СПОСОБЫ ВИЗУАЛИЗАЦИИ КАЧЕСТВА БАЗЫ ЗНАНИЙ ПО АВТОМАТИЗАЦИИ ПРЕДПРИЯТИЙ НА ПРИМЕРЕ СИТУАЦИОННОЙ ИНСТРУМЕНТАЛЬНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ

 

А.Е.Дзенгелевский

Национальный исследовательский ядерный университет «МИФИ», Россия

Dzengelewski@gmail.com

 

Содержание

1. Введение

1.1. Существующие средства визуализации баз знаний

1.2. Цели визуализации базы знаний

1.3. Область автоматизации предприятий

2. СИЭС как инструмент реализации баз знаний

2.1. Структура базы знаний СИЭС

2.2. Визуализация базы знаний СИЭС

2.3. Изображение вложенных ситуаций

2.4. Особенности базы знаний об автоматизации предприятий

3. Заключение

Список литературы

 

Аннотация

В данной статье рассмотрены возможные показатели качества баз знаний. Наряду с показателями, используемыми для баз данных, предлагается использовать дополнительные показатели, такие как «связность».

В качестве предметной области базы знаний рассмотрена автоматизация предприятий. Показано, что для построения современной эффективной корпоративной информационной системы КИС необходимо правильно определить цели и участки автоматизации, после чего выбрать требуемые модули или систему автоматизации.

Предложены способы визуализации показателей качества знаний: полнота, непротиворечивость, актуальность и связность для базы знаний ситуационной инструментальной экспертной системы (СИЭС). Рассмотрены показатели качества как базы знаний в целом, так и разделов базы знаний СИЭС (ситуаций). Последовательно изложены способы визуализации качества базы знаний на основе вложенных кругов, графически отражающих качество знаний СИЭС. Приведены графические примеры, когда для полноты и непротиворечивости используются цвета, а для оценки связности относительные размеры вложенных кругов. Предложен алгоритм геометрического построения центров вложенных кругов, соответствующих вызываемым ситуациям, внутри круга, соответствующего вызывающей ситуации.

Для описания средств автоматизации предлагается использовать подход модели Захмана (Zachman Framework). В этом случае база знаний СИЭС расширяется моделями целей, организационной структуры, данных, функций, сетей и процессов. Показатель полноты такой базы знаний расширяется за счет оценки наличия моделей разного уровня (контекстных, концептуальных, логических), хранящихся в базе знаний. Приведены примеры визуального представления базы знаний СИЭС в области автоматизации предприятий с использованием показателей полноты, непротиворечивости, связности и актуальности.

 

Ключевые слова: визуализация, база знаний (БЗ), экспертная система (ЭС), ситуационная инструментальная экспертная система (СИЭС),  корпоративные информационные системы (КИС), модель Захмана, полнота, непротиворечивость, связность, актуальность

 

1. Введение

 

В последнее время бурно развиваются возможности автоматизации предприятий, которые сложно отслеживать без механизмов формализации знаний. Решением является использование экспертной системы, ориентированной на максимально простой и доступный способ доступ к знаниям.

Одним из способов повышения удобства работы со сложной информацией является использование графических возможностей компьютера и средств визуализации.

 

1.1. Существующие средства визуализации баз знаний

 

Вопросам визуализации знаний посвящен ряд работ. Например, в  [1] описывается алгоритм преобразования многомерного пространства базы знаний к двумерному для получения наглядного изображения. В работе [2] система визуализации представлена как отдельный модуль, который может подключаться к экспертной системе. В статье [3] приводится пример средств визуализации, используемых системой искусственного интеллекта IBM Watson. В работе [4] говорится о важности принципа наглядности в семантических сетях и описываются средства, которые могут быть использованы для визуализации семантических сетей.  Среди них указаны и средства, которые могут быть использованы для любых сложных геометрических объектов.

Для отображения геометрических объектов в настоящее время существуют разнообразные средства и возможности визуализации. Обзор таких систем приведен в статье [5].

Рассмотрим возможные способы визуализации качества знаний на примере модуля ситуационной инструментальной экспертной системы (СИЭС) с базой знаний, содержащей рекомендации по выбору средств автоматизации предприятий.

 

1.2. Цели визуализации базы знаний

 

В качестве целей графической визуализации базы знаний определим следующие:

¾    возможность наглядно представить существующую структуру знаний проблемной области;

¾    возможность быстро найти нужный раздел базы знаний в ходе получения знаний пользователем или выявления знаний экспертом;

¾    возможность наглядно оценить качество базы знаний.

Задача оценки качества базы знаний представляется наиболее полезной.

В настоящее время существует целый ряд систем поддержки качества данных, содержащих средства визуализации качества данных. Среди них, например, Informatica Data Quality, SAP Information Steward, IBM Quality Stage, приведенные в качестве лидеров в обзоре Gartner Magic Quadrant for Data Quality Tools [1].  Основные показатели качества данных наиболее полно представлены в [6] и приведены в Таблице 1.

 

Таблица 1. Показатели качества данных

№

Русский

English

Значение

1

корректность

accuracy

поля содержат только допустимые значения;

2

полнота

completeness

наличие необходимых записей и заполнение обязательных атрибутов;

3

непротиворечивость

consistency

допустимость одновременного существования значений разных атрибутов, наборов атрибутов, наборов записей; непротиворечивость значений атрибутов в разных массивах

4

актуальность

currentness

в любой момент времени (возможно, с некоторой оговоренной задержкой) каталог содержит все требуемые записи с актуальным наполнением атрибутов

5

точность

precision

данные хранятся с требуемой степенью точности

6

обоснованность

reasonableness

подтвержденная необходимость наличия записи в каталоге

7

ссылочная целостность

referential integrity

использование допустимых ссылок на другие данные

8

временная зависимость

timeleness

обеспечение соответствия жизненного цикла разных записей

9

уникальность

uniqueness

отсутствие дублей или указание корректного статуса блокирования

10

правильность

validity

формат представления данных согласован и един для всех однотипных данных

 

Наглядная оценка качества знаний – это следующий этап развития данного направления. Понятно, что знания могут быть оценены как минимум набором показателей для данных. К ним могут быть добавлены дополнительные качества, присущие только знаниям. Среди них, например, связность, достоверность, длина цепочки вывода и другие.

Следует также отметить, что фактическое качество знаний может быть оценено двумя способами – либо непосредственно экспертами, либо автоматически. Далее пойдет речь об автоматических (формальных) способах оценки знаний, который могут быть выполнены алгоритмически. Будут рассмотрены следующие показатели:

¾    полнота;

¾    непротиворечивость;

¾    связность;

¾    актуальность.

Рассмотрим возможности оценки качества знаний для ситуационной экспертной системы по автоматизации предприятий.

 

1.3. Область автоматизации предприятий

 

В настоящее время на постоянно развивающемся рынке программных средств представлено большое количество систем автоматизации предприятий. Предлагаемые системы отличаются функциональными возможностями, стоимостными характеристиками, сроками и способами внедрения [7], [8]. Появление таких направлений развития, как «мобильные приложения», «интернет вещей», «большие данные», «социальные сети» и других приводит к созданию новых и развитию существующих систем автоматизации.

В то же время многие из производителей ориентируются на переход предприятий от использования монолитных приложений к интеграции отдельных сервисов в соответствии с подходом SOA (Service Oriented Architecture) [9]. Сервисы представляют собой отдельные программные модули со строго определенным интерфейсом, слабо связанные друг с другом. Существуют специальные платформы класса «промежуточного слоя» (middlware), позволяющие управлять данными сервисами. В итоге идеальная корпоративная информационная системы (КИС) представляет собой набор правильно подобранных систем или модулей, каждый из которых наиболее эффективно решает свою задачу.

Как было показано в [10], наиболее важными задачами на этапе выбора инструмента создания КИС в целом или ее элемента являются следующие:

1.      Формализация целей проекта автоматизации;

2.      Определение области (участка) автоматизации;

3.      Формирование требований к участку автоматизации;

4.      Выбор подходящей системы или модуля для участка автоматизации.

Наибольший эффект достигается, если все перечисленные задачи решаются комплексно.

 

2. СИЭС как инструмент реализации баз знаний

 

2.1. Структура базы знаний СИЭС

 

В настоящее время существует целый ряд экспертных систем, которые могли бы поддержать описываемую базу знаний. Наиболее полный обзор представлен в [11]. В качестве решения задачи выбора программных продуктов, предлагается использовать ситуационную инструментальную экспертную систему (СИЭС) [12, 13, 14, 15].

СИЭС использует семиотическую реляционно-сетевую модель представления знаний. Узлы однородной семантической сети (сценария) представляют собой ситуации, связанные отношением строгого порядка, определяющим порядок выполнения. Каждой ситуации соответствует набор продукций, в антецедентной части которых - комбинации возможных значений признаков ситуации, а в консеквентной - цепочки решений, и (или) ссылок на другие ситуации. В базе знаний (БЗ) условия классифицируются рекомендуемыми действиями на этапе интерактивного ввода знаний. Для организации диалога в системе используется терминология вопросов (  ) и ответов (  ) как наиболее удобная для пользователя и эксперта, неподготовленных в области инженерии знаний.

Рассматривая работу с ситуацией в контексте общения эксперта, системы и пользователя, приходим к следующему виду модели:

С = < {В}, {O}, {Д} >,                      ( 1 )

 

Здесь использованы обозначения следующих множеств:

{В} – Вопросы системы к пользователю;

{O} – возможные Ответы пользователя;

{Д} – Действия, выполняемые после обработки ситуации.

Действие (Д) определено как элемент булеана (множества всех подмножеств) множества процедур:

,

где КПр - количество процедур. В этом случае действие может состоять из одной процедуры, нескольких процедур или пустого множества возможных процедур.

В свою очередь, Процедура (Пр) представляет собой следующий тип данных:

                       ( 2 )

где  – Операция:

                     ( 3 )

где .

Подробнее данный подход представлен в [14].

 

Представленная модель базы знаний показывает, что может быть оценено как качество отдельной ситуации, так и качество базы знаний в целом.

1.      Для отдельной ситуации

¾    Полнота: общее количество правил (пар условие+действие), доля количества правил с непустыми процедурами (содержащими хотя бы одну рекомендацию);

¾    Непротиворечивость: доля правил с несколькими процедурами (случаи, когда несколько рекомендаций дается для одного условия);

¾    Связность: количество ссылок на данную ситуацию и из данной ситуации;

¾    Актуальность: срок, прошедший с даты проверки знаний, содержащихся в ситуации.

2.      Для базы знаний в целом:

¾    Полнота: количество ситуаций; количество связей между ситуациями, общее количество правил (пар условие+действие), доля полных ситуаций;

¾    Непротиворечивость: доля правил с несколькими процедурами (случаи, когда несколько рекомендаций дается для одного условия);

¾    Связность: количество связей между ситуациями;

¾    Актуальность: средний срок, прошедший с момента актуализации каждой ситуации.

Следует отметить, что если в каждой ситуации представлены фактически релевантные (обоснованные) признаки, а также фактически полны варианты их значений, то формальная правильность знаний приближается к фактической.

Рассмотрим пример визуализации перечисленных характеристик базы знаний.

 

2.2. Визуализация базы знаний СИЭС

 

Как следует из представленной модели базы знаний, в общем случае она представляет собой ориентированный граф, вершинами которого являются ситуации, а ребрами – операции, представляющие собой ссылки на другие ситуации.

Рассмотрим возможные объекты визуализации СИЭС. Среди них:

¾    общая база ситуаций;

¾    набор ситуаций и связей между ними, объединенный общим разделом или головной ситуацией;

¾    отдельная ситуация, включающая в качестве своих элементов вопросы, ответы, рекомендации, модели.

В общем случае набор ситуаций СИЭС можно изобразить в виде обычной иерархии, раскрывая которую можно быстро попасть к нужной ситуации (Рис. 1).

 

Рис. 1. Пример изображения набора ситуаций в виде графа

 

Альтернативный способ представления дерева ситуаций - в виде вложенных кругов, каждый из которых соответствует одной ситуации. При этом если из одной ситуации вызывается несколько других, то вызываемые ситуации могут быть изображены в виде кругов, вложенных в головную ситуацию (Рис. 2).

 

Рис. 2. Пример графического изображения набора ситуаций в виде вложенных кругов

 

Далее будет рассматриваться данный вариант, поскольку он представляется более наглядным и компактным для сложной структуры базы знаний. Если использовать представление ситуаций в виде кругов, то размер круга, толщина стенок, его цвет могут следующим образом соответствовать следующим характеристикам ситуаций, например:

¾    формальная полнота и непротиворечивость, в соответствии с цветами спектра (Рис. 3):

¾    синий: полная и непротиворечивая;

¾    зеленый: полная, но противоречивая;

¾    желтый: неполная, но непротиворечивая;

¾    красный: неполная и противоречивая;

¾    фактическая полнота (количество условий/ вопросов/ рекомендаций) и связность (количество ссылок на ситуации),  с помощью следующих графических элементов:

¾    размер круга по сравнению с соседними;

¾    толщина стенок.

 

Рис. 3. Пример графического изображения набора ситуаций с использованием цвета

 

Поскольку разные показатели могут быть важны в конкретном случае, предлагается дать пользователю или эксперту настроить возможность выбора наиболее важных характеристик для графического отображения. Кроме того, в целях экономии пространства изображения, предлагается ограничиться размером круга в качестве количественного показателя (Рис. 4).

 

Рис. 4. Пример графического изображения набора ситуаций с использованием цвета и размера

 

2.3. Изображение вложенных ситуаций

 

Для того, чтобы наглядно, в соответствии с их размером, разместить круги, соответствующие вложенным ситуациям в круге, соответствующем внешней ситуации, необходимо решить геометрическую задачу по размещению вложенных окружностей. Интересуют только случаи, когда количество вложенных ситуаций (ссылок на ситуации К первого уровня вложенности) больше одной.

Для решения этой задачи необходимо разделить круг на сектора, количество которых равно количеству вложенных ситуаций, а размер пропорционален количеству вложенных ситуаций следующего уровня. На рисунке 5 (Увеличение прибыли) вложенных ситуаций 3, а количество вложенных ситуаций следующего уровня соответственно 2 (Увеличение доходов), 4 (Уменьшение расходов) и 4 (Комплексное решение).

 

Рис. 5. Размещение вписанных окружностей по секторам внешнего круга

 

При этом площадь каждого из этих секторов должна быть пропорциональна количеству ссылочных ситуаций второго уровня вложенности. После этого останется вписать круг в каждый из выделенных секторов.

Для того, чтобы определить радиус вложенной окружности , и расположение центра окружности i, воспользуемся формулой вычисления радиуса круга, вписанного в сектор. Расчет такой формулы приведен, например, в [17], раздел 6.5.2.

В результате размер радиуса получаем по формуле (4).

  = R * sin (/2) /(sin (/2) +1)              (4)

Здесь

i – идентификатор вложенной ситуации;

  - радиус окружности, вписанной в сектор;

R – радиус внешнего круга;

 - угол, соответствующий сектору вписанной окружности.

 

Соответственно, размер угла  сектора, выделяемого для изображения одной вложенной ситуации , можно рассчитать по формуле (5).

 =  * 360 /                 (5)

Здесь

 – центральный угол сектора i.

 – ситуация, которую следует отобразить в виде вложенного круга;

 – ситуация, вызываемая из ситуации  (графически вложенная в ситуацию  );

 – Количество ситуаций , вложенных в ситуацию ;

 – Количество ситуаций, вложенных в ситуацию  .

Аналогично может быть рассчитана и длина сектора, соответствующего . Соответственно искомый центр круга, вписанного в сектор, соответствующий вложенной ситуации , находится на радиусе внешнего круга, проходящем через центр основания сектора на расстоянии радиуса  окружности, вписанной в данный сектор (Рис. 6).

 

Рис. 6. Размещение окружности, вписанной в сектор

 

2.4. Особенности базы знаний об автоматизации предприятий

 

В целях развития данной модели для описания знаний по автоматизации предприятий была рассмотрена парадигма «Enterprise Architecture», в рамках которой предлагаются различные подходы к описанию систем автоматизации предприятий. Среди них можно отметить модель Zachman Framework [17],  методику TOGAF [18], методологию ARIS [19] .

Все эти подходы объединяет необходимость описания следующих основных доменов:

¾    Motivation (Why?) – цели;

¾    People (Who?) – организационная структура;

¾    Data (What?) - данные;

¾    Function (How?) – функции;

¾    Network (Where?) – cети, технологическая архитектура;

¾    Time (When?) – последовательности, бизнес-процессы.

Примеры разделов базы знаний применительно к конкретным участкам автоматизации приведены в [10]. Таким образом, ситуацию о рассматриваемой предметной области необходимо дополнить множеством моделей доменов:

СБЗ КИС = < {В}, {O}, {Д}, {M} >                        (6)

Здесь

{М} = < {Мцелей}, {Моргструктуры}, {Мданных}, {Мфункций}, {Мсети}, {Mпроцессов}>                      (7)

В связи с этим, получаем еще одну важную оценку знаний – это наличие и кол-во моделей доменов данной предметной области.

Каждый набор моделей может быть построен с учетом уровней Zachman Framework [17] . На уровне базы знаний предлагается использовать следующие первые 3 уровня матрицы Zachman Framework:

1.      контекстный;

2.      концептуальный;

3.      логический.

В соответствии с правилами [17] , уровни должны заполняться последовательно. Поэтому получаем, в общем случае, заполненными либо 1-й, либо 1-й и 2-й, либо с 1-го по 3-й уровни. В данном случае полнота знаний о предметной области может быть представлена в виде круга, разделенного на 6 секторов с разной степенью заполнения (Рис. 7). На данном рисунке представлена ситуация с заполненным контекстным уровнем для доменов «Оргструктура» и «Функции», концептуальным уровнем для доменов «Процессы», логическим уровнем для доменов «Цели», «Данные» и «Сети».

 

Рис. 7. Пример графического отображения полноты множеств моделей участка автоматизации

 

На Рис. 8 представлена указанная нотация для рассмотренного ранее набора ситуаций. Следует иметь в виду, что оценка наличия модели имеет смысл только для ситуаций нижнего уровня, соответствующих конкретным участкам автоматизации.

 

Рис. 8. Пример графического изображения набора ситуаций с использованием цвета, размера и формы

 

Для отражения степени актуальности базы знаний на рисунке 8 использовалось обозначение года обновления ситуации. Для внешних ситуаций в качестве оценки используется год актуализации ситуации, наиболее актуальной из вложенных.

 

3. Заключение

 

В настоящее время сформированы свыше 100 комплектов требований для универсальных участков предприятия (например, «Учет основных средств») и для отраслевых участков (например, «Управление банком»).

Кроме выбора системы, представленная база знаний может использоваться на следующих этапах создания КИС:

1.      Планирование обследования предприятия;

2.      Планирование внедрения системы;

3.      Определение недостающих функций, а также функций, требующих доработки в выбранной системе автоматизации предприятия;

4.      Настройка выбранной системы автоматизации для реализации макета;

5.      Определение порядка использования системы.

         Формирование требований выполняется в ходе работы студентов в рамках выполнения домашнего задания по курсу «Корпоративные информационные системы» [20] в рамках развития направления использования экспертных систем в вузах [10], [21], [22].

Студентом кафедры системного анализа МИФИ Булатом Галиевым (bullbuster@ya.ru) разработан макет модуля визуализации базы знаний, доступный на сайте gnev41.github.io.

 

Список литературы

 

1.         Щуревич Е.В. Визуализация и анализ баз знаний интеллектуальных систем. Программные продукты и системы, № 2, 2009.

2.         Дейнега Л.Ю., Дейнега Р.В., Дубровин В.И. Визуализация знаний в экспертных системах. Интеллектуальные системы, т. 2, № 6, стр. 89-93, 2003.

3.         Парамонов О. Искусственный интеллект IBM Watson будет бороться с киберпреступностью. URL: https://xakep.ru/2016/05/13/watson/#.VzXXWIY_Uw8.linkedin. [Дата обращения: 16 05 2016].

4.         Унифицированный способ визуализации семантических сетей. [В Интернете]. URL: http://www.ostis.net/wiki/Введение в проект 11 . [Дата обращения: 09 06 2015].

5.         Стриханов М.Н., Дегтяренко Н.Н., Пилюгин В.В.,Маликова Е.Е., Матвеева Н.А., Аджтев В.Д., Пасько А.А. Опыт компьютерной визуализации наноструктур в НИЯУ МИФИ. Scientific Visualization, т. 1, № 1, pp. 1-18, 2009.

6.         Saul Judah, Ted Friedman. Magic Quadrant for Data Quality Tools 2014. Gartner Group, 2014.

7.         Mark Mosley, Michael Brackett, Susan Earley, Deborah Henderson. The DAMA Guide to the Data Management Body of Knowledge, NJ USA: DAMA International, 2010.

8.         Аглицкий И.С., Аглицкий Д.С. Российский рынок информационных технологий: проблемы и решения, Москва: Ламиндо, 2000.

9.         Гареев А.Ф., Дзенгелевский А.Е., Меленевский Б.Л., Евстратов М.К., Евсюков А.А., Маслов Д.С. Принципы построения современных КИС. Москва, 1998.

10.     Майерсон Д.М. Работа с Web-сервисами в корпоративных SOA, Электронная книга на сайте http://cmcons.com/articles/soa_i_web-servisy, 2008.

11.     Дзенгелевский А.Е., Румянцев В.П., Низаметдинов Ш.У. Использование базы знаний в учебном курсе. Информатизация образования и науки, стр. 95-115, 3 2012.

12.     Рыбина Г.В. Основы построения интеллектуальных систем: учеб.пособ., Москва: Финансы и статистика, 2010.

13.     Дзенгелевский А.Е. Экспертная система для выбора статистических процедур., т. 3, Минск: Вторая Всесоюзная конференция "Искусственный интеллект-90", Доклады, 1990, стр. 58-60.

14.     Dzengelewski A., Rumjantzev V., Zarovny A. The Situation Expert System, т. Annual Report'92 of Moscow Engineering Physics Institute, Moscow: , MEPhI,, 1992, стр. 185-191.

15.     Дзенгелевский А.Е. Математическое и программное обеспечение ситуационной экспертной системы. Диссертация на звание к.т.н., Москва: МИФИ, 1993.

16.     Дзенгелевский А.Е. Использование ситуационной инструментальной экспертной системы для выбора системы автоматизации. Москва, 2005.

17.     Дзенгелевский А.Е. Представление знаний с помощью модифицированной таблицы решений., Суздаль: Всесоюзное совещание 2 - по экспертным системам, Тез. докл., 1990, стр. 71-72.

18.     Грушевский С.П. Вписанная и описанная окружности около треугольника. [В Интернете]. Available: http://mschool.kubsu.ru/cdo/shabitur/kniga/geometr/6_5/6_5.htm.

19.     Zachman J.A. The Zachman Framework: A Primer for Enterprise Engineering and Manufacturing, Electronic book published March 2003. www.zachmaninternational.com. 2003.

20.     TOGAF Version 9: The Open Group Architecture Framework (TOGAF). Open Group, 2011. [В Интернете]. URL: http://pubs.opengroup.org/architecture/togaf9-doc/arch/. [Дата обращения: 01 12 2015].

21.     Шеер, Август-Вильгельм, Моделирование бизнес-процессов: Пер. с англ., Москва: «Серебряные нити», 2000.

22.     Дзенгелевский А.Е. Методические указания к выполнению домашнего задания по дисциплине «Корпоративные Информационные Системы». Функциональный анализ участков автоматизации предприятий, Москва: МИФИ, 2005.

23.     Дзенгелевский А.Е., Низаметдинов Ш.У., Румянцев В.П. Использование профессиональной экспертной системы в ВУЗе, 1992: Кибернетика и ВУЗ. Сборник N 27, Томск, стр. 49-59.

24.     Дзенгелевский А.Е. Подход к организации обучения технического специалиста по курсу «Корпоративные информационные системы». Интерактивная наука, стр. 86-91, 1 2016.



WAYS TO VISUALIZE THE QUALITY OF KNOWLEDGE BASE FOR ENTERPRISE AUTOMATION BY THE EXAMPLE OF SITUATIONAL INSTRUMENTAL EXPERT SYSTEM

A. Dzengelewski

National Research Nuclear University MEPhI (Moscow Engineering Physics Institute), Russian Federation

Dzengelewski@gmail.com

 

Abstract

In this article possible indicators of quality of knowledge bases are examined. Among the indicators, usually used for databases, it is proposed to use additional indicators such as "connectivity". The automation of enterprises is considered in the capacity of a domain knowledge base. It is shown that for creation of a modern and efficient corporate information system (CIS), it is necessary to identify goals and automation areas properly and then to choose the required modules or automation system.

Ways of visualization of quality indicators (completeness, consistency, currentness and connectivity) of the knowledge base of situational instrumental expert system (SIES) are proposed. Indicators of quality of knowledge base are considered in general as well as for sections of the knowledge base SIES (situations). The described ways of visualization of quality of the knowledge base are based on nested circles that graphically reflect the quality of the knowledge base. In the paper graphic examples are given, colors are used for completeness and consistency, and relative sizes of nested circles are used to evaluate connectivity. An algorithm of geometric construction of nested circles centers is proposed.

The Zachman Framework was used for description of automation tools. In this case, the knowledge base SIES is expanded by models of goals, organizational structure, data, functions, networks and processes. The indicator of "completeness" of this knowledge base is expanded by evaluating the presence of models at different levels (contextual, conceptual, logical) stored in the knowledge base. Examples of visual representation of the knowledge base of SIES in the field of automation of enterprises using the indicators (completeness, consistency, currentness and connectivity) are shown.

 

Keywords: visualization, knowledge base (KB), expert system (ES), situational instrumental expert system (SIES), completeness, consistency, currentness, connectivity, corporate information system (CIS), Zachman Framework.

 

References

 

1.         Shhurevich E.V. Vizualizacija i analiz baz znanij intellektual'nyh sistem [Visualization and analysis of the knowledge base of intelligent systems]. Programmnye produkty i sistemy, no. 2, 2009. [In Russian]

2.         Dejnega L.Ju., Dejnega R.V., Dubrovin V.I. Vizualizacija znanij v jekspertnyh sistemah [Visualization of knowledge in expert systems]. Intellektual'nye sistemy, vol. 2, no. 6, pp. 89-93, 2003.  [In Russian]

3.         Paramonov O. Iskusstvennyj intellekt IBM Watson budet borot'sja s kiberprestupnost'ju [artificial intelligence IBM Watson will fight cybercrime]. URL: https://xakep.ru/2016/05/13/watson/#.VzXXWIY_Uw8.linkedin. [Data obrashhenija: 16 05 2016]. [In Russian]

4.         Unificirovannyj sposob vizualizacii semanticheskih setej [The unified method of visualization of semantic networks]. [V Internete]. URL: http://www.ostis.net/wiki/Vvedenie v proekt 11 . [Accessed: 09 06 2015]. [In Russian]

5.         Strikhanov M.N., Degtyarenko N.N., Pilyugin V.V., Malikova E.E., Matveeva M.N., Adzhiev V.D., Pasko A.A. Opyt komp'juternoj vizualizacii nanostruktur v NIJaU MIFI [Computer visualization of nanostructures experience at nrnu "mepHi"]. Scientific Visualization, t. 1, № 1, pp. 1-18, 2009.  [In Russian]

6.         Saul Judah, Ted Friedman. Magic Quadrant for Data Quality Tools 2014. Gartner Group, 2014.

7.         Mark Mosley, Michael Brackett, Susan Earley, Deborah Henderson. The DAMA Guide to the Data Management Body of Knowledge, NJ USA: DAMA International, 2010.

8.         Aglickij I.S., Aglickij D.S. Rossijskij rynok informacionnyh tehnologij: problemy i reshenija [The Russian market of information technologies: problems and solutions]. Lamindo, 2000.  [In Russian]

9.         Gareev A.F., Dzengelevskij A.E., Melenevskij B.L., Evstratov M.K., Evsjukov A.A., Maslov D.S. Principy postroenija sovremennyh KIS [Principles of modern CIS]. Moskva, 1998.  [In Russian]

10.     Majerson D.M. Rabota s Web-servisami v korporativnyh SOA [Working with Web-services in enterprise-wide SOA]. http://cmcons.com/articles/soa_i_web-servisy, 2008.

11.     Dzengelevskij A.E., Rumjancev V.P., Nizametdinov Sh.U. Ispol'zovanie bazy znanij v uchebnom kurse [Using the knowledge base in a training course]. Informatizacija obrazovanija i nauki, pp. 95-115, 3 2012.  [In Russian]

12.     Rybina G.V. Osnovy postroenija intellektual'nyh sistem [Fundamentals of Intelligent Systems]. Finansy i statistika, 2010.  [In Russian]

13.     Dzengelevskij A.E. Jekspertnaja sistema dlja vybora statisticheskih procedur [Expert system for selecting statistical procedures]. vol. 3, Second All-Union Conference "AI-90", reports, 1990, pp. 58-60. [In Russian]

14.     Dzengelewski A., Rumjantzev V., Zarovny A. The Situation Expert System, t. Annual Report'92 of Moscow Engineering Physics Institute, Moscow: , MEPhI,, 1992, str. 185-191.

15.     Dzengelevskij A.E. Matematicheskoe i programmnoe obespechenie situacionnoj jekspertnoj sistemyMathematical and software situational expert system. the title of Ph.D. Dissertation, MEPhI, 1993.  [In Russian]

16.     Dzengelevskij A.E. Ispol'zovanie situacionnoj instrumental'noj jekspertnoj sistemy dlja vybora sistemy avtomatizacii [Using situational tool expert system to select the automation system]. 2005.  [In Russian]

17.     Dzengelevskij A.E. Predstavlenie znanij s pomoshh'ju modificirovannoj tablicy reshenij [Knowledge representation using a modified table of solutions]. Union Conference 2 - according to expert systems, Proc. rep., 1990, pp. 71-72. [In Russian]

18.     Grushevskij S.P. Inscribed and circumscribed circle around the triangle. URL: http://mschool.kubsu.ru/cdo/shabitur/kniga/geometr/6_5/6_5.htm. [In Russian]

19.     Zachman J.A. The Zachman Framework: A Primer for Enterprise Engineering and Manufacturing, Electronic book published March 2003. www.zachmaninternational.com. 2003.  [In Russian]

20.     TOGAF Version 9: The Open Group Architecture Framework (TOGAF). Open Group, 2011. URL: http://pubs.opengroup.org/architecture/togaf9-doc/arch/. [Accessed: 01 12 2015]. [In Russian]

21.     Sheer, Avgust-Vil'gel'm, Modelirovanie biznes-processov [Business process modeling]. Serebrjanye niti. 2000. [In Russian]

22.     Dzengelevskij A.E. Metodicheskie ukazanija k vypolneniju domashnego zadanija po discipline «Korporativnye Informacionnye Sistemy». Funkcional'nyj analiz uchastkov avtomatizacii predprijatij [Methodical instructions to carry out homework on the subject "Corporate Information Systems". Functional analysis of business automation stations]. MEPhI, 2005.  [In Russian]

23.     Dzengelevskij A.E., Nizametdinov Sh.U., Rumjancev V.P. Ispol'zovanie professional'noj jekspertnoj sistemy v VUZe [The use of professional expertise in the university system]. Cybernetics and university. Collection N 27. pp. 49-59. 1992 [In Russian]

24.     Dzengelevskij A.E. Podhod k organizacii obuchenija tehnicheskogo specialista po kursu «Korporativnye informacionnye sistemy» [The approach to the organization of technical training for the course "Corporate Information Systems"]. Interactive science, pp. 86-91, 1 2016. [In Russian]