1

ТЕМА: «ДОСЛІДИТИ ТА РОЗРОБИТИ ТЕХНОЛОГІЇ КОМП’ЮТЕРНОГО МОДЕЛЮВАННЯ СИСТЕМ КЕРУВАННЯ ЗНАННЯМИ ПРИ ПРОВЕДЕННІ АНАЛІТИЧНОЇ ДІЯЛЬНОСТІ»

ШИФР ТЕМИ - «УЗОР – 2014»

СТРОКИ - 01.2014 – 12.2018

НАУКОВИЙ КЕРІВНИК РОБОТИ -

Додонов Олександр Георгійович, засл. діяч науки і техніки України,

д.т.н., професор, заступник директора ІПРІ НАН України

2

Напрями досліджень 2017 року

Дослідження і розробка технології моделювання аналітичної діяльності з використанням сценарно-цільового підходу і систем керування знаннями з можливістю обробки стратегічно великих масивів даних (Big Data)

Дослідження і розробка технології формування комп‘ютерного середовища для моделювання аналітичної діяльності із системою керування знаннями

Підготовка проміжного річного звіту

Метою науково-дослідної роботи є дослідження та розробка технологій комп‘ютерного моделювання систем керування знаннями при проведенні аналітичної діяльності, у тому числі з обробкою стратегічно великих масивів даних (Big Data), розробка методології побудови системи керування знаннями при проведенні аналітичної діяльності.

Мета роботи

3

І етап – 2014 рік

Визначення підходів до виділення й класифікації знань для проведення аналітичної діяльності, основних джерел знань та методів доступу до них, сучасних методів та засобів формального опису знань

Етапи виконання

ІІ етап – 2015 рік

Аналіз та дослідження методів оцінки достовірності знань, визначення параметрів для оцінки актуальності знань і методів їх актуалізації, методів розширеного пошуку знань для виконання аналітичної діяльності

ІІІ етап – 2016 рік

Дослідження і розробка методів побудови концептуально-логічних моделей баз знань для виконання аналітичної діяльності, методів побудови моделей систем керування знаннями,

як ряду стратегій і методів, що використовуються для отримання, опису, представлення, розповсюдження і використання знань та досвіду

ІV етап – 2017 рік

Дослідження і розробка технології моделювання аналітичної діяльності з використанням сценарно-цільового підходу і систем керування знаннями з можливістю обробки стратегічно великих масивів даних (Big Data), технології формування комп‘ютерного середовища для моделювання аналітичної діяльності із системою керування знаннями

V етап – 2018 рік

Дослідження методів і розробка технології адміністрування і управління системою керування знаннями при реалізації сценаріїв аналітичної діяльності, розробка методології побудови системи керування знаннями на основі технологій комп‘ютерного моделювання

4

Класифікація знань

Знання

емпіричні – спостереження, явища

теоретичні – закони, теорії, абстракції, узагальнення

особисті – знання пізнавального характеру (знаю, що)

прикладна майстерність (знаю, як)

системне уявлення (знаю, чому)

особиста мотивація творчості (хочу знати, чому)

організаційні – стратегічні доктрини і програми, теоретичні знання конкретної сфери діяльності,

технологічні і виробничі стандарти, правила і інструкції, комерційні знання

неявні – досвід, майстерність, культура мислення, інтуїція, здатність людини до адаптації

явні – опис теорій, методів, методик, технологій, механізмів і машин, конструкцій, систем і т.д.,

що зберігаються на фізичних носіях (книги, паперові документи, малюнки, схеми, фільми,

аудіо та відеозаписи, електронні файли, бази даних)

необхідна для фахівців сукупність даних, яка використовується за певними правилами з урахуванням професійного ставлення, відношення фахівців до цієї інформації для надання допомоги в прийнятті рішень

Європейська Концепція по керуванню знаннями [European Guide to good Practice in Knowledge Management, Part1] 2002

​

Знання

5

Основні джерела і форми представлення знань

Знання у пам‘яті людини, як результат мислення і попереднього досвіду (неформалізовані знання)

Формалізовані знання - зафіксовані на мовах представлення знань (продукційні мови, семантичні мережі, фрейми, дескриптивна логіка)

​

Бази знань – машинні носії в комп’ютерних системах

​

​

6

ОСНОВНІ ВИЗНАЧЕННЯ

ДАНІ → ІНФОРМАЦІЯ → ЗНАННЯ

ДАНІ масиви незв'язних різнорідних територіально-розподілених даних фактичного характеру, що описують об’єкти, процеси або явища предметної області, а також їхні властивості по, яким можна лише виконувати елементарний пошук

ІНФОРМАЦІЯ попередньо оброблені та узагальнені дані, класифіковані за певною ознакою, що становлять інтерес для фахівців при проведенні аналітичної діяльності у визначеній ПрО. Отримання інформації з даних виконується із застосуванням методів аналітичної обробки, узагальнення, групування, математичних моделей і методів, методів класифікації, структуризації і систематизації, аналітичної обробки даних, узагальнення

ЗНАННЯ сукупність даних та про об'єкт, що включають інформацію про властивості об'єктів, закономірності процесів і явищ, а також правила використання цієї інформації для прийняття та ухвалення рішень

БАЗА ЗНАНЬ — це сукупність відомостей про реальні об'єкти, процеси, події або явища, що відносяться до певної предметної області та організовані таким чином, щоб забезпечити зручне представлення цієї сукупності, яка представляє цінність для фахівців

МОДЕЛЬ ПРЕДМЕТНОЇ ОБЛАСТІ – складається з переліку взаємопов'язаних понять, що використовуються для опису цієї області, разом з властивостями й характеристиками, класифікацією цих понять, за типами, ситуацій, ознаками в даній області і законів протікання процесів в ній.

АНАЛІТИЧНА ДІЯЛЬНІСТЬ – сукупність процесів (збір, пошук, аналіз інформації та знань), які сприяють появи нових знань та спрямовані на обґрунтування рішень у різних сферах

7

Факти, відомості ЗМІ, мультимедійні дані

Сховища

документів

Бази даних

ДАНІ

Результат аналізу: узагальнення, групування, класифікація, структурування та систематизація даних о подіях, процесах, явищах, які спостерігаються в предметної області

Обробка «сирих» даних з використанням математичних та інформаційних методів і моделей

Знання як продукт осмислення аналітиком попередньо обробленої інформації

Знання, отримані на підставі логічного виведення із застосуванням онтології

Семантична обробка інформації, включаючи онтологічні моделі

Засоби комп’ютерного моделювання сценаріїв аналітичної діяльності

ІНФОРМАЦІЯ

ЗНАННЯ

Дані Інформація Знання

8

Методологія аналітичної діяльності

1. Визначення цілей, мети та проблеми аналізу
2. Аналіз наявних знань, інформації та прецедентів
3. Збір даних, інформації, знань, пов’язаних з проблеми аналізу
4. Інтерпретація зібраних факторів та знань
5. Розробка робочої гіпотези для дослідження проблеми
6. Визначення критеріїв оцінки
7. Аналіз та перевірка гіпотези і оцінка її коректності методами
8. Процес синтезу нових знань
9. Оформлення аналітичних матеріалів

​

9

Результат інформаційно-аналітичної діяльності

Інформаційні документи

Аналітичні документи

Мультимедійні документи

10

Управління знаннями

11

Головні завдання та інформаційні технології підтримки системи управління знаннями

• Цифрування технічної інформації, представленої на паперових носіях
• Моніторинг Інтернет-ресурсів для отримання нової інформації
• Завантаження інформації із зовнішніх баз даних
• Конвертування інформації, представленої різноманітними форматами до робочого формату системи управління знаннями (KMS)
• Потокове завантаження даних до сховища та бази знань системи
• Створення та супроводження онтології предметної області: мережі понять, поєднаних семантичними зв'язками, а також засобів автоматичного пошуку та наповнення баз знань з зовнішніх ресурсів і баз даних (характеристик персоналу, технічних класифікаторів тощо)
• Технології поглибленого аналізу текстів/даних - Text/Data Mining, витягу знань Knowledge Extraction
• Створення зручних інтерфейсів користувача для навігації по базі знань предметної області та розробка типових сценаріїв роботи і формування запитів до БЗ з метою отримання необхідної інформації в режиме реального часу
• Застосування різноманітних машин логічного виводу Knowledge Search Engine для отримання нових знань по запитах, складених як дескрипційниії мові, так і на звичайній мові

12

Класифікація моделей формального опису знань

Моделі знань

Логічні моделі

Числення висловів

Числення предикатів

Продукційні моделі, засновані на правилах

Фреймові моделі знань

Мережеві моделі знань

Нейронні моделі

Онтологічні моделі

Об’єктно-орієнтовані моделі знань

Спеціальні моделі знань

Комплексні (інтегровані) моделі знань

13

Інтегрована модель подання знань для аналітичній системи

При створенні аналітичних систем, які дотримуються парадигмі ДАНІ → ІНФОРМАЦІЯ → ЗНАННЯ, виникає необхідність в об’єднанні різних методів опису знань, оскільки жодний окремий метод не може забезпечити в повному обсязі опис моделі знань реальній аналітичній системи

14

Критерії ефективності моделі знань

15

1. Визначення концептів предметної області, тобто базових понять – класів, сутностей, категорії (< Active Ontology >, < Entities >, < Classes >), які описують ПрО аналітичній системи.
2. Визначення множини властивостей, які описують властивості концептів ПрО та дозволяють, в кінцевому розумінні, створювати базу знань предметної області. Формування властивостей концептів у ОКВС виконується із застосуванням механізмів визначення, атрибутів та ролей (< Data Properties>).
3. Встановлення відносин між концептами предметної області та їх властивостями із застосуванням механізмів формування предикатів (< Object Properties >), які мають враховувати функціональну спрямованість відношень, наприклад, «вирішує задачі», або «входить до складу» тощо;
4. Встановлення числових або логічних обмежень, які використовуються при опису властивостей екземплярів (< Individuals >) бази знань. Це реалізується через механізми визначення аксіом (< Axiom>) або фацет (< Valiu>). Наприклад, значення максимальної швидкості для наземних об’єктів обмежується певною величиною;
5. Формування бази знань із застосуванням механізму опису екземплярів бази знань та її наповнення (< Individual by class >);
6. Розробка типових шаблонів запитів до бази знань з використанням різних мов запитів DL Query, SPARQL Semantic Web Rule Language та машин виводу – Reasoners;
7. Перевірка коректності функціонування онтологічної моделі ПрО з точки зору її відповідності вихідним цілям і завдання та знаходження розривів в онтології із застосуванням механізму дослідження Ontograf. Оцінка здійснюється на основі аналізу результатів тестування різними машинами виводу (Reasoners) та складання різноманітних типів запитів;
8. Розробка стратегії вдосконалення онтологічної моделі ПрО та проведення відповідних доробок.

Методологія семантичного моделювання бази знань аналітичній системи

16

Технологія побудови моделі прикладної онтології предметної області

17

Технологія моделювання аналітичної діяльності (експертних систем) на основі нечіткої отології та прецедентів

18

За

Мови та інструментальні засоби формального опису знань

XML – eXtensible Markup Language – розширювана мова розмітки, яка призначена для опису ієрархічної структури інформації за допомогою лінійного синтаксису. Моделлю даних є ієрархія (дерево)

RDF – Resource Description Framework - мова структури опису ресурсів (документів, користувачів тощо). Моделлю даних цієї мови є орієнтований граф, який відповідає моделі подання знань як багатовимірної мережі понять і відносин між ними

RDFS – RDF Vocabulary Description Language, RDF Schema – мова опису RDF, призначена для запису метаданих на мові RDF. Використовується для опису словників понять і відносин (властивостей)

OWL – Ontology Web Language - мова Web-онтологій, заснована на дескриптивній логікі SPARQL – Protocol and RDF Query Language — мова запитів, представлених моделлю RDF, та протокол для передачі цих запитів і відповідей на них

SWRL – Semantic Web Rule Language – мова для висловлювання правил онтології, а також логіки, поєднуючи мови OWL DL або OWL Lite

Protégé – візуальний редактор для створення та редагування онтології

Neo4j – графічна база даних. Реалізована з використанням Java машини. Зберігає дані у вигляді графів

Gephi – набір інструментальних засобів для візуалізації та аналізу баз даних, представлених у вигляді графів (в тому числі й Big Data) відкрита платформа

​

19

Редактор онтології Protégé 5

20

Приклад побудови моделі онтології для МК КСУ КС

21

Оцінка ефективності систем управління знаннями

22

Методи оцінки достовірності знань

Достовірність інформації – властивість інформації, яка визначає ступінь об'єктивного, точного відображення подій, фактів, що мали місце

Процес отримання достовірної інформації - складний аналітичний процес, що залежить від багатьох факторів. Неможливо дати універсальну методологію, що може бути застосована у загальному виді для будь-якої ПрО

Релевантність - семантична відповідність пошукового запиту і пошукового образу документа

• змістовна релевантність - відповідність документа інформаційному запиту, яка визначається неформальним шляхом
• формальна релевантність, тобто відповідність документа, яка визначається шляхом порівняння пошукового запиту з шаблоном документа

TF-IDF- term frequency - inverse document frequency - метод оцінки релевантності визначає таблицю статичних показників, що використовується для оцінки важливості слів у контексті документу. Значимість слова пропорційна кількості вживань цього слова у документі

​

Показник TF-IDF використовується в задачах аналізу текстів та інформаційного пошуку. Його застосовують як один з критеріїв релевантності документу до пошукового запиту

23

Порівняльний аналіз мов запитів до бази знань за критерієм зручності

Мова запитів SPARQL

Мова запитів DL-Query

SPARQL-запит з FILTER (?Noise_emission > 60 db) має такий вигляд:

PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>

PREFIX owl: <http://www.w3.org/2002/07/owl#>

PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>

PREFIX xsd: <http://www.w3.org/2001/XMLSchema#>

SELECT ?Hydroacoustic_object ?Noise_emission

WHERE {

? Hydroacoustic_object: Helicopter ;

rdfs:label ? Hydroacoustic_object;

prop: Noise_emissionEstimate ? Noise_emission.

FILTER (?Noise_emission > 60 db) .

Інтелектуальний інтерфейс формування запиту

24

Метод побудови концептуально-логічних моделей баз знань, заснованих на прецедентах

24

Багаторівнева архітектура системи управління знаннями на основі онтології

Документи організації

Реляційні дані

HTML дані

Зовнішні

Бази знань

Рівень Даних організації

Рівень конвертації/

перетворення даних

Витяг текстової інформації

Web – сервіс

Web – сервіс

Web – сервіс

Web – сервіс

Аналітичні

застосунки

Рівень онтології

(включаючи n – доменні)

SPARQL запрос

SPARQL запрос

SPARQL запит

SPARQL запит

Інтелектуальний інтерфейс Користувача

Linked Data

Linked Data

Конвертор реляційних даних в RDF

Конвертор моделей знань в RDF

25

25

Загальний сценарій аналітичної діяльності на базі онтологічного підходу

Онтологічна модель ПрО – система взаємопов'язаних понять, відношень, властивостей, обмежень,

правил виводу

База знань на основі онтології

Редактор онтології

Формування моделі ПрО на мові OWL 2

Завдання основних аксіом та правил формування бази знань ПрО

Машини логічного виводу

Формування запитів на базі типових сценаріїв

Big Data

​

​

​

​

​

Запит до системи

Отримані

Знання

Конвертори для перетворення та пошуку даних відповідно до онтологічної моделі ПрО

Excel

HTML

Driver DB

26

Сценарій аналітичної діяльності на основі нечіткої отології та прецедентів

27

Сценарій аналізу багатовимірних даних

1) Визначення (вибір) учасників виконання сценарію

2) Визначення основних кроків сценарію, умов і подій, що задіяні в процесі виконання сценарію

3) Формування САД як взаємопов’язаних елементів сценарію від початкового елемента до кінцевого

4) Прив’язки елементів сценарію у вигляді функцій/процедур обробки даних

5) Реалізації необхідних для сценарію але відсутніх функцій/процедур

6) Перевірки сумісності, повноти та наявності реалізації всіх елементів САД

7) Збереження опису сценарію у БД сценаріїв, з можливістю їхнього пошуку, корекції та повторного виконання

Приклад сценарію аналізу великих даних держбюджету

28

Формування сценаріїв роботи аналітика в Web-середовищі на основі наявних сервісів

​

Множина Web –сервісів, включаючи хмарні сервіси, які пропонуються різними провайдерами: Amazon Web Services, Microsoft Azure, Google Cloud Platform, IBM Cloud, Red Hat, Adobe, Oracle Cloud, SAP та інші

пошук, витяг даних та знань, верифікація, візуалізація, методи обробки даних різної природи

29

Інтегроване середовище для моделювання процесів аналізу великих даних

30

Моделювання процесів витягу знань з великих даних

Методологія побудови моделі процесів обробки даних із застосуванням візуальних методів

• Інтелектуальний аналіз даних – Problem Definition фокусується на розумінні цілей і вимог, які висуваються до аналізу даних
• Підготовка даних – Data Gathering and Preparation охоплює всі завдання, що виникають при очищенні даних їх перетворенні, які потрібні для побудови моделі процесу обробки даних
• Побудова моделі процесу обробки даних у вигляді графу – Model Building
• Навчання моделі обробки даних на контрольної вибірки – Lerning
• Перевірка коректності моделі обробки на великих даних та її розвиток – Model Evaluation

31

Rapid Miner – універсальна платформа для аналізу стратегічно великих масивів даних

32

Приклад застосування методів кластеризації при досліджені даних

Модель процесу кластеризації засобами Rapid Miner

Вхідні дані

Застосування різних методів кластеризації

k-means

X-means

K-Medoids

33

<object-stream>

<com.rapidminer.example.set.SimpleExampleSet id="1" serialization="custom">

<com.rapidminer.operator.AbstractIOObject>

<default>

<source>Clustering (2)</source>

</default>

</com.rapidminer.operator.AbstractIOObject>

<com.rapidminer.operator.ResultObjectAdapter>

<default>

<annotations id="2">

<keyValueMap id="3">

<entry>

<string>Source</string>

<string>//Local Repository/GDP_2017_3</string>

</entry>

</keyValueMap>

</annotations>

</default>

</com.rapidminer.operator.ResultObjectAdapter>

<com.rapidminer.example.set.AbstractExampleSet>

<default>

<idMap id="4"/>

<statisticsMap id="5"/>

</default>

Фрагмент XML-коду моделі кластерізації вхідної вибірки з групування вхідних даних методом k-means при (К=8)

34

Частотний аналіз

Аналіз чутливості

Приклад застосування методу імітаційної оптимізації при аналізі великих масивів даних на базі платформи Analytic Solver Platform

Функція PsiNormal кращого наближення

Критичні процеси

35

36

Основні завдання

1. Моделювання систем керування знаннями при проведенні аналітичної діяльності з метою знаходження скритих закономірностей та отримання нових знань;
2. Моделювання процесів аналізу даних, включаючи великі, та експериментальне підтвердженням якості аналізу даних на контрольних вибірках;
3. Відпрацювання типових сценаріїв аналітичної діяльності, отриманих в процесі моделювання обробки даних різних типів (структурованих, неструктурованих, слабоструктурованих) з метою отримання нових знань;
4. Розробка типових шаблонів запитів до бази знань з використанням різних мов запитів DL Query, SPARQL Semantic Web Rule Language та машин виводу – Reasoners;
5. Інтеграція та агрегація великого обсягу даних, представлених різними форматами (структурованих, текстових та мультимедійних даних) для проведення аналітичної діяльності;
6. Гнучкий пошук даних та знань, включаючи онтологічні методи та технології пошуку та находження асоціацій;
7. Управління персоналізаціє змісту Web-порталу на основі призначеної чи передбачуваної ролі користувача.

​

37

Онтологічна модель аналітика – користувача Web-порталу

38

Основні функції адміністратора управління знаннями (Knowledge administrator)

1. Створення структури бази знань корпоративного на Web-порталу основі мережевої об’єктно-орієнтованої моделі даних (включаючи онтологічну модель
2. Створення структури Web-сайта та налаштування тематичних рубрик Web-сторінок на розділи бази знань відповідно до онтологічної моделі предметної області
3. Налаштування типових робочих процесів публікації знань у відповідності з ієрархією тематичних рубрик на сторінках корпоративного на Web-порталу.
4. Завдання властивостей знань (зовнішнього вигляду та функціональності базових аналітичних функцій) для організації інтелектуального пошуку та обробки знань з урахуванням особливостей предметних областей організації.
5. Створення домашніх сторінок користувачів, якщо потрібно організувати індивідуальні бази знань, які враховують специфіку роботи певної категорії користувачів .
6. Інтернаціоналізація знань – організація знань для користувачів, які володіють кількома мовами та можуть активувати додаткові функції інтернаціоналізації знань.
7. Дублювання окремих знань із зовнішніх ресурсів та розміщення їх у середні аналітичної системи організації для використання у якості шаблонів.
8. Управління правами доступу користувачів до окремих категорії знань в межах організації.
9. Автентифікація і авторизації користувачів дозволяє перевіряти повноваження і для користувачів і груп.

39

Управління знаннями корпоративного Web-порталу за технологією Joomla

• <Створення меню> (тематичне меню відповідно до моделі організації контенту типу Tree-Net), <Користувачи>, <Повноваження>, <Реєстрація>, <Авторизація>, <Пошук>, <Розумний пошук>
• Управління структурою контенту
• Редагування контенту
• Налаштування та управління правами доступу
• Бібліотека шаблонів
• Створення багатомовних Web-сторінок

​

Відкрита універсальна система керування вмістом для публікації інформації в інтернеті

40

Приклад управління процесом моделювання та формування бази знань

41

Приклад залучення різноманітних інструментальних засобів в аналітичній системі при обробці різнотипних даних

42

РЕЗУЛЬТАТИ ДОСЛІДЖЕННЯ

1. Досліджено існуючи підходи щодо класифікації знань та запропоновано класифікацію знань, яка враховує особливості аналітичної діяльності в сучасних умовах, коли значна частина знань визначається як неявні знання, що містяться в великих даних.
2. Досліджено роль та місце джерел знань при здійснені аналітичної діяльності та проаналізовано переваги та недоліки різних методів доступу до джерел інформації та знань, включаючи й розподілені інформаційні ресурси у Web-просторі.
3. Досліджено методи та формальні моделі опису знань для різних сфер аналітичної діяльності. Проведено порівняльний аналіз різних моделей баз знань для виконання аналітичної діяльності для різних типів даних. Показано, що при створенні прикладних аналітичних систем все більш актуальним є питання об’єднання різних методів опису знань, оскільки жодний окремий метод не може забезпечити у повному обсязі опис моделі знань реальній аналітичній системи.
4. Проведено аналіз методів оцінки достовірності знань та досліджено ефективності методів визначення параметрів для оцінки актуальності знань для аналітичних систем різного спрямування.
5. Досліджено методи розширеного пошуку знань для виконання аналітичної діяльності в залежності від оперативності одержання результатів (в реальному часі, оперативні знання).
6. Запропоновано та розроблено підхід щодо побудови інтегрованої моделі подання знань, яка враховує не тільки методи подання знань за різними моделями (онтологічної, мережевий, продукційної та інших), але й засоби формування логічних правил та процесів (сценаріїв) виведення нових знань. Це дозволяє використовувати різні моделі знань в однієї аналітичній системі (онтологічні, мережеві, реляційні знань), які дозволяють отримувати знання з різних типів даних (структурованих, неструктурованих, слабоструктурованих), розташованих в розподіленому середовищі, включаючи WWW-простір..

​

43

7. Проведене дослідження сучасних мов формального опису знань: XML, RDF, RDFS, OWL, SPARQL Protocol and RDF Query Language — мова запитів, представлених по моделі RDF, а також протокол для передачі цих запитів і відповідей на них, SWRL Semantic Web Rule Language – мова, яка використовується для висловлювання правил онтології, а також логіки, поєднуючи мови OWL DL або OWL Lite
8. На підставі запропонованого інтегрованого підходу розроблено метод побудови моделей систем керування знаннями для аналітичної діяльності, як ряду стратегій і методів, що використовуються для отримання, опису, представлення, розповсюдження і використання знань та досвіду в аналітичній системі будь-якого спрямування.
9. Розроблено та реалізовано технологію моделювання аналітичної діяльності на базі інтегрованого підходу з використанням сценарно-цільового підходу і системи керування знаннями, у тому числі при обробці Big Data. Технологія базується на застосуванні сучасних платформ: мови OWL 2, SPARQL, SWRL, редактора онтології Protégé 5, конверторів для перетворення різноманітних форматів даних – Ontop Mapping, машин логічного виводу – Reasoner, засобів виводу по прецедентах – Jcolibri, що дозволяє отримувати та досліджувати реальні моделі аналітичної системи, заснованої на знаннях.
10. В якості інструментальної бази для побудови аналітичних систем, орієнтованих на обробку Big Data, визначено, що найбільш доцільно використовувати вільно розповсюджувані платформи Data Analysis Analytic Solver Platform, які є надбудовою Excel, а також RapidMiner – універсальну платформу для DataMining, які пропонують широкий спектр методів та процедур обробки структурованих, неструктурованих, слабо структурованих, текстових даних, а також даних соціальних мереж.

РЕЗУЛЬТАТИ ДОСЛІДЖЕННЯ

​

44

РЕЗУЛЬТАТИ ДОСЛІДЖЕННЯ

11. Розглянуто методи моделювання процесів обробки великих масивів даних на базі універсальних платформ (RapidMiner, Data Analysis, Analytic Solver Platform та інших) для знаходження неявних знань (скритих закономірностей в даних) та проаналізовано особливості їх застосування при прийнятті рішень для різних сфер діяльності таких як статистка, управління, фінансовий аналіз.
12. Запропоновано архітектуру дослідно-технологічного стенду для моделювання систем керування знаннями при проведенні аналітичної діяльності та реалізовано такий стенд у вигляді корпоративного Web-порталу. Стенд включає різноманітні інструментальні засоби моделювання систем керування знаннями, а також методи та інструментальні засоби семантичної обробки даних, що дозволяє не тільки моделювати процеси обробки структурованих, неструктурованих, текстових, соціальних типів даних та знаходити оптимальні рішення для аналітичних додатків, а й отримувати практичні результати моделювання у вигляді реального програмного коду для аналітичних застосунків.
13. Проведено дослідження методів адміністрування системою управління знаннями, включаючи й Web-системи, та запропоновано методологію побудови таких систем при реалізації сценаріїв аналітичної діяльності для різних застосувань. Запропонована методологія базується на методах та технологіях комп‘ютерного моделювання та враховує сучасні тенденції побудови систем управління знаннями.

45

Публікації за темою дослідження за 2014 - 2018 роки

• Статті у фахових виданнях:
• Додонов А.Г., Кузьмичев А.И. Оперативное принятие решений в нештатных ситуациях: модель расписания проекта по критерию «время-стоимость» // Реєстрація, зберігання і обробка даних, 2014.- Т.16.- №2.– С.122-132.
• .Додонов А.Г., Путятин В.Г., Куценко С.А., Низиенко Б.И., Юрасов А.А., Додонов Е.А. Компьютерное моделирование системы организационного управления авиационным комплексом // Реєстрація, зберігання і обробка даних, 2014.- Т.16.- №3.– С.25-44.*
• Бочаров В.В., Додонов О.Г., Кузьмичов А.І. Оцінювання альтернативних проектних рішень за оптимізаційною методологією DEA в EXCEL //Реєстрація, зберігання і обробка даних, 2015. - Т.17. - №2. – С. 72-82.*
• Додонов А.Г., Ландэ Д.В. Архитектура системы информационной піддержки на основе мониторинга информационного пространства и метода сценарного анализа // Інформаційні технології та спеціальна безпека, 2015, - №1. – С. 3-14.*
• Додонов А.Г., Путятин В.Г.. Куценко С.А., Юрасов А.А. Сценарный подход к моделированию функциональных задач на компьютерном моделирующем комплексе // Математичні машини і системи, - 2015, - №2. С.113-129.*
• Додонов А.Г., Гора О.Б., Путятин В.Г. Інформаційна-аналітична підтримка контролю за виконанням державних управлінських рішень. // Математические машины и системы. – 2015. - №4. - С. 33-44*
• Додонов А.Г., Путятин В.Г.. Куценко С.А., Юрасов А.А. Сценарный подход к моделированию функциональных задач на компьютерном моделирующем комплексе // Математичні машини і системи, - 2015, - №2. С.113-129.*

46

Публікації за темою дослідження за 2014 - 2018 роки

• Статті у фахових виданнях:
• Додонов А.Г., Ландэ Д.В., Бойченко А.В. Сценарный подход при исследовании динамики информационных потоков в сети Интернет// Открытые семантические технологии проектирования интеллектуальных систем (OSTIS-2015): материалы V междунар. науч.-техн. конф. (Минск 19-21 февраля 2015 года) / - Минск: БГУИР, 2015. - С. 225-230.*
• Додонов О.Г. Комп’ютерне моделювання процесів організаційного управління, Вісник НАН України, 2016, № 1. С. 69 – 77.
• Сенченко В.Р. Методи та технології обробки даних у системі моніторингу та аналізу держбюджету. Інформаційні технології та спеціальна безпека, 2016. № 1. С. 50 – 64.
• Руденко М.П. Людський фактор у комп'ютерних моделях динамічних процесів складних технічних систем. Інформаційні технології та спеціальна безпека, 2016. № 1 С. 80 – 86.
• Alexander Koval, Larisa Globa, Rina Novogrudska. The approach to web services composition. Hard and Soft Computing for Artificial Intelligence, Multimedia and Security, (Volume 534 of the series Advances in Intelligent Systems and Computing ). Springer international publication AG 2017, DOI 10.1007/978-3-319-48Кузьмичов А.І. Аналіз ризиків у мережевих моделях проектів засобами імітаційної оптимізації. Реєстрація, зберігання і обробка даних. 2017. Т19. №1. С.71-80.
• Сенченко В.Р., Бойченко О.А., Бойченко А.В. Дослідження методів та технологій інтеграції онтологічної моделі з реляційними даними. Реєстрація, зберігання і обробка даних, 2018, Т. 20, № 3. С. 91-101.
• 429-7, pp, 293-304.*

47

Конференції та інші видання

15. Коваль А.В., Бойко Ю.Д., Зайцева Е.А. Модель сценарно-целевого подхода при построении информационно-аналитической системы // Сборник тезисов 16-ой международной научно-технической конференции «Системный анализ и информационные технологи» SAIT-2014, Київ, 26–30 мая 2014 р. / ННК “IПСА” НТУУ “КПI”. – К.: ННК “IПСА” НТУУ “КПI”, 2014. – C. 105-106.
16. Коваль А.В., Зайцева Е.А., Бойко Ю.Д. Верифікація комп’ютерної моделі системи інформаційного управління // Збірник "Вісник НТУУ "КПІ". Інформатика, управління та обчислювальна техніка", 2014. — № 2. — С.26.
17. Сенченко В.Р. Концепція побудови інформаційно-аналітичної системи управління міграційними процесами в Україні // Информационные технологии и безопасность: основы обеспечения информационной безопасности. Материалы Международной научной конференции ИТБ-2014.- К.:ИПРИ НАНУ, 2014.- В.14.- С.60-67.
18. Додонов О.Г, Ланде Д.В., Коваленко Т.В. Архітектура системи інформаційної підтримки прийняття рішень на основі моніторингу інформаційного простору //Информационные технологии и безопасность. Материалы Международной научной конференции ИТБ-2015.- К.:ИПРИ НАНУ, 2015 -В.15.-С.3-6.*
19. Кузьмичев А.И. Оптимизационное моделирование в EXCEL задач о потоках в коммуникациях // Информационные технологии и безопасность. Материалы Международной научной конференции ИТБ-2015.-К.:ИПРИ НАНУ, 2015 -В.15.-С.141-148.
20. Зайцева К.А. Модель управління знаннями в інформаційно-аналітичних системах // Реєстрація, зберігання і обробка даних: зб. наук. праць за матеріалами Щорічної підсумкової наукової конференції 14-15 травня 2014 року / НАН України. Інститут проблем реєстрації інформації; відпов. ред. В.В. Петров. - К.: ІПРІ НАН України, 2014. - С. 61-63.
21. Приймачук В.П. Комп’ютерне моделювання предметної області інформаційно-аналітичної системи. Реєстрація, зберігання і обробка даних. Щорічна підсумкова наукова конференція 17-18 травня 2017 року: зб. наук. праць НАН України, Інститут проблем реєстрації інформації; відпов. ред. В.В.Петров. Київ: ІПРІ НАН України, C. 117-119.
22. Путятин В.Г., Куценко С.А. Сценарії протидії деструктивним впливам на комп’ютерні інформаційні мережі для високотехнологічних об’єктів // Информационные технологии и безопасность. Материалы Международной научной конференции ИТБ-2015.- К.:ИПРИ НАНУ, 2015 -В.15.-С.187-195.
23. Бойко Ю.Д. Моделирование систем управления знаниями при построении информационно-аналитических систем // Реєстрація, зберігання і обробка даних: зб. наук. праць за матеріалами Щорічної підсумкової наукової конференції 26-27 травня 2015 року - К.: ІПРІ НАН України, 2015. - С. 67-69.

​

​

48

Конференції та інші видання

24. Руденко М.П. Формування баз знань операторів екстремальних професій в авіаційній системі // Реєстрація, зберігання і обробка даних: зб. наук. праць за матеріалами Щорічної підсумкової наукової конференції 26-27 травня 2015 року - К.: ІПРІ НАН України, 2015. - С.90-92.
25. Сенченко В.Р. Особливості функціонування систем організаційного управління в умовах інформаційних впливів // Реєстрація, зберігання і обробка даних: зб. наук. праць за матеріалами Щорічної підсумкової наукової конференції 26-27 травня 2015 року - К.: ІПРІ НАН України, 2015. - С. 94-97.
26. Додонов О.Г., Горбачик О.С., Кузнєцова М.Г. Комп’ютерне моделювання та розробка систем організаційного управління. «Моделирование-2016»: Материалы У междунар. конф. (25-27 мая 2016, г.Киев). Киев, 2016. С. 77-80.
27. Senchenko V.R., Koval А.У., Globa L.S., Novogrudska R.L.lntelligent modeling system based оп Cloud-technology. 2016 ТЕЕЕ .Міжнародна конференція з інформаційно-телекомунікаційних технологій та радіоелектроніки (УкрМКо'2016/UkrMiCo'2016, Київ, 11—15 вересня 2016). Київ, 2016.*
28. Глоба Л.С. Коваль О.В., Новогрудська Р.Л., Сенченко В.Р. Створення сценаріїв обробки даних на ocновi онтологій. Системний аналіз та інформаційні технології: матеріали 18-ї Міжнародної науково-технічної конференції SAIT 2016 (Київ 2016)
29. Koval A., Senchenko V., Gagarin A., Gaydargu V.: Gathering and processing of information on marine moving facilities. IEEE BlackSeaCom 2017 – International Black Sea Conference on Communications and Networking 5-8 JUNE 2017 // ISTANBUL, TURKEY*
30. Senchenko V., Koval А., Gerayimchuk M., Khazanovych Y.: Ontological design of an intelligent system for studying hydroacoustical processes. IEEE ICPCSI-2017. International Conference on Power, Control, Signals and Instrumentation Engineering 21-22 September 2017 INDIA*
31. Novogrudska R.L., Globa L.S., Koval O.V., Senchenko V.R., Ontology model of intelligent modeling system for marine facilities identification, Proceedings of International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo), 2017, DOI:10.1109/UkrMiCo.2017.8095426, IEEE Digital Library, 8095426 (scopus)*
32. Novogrudska R., Globa L., Koval O. The Method of User’s Tasks Scenario Formation. The 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications 21-23 September, 2017, Bucharest, Romania*

​

49

33. Сенченко В.Р. Моделювання інформаційних систем, які засновані на знаннях. Реєстрація, зберігання і обробка даних: зб. наук. праць за матеріалами Щорічної підсумкової наукової конференції 17-18 травня 2017 року, ІПРІ НАН України. Київ, 2017. -126-129с
34. Senchenko V.R., Koval A.V. The Technology of Semantic Modeling for Knowledge Management Systems in Environment PROTEGE5 Информационные технологии и безопасность: материалы ХУII Международной научно-практической конференции ИТБ-2017( Киев, 30.11.2017). Киев, 2017. С. 211 – 234.
35. Senchenko V.R. Integrated knowledge description model for analytic activities. Информационные технологии и безопасность Сб. науч. трудов. – В.18. – К.:ИПРИ НАНУ, с. 223-231.
36. Сенченко В.Р. Моделювання процесів аналізу даних засобами RapidMiner для отримання нових знань. Реєстрація, зберігання і обробка даних: зб. наук. праць за матеріалами Щорічної підсумкової наукової конференції 16-17 травня 2018 року, ІПРІ НАН України. Київ, 2018. С. 133-136.

​

• Монографії:

​

• Додонов А.Г., Ландэ Д.В., Путятин В.Г. Компьютерные сети и аналитические исследования – К.: Феникс; ИПРИ НАН Украины, 2014. – 486 с.*
• Кузьмичов А.І. Планування та управління проектами. Моделювання засобами MS Excel. Практикум. Київ, 2016. 181 с.
• Додонов О.Г., Коваль О.В., Глоба Л.С., Бойко Ю.Д. Комп’ютерне моделювання інформаційно-аналітичних систем. Київ: ІПРІ НАН України, 2017. 239с.*
• Кузьмичов А.І. Аналітика мережевих структур. Моделювання засобами WinQSB та MSExcel. Вид-во Ліра-К. 2017, 200с.
• Novogrudska R. L., Globa L. S., Koval O. V. , Senchenko V. R. Ontology for Applications Development / chapter 2. Ontology in Information Science / book edited by Ciza Thomas, Print ISBN 978-953-51-3887-7, Published: March 8, 2018.-P.29-53 http://dx.doi.org/10.5772/intechopen.74042
• Novogrudska R. L., Globa L. S., Koval O. V., Senchenko V. R. Examples of Ontology Model Usage in Engineering Fields / chapter 3. Ontology in Information Science / book edited by Ciza Thomas, Print ISBN 978-953-51-3887-7, Published: March 8, 2018.-P.254-81 http://dx.doi.org/10.5772/intechopen.74369.

50

Дякую за увагу