serge_gorshkov

Тезисы выступления на конференции «Технологии управления данными-2018», посвященного архитектуре и функциональности логической витрины данных, основанной на онтологиях.

ПРИГЛАШАЕМ  на круглый стол, посвященный перспективным направлениям использования  современных информационных технологий для повышения эффективности  управления городской средой.

Своим опытом поделятся: сотрудники кафедр бизнес-информатики,  экономики труда и управления персоналом УрГЭУ, «Институт Рациональных  Технологий» (Санкт-Петербург), СПб ГУП «Информационно-аналитический  центр» (Санкт-Петербург), «ТриниДата» (Екатеринбург).

19 октября 2018, 10:00, УрГЭУ (г. Екатеринбург, ул. 8 Марта 62)

Мы завершили первый этап работ по созданию Системы управления знаниями на платформе АрхиГраф.СУЗ в НИПИГАЗе (входит в состав СИБУРа).  Задача системы – ускорить доступ сотрудников к информации, связанной с  деятельностью по проектированию промышленных объектов. Для этого система  связывает и систематизирует  массив разнородных данных, хранящихся в различных внутрикорпоративных  источниках.

Структурирование  информации осуществляется на основе онтологической модели, содержащей  ключевые понятия, характеризующие объекты и процессы проектной  деятельности. Система индексирует  источники данных, приводя извлеченную оттуда информацию в соответствие с  терминами онтологической модели, и помещает ее в общий граф знаний.  Пользователи системы могут строить поисковые запросы к любым видам  данных, используя эти термины для формулирования  условий поиска. Такая возможность скомбинирована с полнотекстовым  поиском по содержимому документов.

Работа с  концептуализированными знаниями – фактами, выраженными в терминах  онтологической модели – позволяет получать точные ответы на любые  поисковые запросы. Это является главной отличительной  особенностью и преимуществом Системы управления знаниями, построенной  на основе онтологических технологий.

Предлагаем вашему вниманию обзор результатов работ современных российских коллективов, применяющих онтологическое моделирование. Цель создания обзора — привлечь внимание к успешным практикам в этой области.

Компании разных отраслей имеют различные представления о том, что является для них знаниями и как ими необходимо управлять. Благодаря этому сформировалось несколько классов программных продуктов, обладающих различной функциональностью, но объединенных общим названием «Система управления знаниями». Среди них можно выделить:

• ­Системы Service Desk, содержащие базы типовых решений проблемных ситуаций и описание обслуживаемой инфраструктуры;
• ­Корпоративные порталы, предназначенные для коммуникации между сотрудниками, организации обсуждений, поиска экспертизы;
• ­Ресурсы для обучения персонала.

Безусловно, все эти продукты работают с информацией, представляющей корпоративные знания. Однако по форме представления такая информация остается представленной в виде текстов, диаграмм, видео. Смысл информации в такой форме способен обрабатывать человек, но не автоматизированная система. Функционал подобных продуктов, безусловно, полезен и необходим, но мы считаем внедрение таких инструментов только первым шагом на пути развития средств управления знаниями в организации.

Представляем новое решение на платформе нашей Системы управления знаниями — АрхиГраф.Медицина. Продукт использует автоматизацию получения логических выводов для помощи в выборе и обосновании рекомендуемой терапии. Методика классификации клинических ситуаций позволяет определить модель качественной клинической помощи, а набор конкретных правил получения логических выводов — использовать более специфичный опыт, в том числе включающий данные доказательной медицины. Некоторые подробности можно узнать в презентации.

Приглашаем на международную молодежную конференцию по управлению знаниями KMCONF'18, которая пройдет в Москве 18-20 апреля. Организаторы конференции — НИУ "ВШЭ", РЭУ им. Г.В. Плеханова и компания Deloitte.

На конференции будет представлен наш доклад "Обработка концептуализированных знаний в корпоративных информационных системах".

Вчера Big data, сегодня deep learning и блокчейн — ведут ли эти хайповые темы к получению реальной пользы и экономического эффекта? Ну, кроме коловращения "инвестиций" и роста потребления электричества?

Если честно, то не очень. Причины следующие:

1. Постановка целей при использовании технологий. Те же Big data и machine learning родились из функциональной задачи подбора оптимальных рекламных материалов для посетителей сайтов. И сегодня большинство data scientist'ов занимаются именно этим: строят сложные модели для того, чтобы люди больше кликали по контекстной рекламе и чаще нажимали заветную кнопку "Купить". Что интересно — такое приложение интеллектуальных усилий мало кому кажется странным.

Применимы ли эти технологии для решения задач в промышленности или в науке? Конечно. Примеры есть, правда их не очень много.

Мы закончили первый этап опытной работы по созданию Системы поддержки принятия решений во фтизиопульмонологии совместно с Уральским научно-исследовательским институтом фтизиопульмонологии - филиалом ФГБУ «НМИЦ ФПИ» Минздрава РФ.

Система содержит базу знаний для оценки клинических ситуаций по нескольким векторам: клинико-лабораторному, рентгенографическому, микробиологическому и др. По методике, разработанной специалистами УНИИФ, клиническая ситуация классифицируется по стадии и фазе активности. На основании семантического описания текущей клинической ситуации и ее сравнения с предыдущей ситуацией система формирует рекомендации по выбору терапии, источником которых могут быть как федеральные рекомендации, так и знания экспертов, формализованные при в нашем продукте.

Система построена на платформе АрхиГраф.СУЗ, использует triple store для хранения знаний, редактор Onto.pro для конструирования концептуальной модели и НСИ, конструктор правил и машину логического вывода АрхиГраф.СУЗ для генерации рекомендаций.

Работа над проектом продолжается.