, которые основываются на обработках баз данных (СБД, или Data Base Systems), осуществляется отделение операционного и фактуального друг от друга знаний. Первое создается в форме базы данных, второе организуется в форме программ. Программа при этом может генерироваться автоматически по запросу пользователей (к примеру, реализация SQL либо же QBE запросов). Как посредник между программой, а также базой данных, действует программный инструмент обеспечения доступа к данным – это система управления базой данных (сокр. СУБД): СБД = Программа <=> СУБД <=> База данных.

Теория независимости программ и данных дает возможности повышения гибкости ИС по исполнению информационных произвольных запросов. Но данная гибкость из-за процедурности отражения операционного знания обладает четко определенными границами. Для того, чтобы сформулировать информационный запрос, пользователю необходимо ясно себе представлять структуру базы данных, а также до определенного уровня алгоритм решения данной задачи. В связи с этим пользователю нужно неплохо разбираться в данной проблемной сфере, в логической структуре баз данных, а также алгоритме программы. При этом концептуальная схема баз данных преимущественно является промежуточным звеном в процессе показа логической структуры информационных данных на структуры данных в прикладной программе.

К общим недостаткам информационных традиционных систем, к которым относят системы двух первых типов, заключены в недостаточной адаптивности к изменениям их в предметной сфере и к информационным потребностям и нуждам пользователей, а также в невозможности разрешать сложно формализуемые задачи, с которыми постоянно имеют дело управленческие работники. Вышеперечисленные недостатки хорошо устраняются в информационных интеллектуальных системах (ИИС).

Рассмотрение структуры программы демонстрирует возможности выделения из программ операционного знания (то есть правил трансформации данных) в так именуемую базу знаний, она в декларативной форме сохраняет для различных задач общие единицы знаний. Управляющая структура при этом обретает характер некоего универсального механизма для решения задач (то есть механизма вывода), связывающего единицы знаний в особые исполняемые цепочки (т.н. генерируемые алгоритмы), формируемые в зависимости от специфики постановки задачи (которая была сформулирована в запросе цели, а также исходя из исходных условий). Данные ИС стали системами, базирующимися на обработке знаний (СБЗ, то есть Knowledge Base Systems): СБЗ = База знаний <=> Управляющая структура <=> База данных [2, стр. 24].

Еще одним этапом развития информационных интеллектуальных систем выступает выделение в отдельную самостоятельную подсистему либо в репозиторий метазнания, которое описывает структуру фактуального и операционного знания и отражает модель проблемной сферы. В данных системах как программы, так и структуры данных компонуются или генерируются из единиц знаний, которые описаны в репозитории, каждый раз в процессе изменения модели проблемной сферы.

ГЛАВА 2. РАЗРАБОТКА И ПРОЕКТИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

2.1 Этапы проектирования интеллектуальных систем

Под проектированием интеллектуальных систем понимают итеративный, эволюционный процесс, где участие принимает несколько специалистов: это эксперт, имеющий знания о предметной сфере и желающий содействовать работе для создания системы, работники в сфере искусственного интеллекта — это инженеры знаний, программисты и аналитики. Группа в зависимости от трудоемкости и объема работ может в себя включать 3-6 человек.

При проведении оценки проблемной сферы на стадии проектирования интеллектуальных систем нужно принимать в учет такие факторы: легкость выполнения сбора данных, уровень представимости данных, оправданность издержек на создание интеллектуальных систем, присутствие экспертов, обеспеченность необходимыми ресурсами (компьютерами, программистами, программным обеспечением и т. д.).

После выполнения анализа проблемной сферы, а также определения целесообразности использования интеллектуальной системы в данной области непосредственно приступают к этапу проектирования системы.

Имеются разные воззрения на определение количества этапов проектирования различных интеллектуальных систем, что зависит от многих параметров, например, от характера функций интеллектуальной будущей системы, сферы использования, присутствия инструментальных развитых средств и т. д.

В целом процесс разработки систем делится на пять этапов, или стадий (рис. 2):

1. Этап идентификации определения задач, а также проведение идентификации их характеристик. На данном этапе определяются задачи, предлагаемые к решению, их особенности и характеристики. Проводится разработка технического задания на проектируемую систему. Затем очерчивается перечень пользователей системы. Данные сведения в дальнейшем помогут правильно определять сферу знаний эксперта, обозначать функции системы и, как итог, уровень нужных знаний. В итоге возникают определенные сформулированные требования.

2. Выделение ключевых концепций предметной сферы, которые показывают знания круга экспертов, что дает возможность проводить анализ типа знаний, оперируемыми экспертом в ходе принятия решений. Инженером знаний определяются формальные средства для представления знаний, а также процедуры обретения решений, в наибольшей мере соответствующие особенностям характеру рассуждений эксперта в процессе вывода решения.

Итак, благодаря выполнению данного этапа выявляются и формулируются те понятия, которые определяют выбор характерной схемы по представлению знаний эксперта касательно предметной сферы.

3. Отбор формализма по представлению знаний, а также определение механизма по выводу решений. Данные компоненты моделирования существенно воздействуют на успешное разрешение поставленной задачи проектирования системы.

Созданная структура для того, чтобы предоставлять знания, выступает основой для воплощения следующего этапа — это непосредственное построение базы знаний системы.

4. Отбор либо разработка языка для представления знаний. Когда правила сформулированы, а также представлены на избранном языке представления, инженер знаний их заносит в БЗ.

5. Тестирование разработанной системы.

Проверку работоспособности системы выполняют посредством решения проверочных конкретных задач. Если выявляются различные недостатки, осуществляется обращение к какому-либо этапу разработки системы, в зависимости от особенностей недостатков. Если было выявлено отсутствие каких-нибудь знаний в разработанной системе либо недостаточной их определенности, происходит возврат к этапу 4, а также по возможности вносятся поправки. В ситуации, если какие-нибудь знания, которые были представлены экспертом, почти невозможно представить в границах формализма избранной модели отражения знаний, то идет возврат к этапу три и происходит отбор альтернативных моделей или схем отражения знаний. Может быть, что причиной осуществления возврата может выступать неполностью адекватный основной механизм логического вывода. Бывают ситуации, что необходимо переформулирование проблемы, потому что исходная постановка задачи являлась неверной [1, стр. 73]

Рис. 2. Этапы проектирования ИИ [1, стр. 74]

Рассмотренная схема выполнения последовательности работ, представляется, весьма подробно и полно раскрывает весь процесс проектирования ИИ, при этом отдельные важные этапы, увязанные с формированием ряда функциональных модулей в системах ИИ, не были рассмотрены. Приведем более подробный перечень выполнения работ в процессе проектирования интеллектуальных систем:

  • работы по извлечению знаний из эксперта, а также их передача в систему;
  • отбор способа отражения в системе знаний;
  • отбор стратегии вывода или управления;
  • отбор подсистемы объяснения;
  • отбор подсистемы работы с пользователем системы;
  • отбор адекватных средств и методов реализации системы. Но здесь уже отсутствуют отдельные важные этапы, которые были описаны выше.

Как уже было отмечено, содержание работ и количество этапов проектирования рассматриваемых интеллектуальных систем, а также последовательность выполнения их зависимы от множества субъективных и объективных факторов. Но многие этапы, а также содержание работ выступают необходимыми и общими для всех интеллектуальных систем почти всех типов. Ниже размещен перечень данных этапов, а также их составляющих:

1. Рассмотрение проблемной сферы: определение проблемной сферы, которое показывает важность проблемы во всей фирме; определение тех проблемных экспертов, которые желают передать экспертизы и знания в базу знаний; этап подготовки и объявления плана развития.

2. Подготовка персонала: формирование группы проектировщиков, а также соответствующих заданий; отбор и назначение квалифицированного менеджера проекта; определение и реализация твердой линии управления.

3. Выполнение принятия проекта: организация организационного заседания; проведение обсуждения ключевого подхода к проблеме; разработка специального плана по развитию; подготовка к монтажу нужных технических средств, а также инструментария.

4. Прототип формируемой системы: это развитие системного прототипа, то есть тестирование; обретение дополнительной информации касательно проблемной сферы по результатам тестирования.

5. Этап развития полной системы, подразумевающий расширение базы знаний прототипа; проведение оценивания структуры интерфейса пользователя; выполнение объединения средств обучения пользователей, а также документации.

6. Организация верификации системы, включающая в себя вовлечение в процесс проверки системы экспертов, потенциальных пользователей; меры по обеспечению функционирования системы в соответствии с проектом.

7. Меры по интеграции системы: это выполнение полной системы, как было запланировано; обеспечение взаимодействия системы с системами, уже действующими.

8. Деятельность по поддержке системы: обеспечение мер по непрерывной поддержке системы; модернизация баз данных в ситуации поступления какой-либо новой информации, а также сохранение ответственности за систему.

9. Подготовка документация, включающая сбор полной документации по системе; подготовку руководства для пользователей; организацию консультаций для пользователей [1, стр. 89].

Необходимо указать, что этапы формирования интеллектуальных систем не выступаю очерченными четко и регламентированными подробно. Между отдельными из них сложно провести содержательную и временную границу. Данные системы в какой-то мере приблизительно показывают процессы проектирования всех интеллектуальных систем.

Этапы существования интеллектуальных систем, либо жизненные циклы системы, подходят уровню готовности системы, а также завершенности функциональных ее возможностей, которые реализуются инструментарием. Выделяют такие стадии действия интеллектуальных систем: это демонстрационный прототип; далее исследовательский прототип; затем действующий прототип; потом промышленная система и коммерческая система.

Демонстрационным прототипом является такое состояние разработанности системы, что она решает какую-то часть проблемных вопросов и задач. В процессе разработки демонстрационного прототипа происходит достижение противоречивых целей: система, с одной стороны, на стадии демонстрационного прототипа призвана исполнять задачи, которые довольно полно бы характеризовали возможности ее, а с иной стороны, данную стадию желает пройти как можно скорее. Деятельность демонстрационного прототипа можно считать удовлетворительной в случае, если он использует минимальный набор правил, достаточный для решения отдельных задач. Время разработки его колеблется с двух месяцев и до одного года.

Исследовательский прототип проектируют на протяжении 1,5-2 лет. На данной стадии развития ИИ системы ее база данных содержит уже несколько сотен правил, весьма адекватно описывающих предметную сферу.

Существующий прототип интеллектуальных систем выполняет качественный вывод решений на уже расширившемся пространстве правил, который достиг порядка 1000. В связи с этим в целях вывода сложных решений необходимы большие ресурсы памяти и времени.

Промышленные системы занимаются обеспечением высокого уровня качества разрешения проблем предметной сферы при существенных уменьшениях требуемой памяти и времени решения. Число правил увеличивается не так значительно в сравнении с существующим прототипом. На данной стадии осуществляется преобразование действующего прототипа посредством расширения количества правил, а также совершенствования интеллектуальных систем на основе использования уже более эффективных и инструментальных средств, что требует около 3-4 лет.

Коммерческая система в основном предназначена для продажи. Она выступает или проблемно-ориентированной, или проблемно-независимой.

2.2 Разновидности интеллектуальных информационных систем

В зависимости от того, каков набор компонентов, которые реализуют рассмотренные функции, выделяют такие ключевые виды интеллектуальных систем:

- информационные поисковые интеллектуальные системы;

-· экспертные интеллектуальные системы (ЭС);

-· расчетные логические интеллектуальные системы;

-· гибридно-экспертные интеллектуальные системы.

Информационно-поисковые интеллектуальные системы выступают системами взаимодействия с некими проблемно-нацеленными (фактографическими) базами данных, проводимым на естественном и ограниченном лексически и грамматически профессиональной лексикой языке. Им присуще использование, кроме базы знаний, воплощающей семантическую модель отражения знаний о проблемной сферы и лингвистического процессора.

Экспертные системы выступают одним из особых классов интеллектуальных систем. Эти системы стали создаваться в первую очередь в слабоформализованных математически сферах техники и техники, таких как геология, биология, медицина и иные. Для них присуща аккумуляция в системе правил рассуждений и знаний опытных специалистов в этой предметной сфере, а также присутствие специальной системы объяснений.

Расчетные логические системы дают возможность решать проектные и управленческие задачи по постановкам их и описаниям, а также исходным данным независимо от уровня сложности математических моделей данных задач. Конечному пользователю при этом предоставляется возможность контроля в режиме диалога всех стадий вычислительного процесса. По проведенному описанию проблемы на языке предметной сферы достигается автоматическое создание математической модели, а также автоматический синтез действующих рабочих программ в процессе формулировки функциональных задач из этой предметной сферы. Данные свойства реализуются из-за наличия базы знаний в форме семантической функциональной сети, а также компонентов дедуктивного планирования и вывода.

В отдельный класс выделяют экспертные гибридные системы. Данные системы объединяют в себе самые хорошие признаки и экспертных, и расчетно-логических, информационно-поисковых систем.

В теории искусственного интеллекта важное место занимает проблема отражения знаний. Сегодня выделяют такие ключевые типы моделей представления знаний:

-· семантические сети, включая сети функциональные;

-· фреймы, а также сети фреймов;

- различные· продукционные модели.

Семантические сети - это граф общего вида, где можно выделить много ребер и вершин. Каждая вершина графа здесь представляет отдельное понятие, дуга представляет отношение между какой-то парой понятий. Метка, а также направление дуги занимаются конкретизацией семантики. Метки вершин при этом семантической нагрузки не имеют, а используются в качестве справочной информации.

Разные виды семантических сетей имеют разную семантическую мощность, следовательно, имеется возможность описать какую-либо предметную область или более компактно, или более громоздко.

Фреймом именуют структуру данных, созданную для представления, а также описания стереотипных объектов, ситуаций или событий. Фреймовая модель отражения знаний включает в себя две части:

-· набор фреймов, которые составляют библиотеку в представляемых знаниях;

- система· механизмов преобразования их и связывания.

Выделяют два вида фреймов:

-· образец, или прототип — это интенсиональное описание какого-то множества экземпляров;

-· экземпляр, или пример, — это экстенсиональное представление какого-либо фрейм-образца.

В наиболее общем виде фрейм можно представить таким кортежем:

<ИФ, (ИС, ЗС, ПП),..., (ИС, ЗС, ПП)>,

где ИФ — это имя фрейма;

ИС — это имя слота;

ЗС — это значение слота;

ПП — это имя присоединенной процедуры (является необязательным параметром).

Примечание: кортежем в базах данных именуют группу взаимосвязанных фрагментов данных; кортеж в реляционных базах данных - это элемент отношения или строка таблицы, а также упорядоченный набор включающий N элементов.

Под слотами понимают отдельные незаполненные подструктуры во фрейме, заполнение которых ведет к тому, что этот фрейм ставится в полное соответствие какой-либо ситуации, объекту или явлению.

Фрейм в качестве данных может включать обращения к процедурам (так именуемые присоединенные процедуры).

Под продукционными моделями понимают набор правил рода "условия-действие", в которых условиями выступают утверждения о включаемом содержимом базы данных, тогда как действия это процедуры, которые имеют возможность изменения содержимого базы данных.

На практике продукции выстраиваются по схеме "ЕСЛИ" (причина либо, по-другому, посылка), "ТО" (следствие либо, по-другому, цель правила).

Новые знания, которые были получены в результате срабатывания продукций, можно использовать в таких целях:

-· понимание, а также интерпретация правил и фактов с применением продукций, семантических цепей и фреймов;

-· решение задач при помощи моделирования;

- проведение· идентификации источника данных, определение причин несовпадения новых знаний и старых, а также получение метазнаний;

- · составление к системе вопросов;

-· усвоение каких-либо новых знаний, устранение имеющихся противоречий, а также систематизация излишних данных.

Процесс анализа компьютером набора правил (выполнения программы) именуют консультацией. Наиболее ее удобная для пользователей форма — это диалог с компьютером. Интерфейс можно выполнять в виде меню, на языке команд, а также на естественном языке. При этом диалог можно строить на системе вопросов, которые задаются пользователем или компьютером, либо фактов — то есть данных, которые в базе данных хранятся. Возможен также смешанный вариант, если в базе данных фактов недостаточно.

2.3 Инструментальные средства проектирования интеллектуальных информационных систем

Все имеющиеся программные средства в сфере инженерии знаний, а также реализации информационных интеллектуальных систем (ИИС) делят на такие группы: это универсальные языки программирования (включая традиционные), а также универсальные языки представления знаний плюс оболочки.

ИИС - это некоторый программный комплекс, который позволяет решать экономические и производственные задачи на уровне человека-оператора или человека-управленца (эксперта). Но несомненно, что каждую программу имеется возможность написать на машинно-ориентированном языке (то есть ассемблере) либо на универсальном языке уже более высокого уровня (ПЛ/1, Бейсик, Алгол, Си, Ада, Паскаль, Фортран и т.д.). Поэтому возникает весьма справедливый вопрос: зачем нужно рассматривать специализированные средства, к изучению которых необходимо определенное время, если уже универсальным языком более высокого уровня (или языком ассемблера) владеет почти каждый программист? Ответ на данный вопрос берется из практики: весь процесс программирования систем интеллектуальных систем на специализированных средствах берет в 2-3 раза меньше затрат времени, чем на средствах универсальных. Но нужно всегда помнить, что критерии эффективности (быстродействие и объем памяти) ИИС, которые были реализованы на основе специализированных средств, чаще всего ниже, чем в процессе реализации ИИС уже на универсальных средствах.

Важным фактором, который значителен для отбора ИИС программных инструментальных средств в процессе разработки ИИС, выступать потенциальная возможность организации взаимодействия с теми программными средствами, которые используются на разных уровнях ступеней иерархии корпоративных информационных интегрированных систем.

Поэтому оптимальным решением поставленной задачи выбора их всех программных средств для оптимальной реализации ИИС представляется следующее: самый первый прототип (либо прототипы: исследовательский и демонстрационный) воплощаются на специализированных средствах. Если имеет место достаточная эффективность данных средств, на них могут записываться действующий прототип, а также промышленная система. Однако в большинстве ситуаций прототип нужно «переписать» на программных традиционных средствах.

Проанализируем самые известные и широко используемые программные средства в интеллектуальных системах.

Одним из наиболее популярных языков программирования, используемых в системах ИИ, выступает язык LISP. Данный язык создал в 1960-х годы американский ученый Дж. Маккарти и его ученики. Сегодня имеется примерно 20 диалектов данного языка. Наиболее известными выступают INTERLISP, QLISP, FRANZLISP, COMMONLISP. Так, на языке LISP было написано много экспертных систем (MYCIN, KEE, INTERNIST и др.), а также системы естественного языкового общения (MARGIE, ДИЛОС, SHRDLU и др.), операционные интеллектуальные системы (FLEX).

Популярность такого языка, как LISP, можно объяснить тем, что он посредством весьма простых конструкций дает возможность писать изящные и сложные системы обработки поступающей символьной информации. К сожалению, практически все действующие LISP – системы обладают низкой вычислительной эффективностью. Именно этот факт не дает возможностей языку LISP расширить пределы экспериментальных «академических» систем. Но бурный рост производительности современных компьютеров, разработка LISP-машин рода С/330 или SYMBOLICS вселяет оптимизм по отношению к будущему языку.

Язык LISP обладает весьма простым синтаксисом, так как возможны лишь две его конструкции: список и атом.

Атом – это элементарная конструкция в языке LISP, которая характеризуется своим значением и именем. В отдельных LISP – системах также с атомом связывается некоторый список свойств, и примерами атомов выступают: А, В, А1, ВЫПУСК, ВРЕМЯ ВЫЛЕТА, АИ-93 и т.д.

Список – это конструкция LISP, которая включает множество атомов, а также подсписков. В LISP была принята скобочная нотация выполнения описания списков. Например, (А1, А2,…,АК), (ВРЕМЯ ВЫЛЕТА, 15_40) (А, В), (ВЫПУСК АИ-93).

Важной особенностью языка LISP выступает то, что «данные» и «программы» здесь ничем не отличаются внешне друг от друга, что дает возможность на LISP писать «программы», которые манипулируют не только данными, но также и «программами». Ведь именно это свойство дает LISP возможность являться изящным средством для программирования систем ИИ. В LISP понятия «данные», «программа» не применяют, их заменяют такие термины, как функция и выражение.

LISP – это функциональный язык. Здесь все процедуры обработки информации проходят оформление в форме функций. Благодаря наличию стандартного набора системных функций, LISP имеет возможность «расширяться» при помощи пользовательских функций. Системные функции делят на арифметические и списковые функции, на функции ввода и вывода, на предикаты и др.

LISP является рекурсивным языком, т.е. он обеспечивает возможности определения функций посредством самих себя.

Наличие рекурсивности LISP дает удобство при разрешении весьма популярной во всем искусственном интеллекте цели «поиска по дереву», выступающей весьма обобщенной и охватывающей широкий перечень конкретных задач, начиная с шахматных задач и заканчивая задачами «принятия решений» либо же управления какими-либо сложными объектами. В любом конкретном случае здесь вершины дуги будут обладать своей семантикой. К примеру, в процессе решения шахматной задачи вершинам могут подходить возможные позиции, тогда как дугам какие-либо ходы, ведущие к данным позициям. Последовательность ходов, которые обязательно ведут к «выигранной» позиции, будет являться решением этой задачи. Очень часто древовидная структура имеет еще и сценарий диалога ЭВМ и человека. В таком случае уже с вершинами соотносят состояния или шаги диалога, а с дугами соотносят вероятные переходы от одного состояния к другому.

Известным языком представления знаний выступает язык FRL (Representation Frame Language), который относится к классу фрейм-ориентированных. Ключевая единица знания в этих языках – это фрейм, который представляет собой некую информационную модель (либо описание) конкретной стереотипной ситуации. Данная стереотипная ситуация выступает обобщением таких терминов, как действия, события, процессы, объекты, модификаторы, свойства и т.д.

FRL фрейм – это сумма поименованных и ассоциативных списков, включающая до пяти уровней различных подструктур. При этом подструктурами фреймов являются слоты, данные, комментарии, аспекты и сообщения. Базовой структурной единицей выступают слоты, которые отражают взаимосвязи между отдельными понятиями предметной сферы. Слот при этом характеризуется своим значением и именем. Имена слотов назначают проектировщики баз данных. Но FRL также имеет и зарезервированные имена слотов: INSTANSE, CLAS SIFICATON, АКО. Как значения слотов выступают числа и символы, а также имена других фреймов или имена процедур.

Весомым свойством FRL выступает присутствие в нем особого встроенного механизма, называемого «наследованием свойств». Суть данного механизма заключена в следующем. Все понятия из предметной сферы в базах знаний организовываются в форме классификационной иерархической системы, в которое любое понятие увязывается при помощи специальных отложений уже с более конкретными. В целях реализации данных отложений имеются слоты INSTANSE и АКО. Слот АКО увязывает понятие с понятием более общим или родовым. Слот INSTANSE увязывает понятие с понятием более конкретным (например, видом). Свойства, которые присущи всему классу, описывают лишь во фрейме класса, тогда как остальные фреймы данного класса могут данное свойство наследовать в ситуации необходимости.

Процедуры проведения обработки FRL делятся на присоединенные и независимые. Вне зависимости от типа данные процедуры обычно пишутся на языке реализации непосредственно FRL. Сегодня большинство FRL-систем были написаны на языке LISP.

В последние годы к разработке ЭС начал все чаще привлекаться язык программирования «Пролог». Название свое Пролог обрел от сокращения слов «Программирование логики». Математической базой Пролога выступают исчисления предикатов в основном первого порядка, а также метод резолюции Робинсона и концепция рекурсивных функций.

Базой в конструкции этого языка (в форме, которая принята для Пролога), выступает импликация:

А← В1, В2, …., Вn, именуемая правилом, в которой А1,В1,В2….,Вn – это предикаты.

Ее смысл таков «А будет истинно, если истинным является В1 и истинно В2 и … и истинно Вn».

Имеющиеся системы программирования Пролога включают огромный набор уже «встроенных» предикатов (то есть предикатов, которые понимает сам Пролог), обеспечивающие исполнение каких-либо арифметических операций, символьную или строковую обработку, функции ввода или вывода, а также целый перечень специфических функций. Посредством присутствия встроенных предикатов в рассматриваемом язык Пролог его можно относить в группу универсальных языков программирования, а также даже к языкам группы системного программирования.

Ключевой особенностью языка Пролог выступает присутствие реляционной базы данных, доступ, работа с реляционными отношениями при этом погружены в непосредственно Пролог. Данные отношения для пользователя имеются только в форме предикатов. Указанное свойство Пролог делает весьма удобным средством для выполнения описания технологических и организационных структур. Например, на Прологе весьма эффективно реализуются цели и задачи подсистемы «Кадры», которые выдают всевозможную информацию касательно кадровой структуры подразделений, а также предприятия в целом. Весьма удобно использовать Пролог также для анализа технологической схемы производственного процесса со множеством различных взаимосвязей отдельных узлов и установок по материальным, информационным, энергетическим и иным потокам.

Сегодня создано огромное количество разных по мощности и эффективности Пролог-систем, которые предлагают свой синтаксис языка, а также свой комплекс встроенных предикатов. Здесь синтаксис языка определяется формой записей Пролог – конструкций: правил, вопросов, фактов, предикатов, переменных, выражений, атомов и т.д.

Visual Basic язык – это язык, который поддерживает событийно-управляемое программирование (programming event-driven): это визуальное проектирование, а также элементы объектного ориентированного программирования. В 1991 году выпустив первую версию VB, компания Microsoft весьма скромно оценивала все возможности данной системы, ее ориентируя, в первую очередь, на категорию непрофессиональных и начинающих программистов. Ключевой задачей в те годы был выпуск на рынок простого и удобного инструмента разработки в еще тогда достаточно новой среде Windows, в которой программирование представляло собой проблему даже для опытных специалистов и работников.

В 1992 году состоялся выпуск второй версии, а в 1993-94 годы - третей версии. Данная версия дала продукту возможность войти в перечень инструментальных значимых средств программирования, а также существенно расширить свой рынок.

В 1996-97 годы была выпущена пятая версия. Необходимо отметить, что в VB5 уже было много усовершенствований и он обеспечивал намного более высокий уровень производительности и предлагал ожидаемый много времени компилятор, который преобразовывал программу в машинный внутренний код.

В 1998 году увидел свет Visual Basic 6.

На протяжении нескольких лет ведутся постоянные споры о том, Visual Basic может или нет относиться в группу языков объектно-ориентированного программирования (ООП). Элементы ООП, с одной стороны, в нем присутствовали всегда, и число их увеличивалось от версии к версии. А с другой стороны, многих необходимых возможностей ООП в рассматриваемом Visual Basic не присутствовало. Возникновение Visual Basic.NET было призвано конец спорам, так как в нем запланирована реализация всех необходимых атрибутов ООП. Известно, что модель ООП подразумевает присутствие трех непременных механизмов: это инкапсуляция, полиморфизм и наследование. Первые два компонента были воплощены в предыдущих версиях и обрели развитие в новой версии, а последний в ней впервые появился.

Visual Basic в конце концов стал уже полноценным объектно-ориентированным языком программирования. Вне сомнений, Visual Basic.NET существенно прибавил в мощности средств, при этом и работать с ним будет намного сложнее, так как объектно-ориентированные методы и средства программирования предъявляют уже более весомые требования к уровню квалификации разработчиков, на которых перекладываются многие вопросы и проблемы обеспечения действенности и работоспособности программы.

Также приведем описание отдельных новых элементов рассматриваемого языка на концептуальном уровне.

Под Web Services понимают принципиально новую платформно-независимую технологию, связанную с применением стандарта XML, а также протокола SOAP (Simple Access Object Protocol – это протокол получения доступа к обычным объектам), которая широко будет интегрирована в разработанные средства. Ключевая идея заключается в обеспечении формирования компонентов на уровне бизнес-логики, которые будут взаимодействовать с внешними объектами посредством традиционных Web-протоколов.

Encapsulation (т.е. Инкапсуляция). Основная идея заключена в том, что здесь можно создавать скрытый комплекс процедур (свойств и методов), которые будут формировать отдельный программный интерфейс. Иной код имеет возможность обращаться к данным свойствам и методам, не вдаваясь в детальные подробности внутренней их реализации.

Free-threaded (т.е. Многопоточность). Данная комплексная концепция поддержания исполнения одного и более потока заданий в какое-то одно время. К примеру, пользователь имеет возможность продолжать взаимодействовать с приложением, после того как была задана операция фоновой печати какого-то документа. Такой режим очень необходим для формирования серверных масштабируемых компонентов и может являться полезным для воплощения пользовательского интерфейса. Создание данных вычислительных потоков делается примерно так:

Inheritance (т.е. Наследование). Это важнейшее понятие объектного ориентированного программирования, включающее возможности использования (включая расширение) поведения чужого объекта. Проще говоря, имеется возможность создания объекта Продукт, а потом на основе его такие объекты, как Программный Продукт, а также Технический Продукт. Два новых объекта наследуют методы и свойства объекта Продукт, и при этом имеется возможность изменения поведения наследующего объекта. Разработчики Visual Basic могут сейчас использовать основное слово Inherits для того, чтобы подключить процедуры уже существующего класса:

Overloading. Необходимо отметить, что в русском языке имеется соответствующего термина в исследуемом контексте: применение аналогичного идентификатора в целях обозначения различных процедур. Отбор необходимой процедуры выполняют в зависимости от количества и от типа параметров. Это весьма полезно в процессе формирования какого-либо одного свойства, которое будет поддерживать разные виды аргументов.

Polymorphism (т.е. Полиморфизм). Здесь имеется возможность иметь сразу несколько объектов различного рода, но с аналогичными методами, что дает возможность писать код, который вызывает тот метод, необходимый в зависимости от применяемого в этот момент объекта.

Visual Basic дает возможность формирования различных приложений для организации взаимодействия с базами данных, начиная от простых локальных баз данных и заканчивая многоуровневой архитектурой клиент/сервер, и приложениями для работы в Internet и intranet с применением таких передовых технологий, как XML, DHTML и ASP.

Весьма важны также вопросы выполнения проектирования реляционных баз данных, а также использования языка SQL. Здесь язык структурированных запросов выступает стандартным средством для организации работы с базами данных, он может использоваться и для интерактивной деятельности с базами данных, и включаться в разные языки программирования. SQL применительно к Visual Basic дает возможность:

  • создавать, удалять или модифицироватьтаблицы в базах данных Access;
  • вставлять, модифицировать или удалять записи из таблиц;
  • иметь сводную информацию о данных, размещенных в таблицах;
  • осуществлять поиск данных в одной либо более таблицах по формируемому запросу.

Как никакая другая, экспертная система призвана пользователю предоставлять максимально «дружелюбный» удобный интерфейс, так как она чаще всего выступает диалоговой и от пользователя требует максимального взаимодействия, что в большой степени справедливо для так именуемых оболочек экспертных систем, верность настройки, заполнения которых представляется основным фактором в создании экспертной системы, адекватно реагирующей. В этой ситуации очень многое зависит от логики выдачи информации, а также управляющих элементов в программе, присутствия пользовательского меню, а также развитой справочной системы.

В инструментальной среде создания ЭС GURU, которая была разработана компанией Micro Data Base Systems, Inc, используемые методы экспертных систем хорошо сочетаются с, например, такими средствами выполнения обработки данных, как формирование электронных ведомостей, управление деловой графикой и базой данных, и этим образом формируется особая уникальная среда для поддержания принятия решений, а также разработки интеллектуальных прикладных систем.

Система GURU очень легка в использовании для новичков и при этом выступает достаточно гибкой и эффективной системой для разработчиков-профессионалов.

В традиционных «интегрированных» программных продуктах либо несколько каких-либо отдельных программ помещаются в операционную среду, либо несколько уже второстепенных компонентов входят в основной компонент (как, к примеру, программа для обработки электронных ведомостей либо же текстовый редактор). Сложности, с которыми встречаются при данных стилях «интеграции», известны хорошо. Первая проблема заключена в том, что пользователь вынуждается переходить вперед и назад по отдельным программам, а также передавать между ними данные. Метод вложений пользователя вынуждает выполнить всю обработку в границах ключевого компонента, и в итоге выходят достаточно слабые вторичные компоненты.

Метод Интеграции, который используется в системе GURU, абсолютно отличается от всех вышеупомянутых. Он базируется на правиле синергизма. Под «синергизмом» при этом в данном случае понимают следующее. Все средства в системе GURU всегда доступны. Различные компоненты можно по желанию соединять в границах одной операции, что характеризует систему как весьма гибкую и очень удобную в использовании.

Имеется возможность взаимодействовать с системой каждым из четырех разных способов: посредством меню: на естественном ограниченном языке, в режиме команд либо через разработанные специально интерфейсы. Каждый вид интерфейса в системе GURU предназначается для удовлетворения нужд и потребностей разных классов пользователей. При этом можно использовать все четыре интерфейса во время одного сеанса взаимодействия с рассматриваемой системой GURU.

Как и во множестве оболочек, в GURU применяется продукционная модель отражения знаний в форме совокупности «If-then» правил с включением обратной стратегии вывода как основной есть возможность моделирования неточных и нечетких рассуждений. Кроме заключения в правила и посылок, можно также включать команды, которые будут исполняться непосредственно перед проверкой условия, а также некий пояснительный текст для проведения генерации объяснений. Также правила включают в себя необязательные параметры приоритета и цены, которые дают возможность управления процессом отбора из совокупности, готовых к исполнению правил очередного. При этом с каждым правилом также можно связать число, которое определяет, сколько раз данное правило может исполняться в ходе консультации.

Правила, которые относятся к решению какой-то общей задачи, формируют базу знаний, либо набор правил. В данный набор, кроме непосредственно правил, включаются также две особые процедуры: завершение и инициализация, которые нужно выполнять до и по выполнении правил. Также в набор правил включаются различные описания переменных, принимающих участие в правилах, включающие спецификации типа, точности и др.

В GURU по умолчанию была принята стратегия по обратному выводу, но можно использовать и чисто прямой вывод, и его комбинировать с обратным в границах одного набора правил. Важно отметить, что как стратегиями вывода, так и некими целевыми переменными имеется возможность управлять динамически в ходе консультации.

GURU предоставляет мощные средства для управления обработкой факторов уверенности, которые отражают уровень нечеткости и неточности эвристических знаний, выраженных в правилах. Для отражения данной нечеткости с каждым значением в GURU переменной может быть увязан количественный коэффициент в диапазоне от 0 до 100. Система дает разработчику выбор из более чем 30 различных формул, облегчающих управление обработкой факторов уверенности в период вывода.

Полезными выступают такие дополнительные средства по управлению логическим выводом, как, например, установка уровня «точности» вывода значений для какой-то переменной, изменения по умолчанию принятого порядка просмотра имеющихся правил.

Эффективность действий машины логического вывода зависит во многом от того, каким образом она выполняет поиск в данном наборе правил, когда занимается поиском правил, которые можно исполнять. В отличие от программного традиционного обеспечения, которое использует принципы искусственного интеллекта, рассматриваемая система GURU дает расширенные средства по управлению настройкой, например, поддерживает до 50 разных стратегий поиска. Также эффективность зависит от числа и от состава правил в данном наборе правил. Так как система GURU дает различные возможности по созданию наборов правил, то имеется возможность существенно сократить число правил, нужных для охвата всего опыта и знаний в конкретной проблемной сфере. Это ведет к ускорению процессов формирования логических выводов, и к упрощению управления данными правилами.

Рассмотренная интегрированная система GURU стремится превратить возможные преимущества ЭС в настоящую реальность, существенно облегчить пользователю процессы создания ЭС, а также сделать его прямым, естественным и эффективным.

Заключение

Применение информационных интеллектуальных систем в настоящее время выступает важным условием для эффективной работы фирм и предприятий.

Невзирая на несомненные уже имеющиеся достижения в сфере искусственного интеллекта, а также на огромное разнообразие имеющихся информационных интеллектуальных систем, которые предназначены для проектирования бизнес-процессов в фирмах, информационные отделы тратят много времени для разработки технической документации. Поэтому проблема формирования информационных интеллектуальных систем, которые позволяют проектировать технологическое оборудование, представляется актуальной, особенно контексте использования методов искусственного интеллекта, а также получения технической документации с условием минимального участия лица, которое принимает решения.

Создание информационно-логических и процедурных моделей технологического оборудования на различных уровнях абстрагирования, а также разработка на основе этого информационных систем, которые обладают интеллектуальными свойствами, даст возможность накапливать, использовать получаемый опыт экспертов уже всеми разработчиками проекта.

Результатами исследования и проведения анализа «Проектирование интеллектуальных информационных систем» являются:

  • формирование четких представлений об интеллектуальных технологиях, а также самых перспективных прикладных областях их применения;
  • выработка знаний ключевых методов разработки информационных интеллектуальных систем (ИИС), а также специфики проблемных актуальных областей;
  • выработка умений работать с разными моделями отражения знаний, а также обосновывать выбор какой-либо модели в зависимости от особенностей предметной области, а также специфики решаемых задач, создавать структуру прикладной ИИС;
  • овладение навыками взаимодействия с инструментальными ключевыми средствами для обеспечения проектирования ИИС;
  • обретение опыта проектирования, а также разработки демонстрационного прототипа ИИС в целях применения в конкретной предметной сфере.

В ходе проведенной курсовой работы все поставленные задачи были выполнены.

СПИСОК ИСТОЧНИКОВ

  1. Стратегия развития информационного общества в Российской Федерации (утверждена Президентом Российской Федерации В.В. Путиным 07.02.2008 г. N Пр-212)
  2. Федеральный закон от 27.07.2006 №149-ФЗ «Об информации, информационных технологиях и о защите информации»
  3. Гражданский кодекс Российской Федерации (часть четвертая) от 18.12.2006 № 230-Ф3 (ред. от 12.03. 2014)
  4. Федеральный закон от 29.12.2010 № 436-ФЗ "О защите детей от информации, причиняющей вред их здоровью и развитию"
  5. Федеральный закон от 02.07.2013 № 187-ФЗ "О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам защиты интеллектуальных прав в информационно-телекоммуникационных сетях"
  6. Федеральный закон от 27.07.2006 № 152-ФЗ "О персональных данных"
  7. Постановление Правительства Российской Федерации от 15.04.2014 № 313 "Об утверждении государственной программы Российской Федерации "Информационное общество (2011-2020 годы)"
  8. Постановление Правительства Российской Федерации «О сертификации средств защиты информации» http://base.spinform.ru/show_doc.fwx?rgn=10214
  9. Постановление Правительства Российской Федерации «О государственном учете и регистрации баз и банков данных» http://docs.cntd.ru/document/9016476
  10. Постановление Правительства Российской Федерации «Об утверждении положения о государственной системе научно-технической информации». http://docs.cntd.ru/document/9046444
  11. ГОСТ 19.701-90. Единая система программной документации. Схемы алгоритмов, программ, данных и систем. Обозначения условные и правила выполнения (ИСО 5807-85). Введ. 1992-01-01.- М.: Изд-во стандартов, 1992. – 14с.
  12. ГОСТ 34.003-90. Информационная технология. Комплекс стандартов на автоматизированные системы. Термины и определения. Взамен ГОСТ 24.003-84, ГОСТ 22487-77; введ. 1992-01-01.- М.: Изд-во стандартов, 1992. – 14с.
  13. ГОСТ 34.320-96. Информационные технологии. Система стандартов по базам данных. Концепции и терминология для концептуальной схемы и информационной базы. Введ. 2001-07-01.- М.: Изд-во стандартов, 2001. – 46с. - (Основополагающие стандарты).
  14. ГОСТ 34.602-89. Информационная технология. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. – Введ. 1990-01-01.-М.: Изд-во стандартов, 1990. – 12с. - (Основополагающие стандарты). Научная и методическая литература
  15. Рудаков А.В. Технология разработки программных продуктов / Рудаков А. В. – М.: Академия, 2005. – 208 с.
  16. Скотт В. Эмблер Базы данных: эволюционное проектирование // Скотт В. Эмблер, Прамодкумар Дж. / Refactoring Databases: Evolutionary Database Design (Addison-Wesley Signature Series). — М.: «Вильямс», 2007. — 368 с. Электронные источники
  17. Jesse Russell, Ronald Cohn, Computer aided design system, 2012.
  18. Seidl M., Scholz M., Huemer C., Kappel G., UML @ Classroom, 2015.
  19. Russ Miles, Kim Hamilton, Learning UML 2.0, 2006.
  20. Paul Kimmel, UML Demystified, 2005.
  21. Rumpe Bernhard, Modeling with UML, 2016
  22. Denuit, M. Actuarial Modelling of Claim Counts / M. Denuit, X. Maréchal, S. Pitrebois, J.-F. Walhin. – London: Wiley, 2007. -356 p
  23. Kirilov, R. Effectiveness of the Computer Information Systems in Insurance / R. Kirilov // Economic Alternatives. - 2008. – Iss. 2. -P. 146-152.

24. Models and Analysis in Distributed Systems / ed. by S. Haddad, F. Kordon, L. Pautet, L. Petrucci. – London-Hoboken: Wiley-ISTE, 2011. -368 p