Файл: Применение объектно-ориентированного подхода при проектировании информационной системы (Этапы проектирования).pdf

Диаграммы и артефакты являются системным представлением задач [8, 9], возникающих в процессах создания программного обеспечения или АС, и относятся к концептуальным моделям.

В концептуальных моделях подобного типа базовым элементом является «понятие», экземпляры которого создаются, существуют и активизируются конкретными лицами (заинтересованными лицами в связи с их интересами), вовлеченными в проектную деятельность^[9].

2.2. Системы управления знаниями

Можно рассматривать управление знаниями как комплексную организационно-техническую деятельность, направленную на повышение эффективности использования знаний в объектно-ориентированном подходе бизнес-процессов организации.

Одними из первых систем управления знаниями были хранилища данных. В дальнейшем идея хранилища трансформировалась в понятие корпоративной памяти. Корпоративная память фиксирует информацию из различных источников и делает ее доступной специалистам (заинтересованным лицам) для решения производственных задач (Рис. 2).

Рис. 2. Структура корпоративной памяти

Основная цель системы управления знаниями (СУЗ) – сделать знания доступными и повторно используемыми. Задача СУЗ – накапливать не разрозненную информацию, а в виде структурированных, формализованных моделей знаний, позволяющих решать производственные задачи. Объектно-ориентированный подход к проектированию СУЗ позволяет создавать системы, в которых знания, накопленные внутри организации, становятся доступными для заинтересованных лиц. Результаты данного подхода представляются в виде различного рода описаний и инструкций.

Основным преимуществом объектно-ориентированного подхода является то, что он представляет пользователю целостный, системный взгляд на определенную предметную область.

В СУЗ знаниями считают всю доступную информацию (документы, сведения о заказчиках, описание технологий работы, продукции и т. д.), а также закономерности предметной области, полученные из практического опыта или внешних источников.

Корпоративные знания – знания, которые доступны организации в явном виде и могут использоваться для повышения эффективности сотрудниками данной организации.

Хранилище данных – система хранения данных большого объема, реализуемая на основе баз данных разных типов и позволяющая объединять их в единый рабочий массив.

---

Построение объектно-ориентированного моделирования позволяет восстановить недостающие логические связи^[10].

При разработке СУЗ выделяют этапы:

• накопление,
• извлечение,
• структурирование,
• формализация,
• обслуживание знаний.

Трудности в разработке информационных систем на основе объектно-ориентированного подхода связаны с проблемой инженерии знаний в части извлечения и структурирования знаний от экспертов. Работа с экспертами сложна и дорога (к ней надо привлекать квалифицированных инженеров по знаниям, а главное – крайне трудоемка и требует значительных ресурсов и времени.

В связи с этим для создания прикладных систем, основанных на знаниях, интерес представляют методы и системы автоматизированного извлечения знаний из потоков данных, отражающих реальную работу специалистов, к которым относят экспертов, инженеров по знаниям, разработчиков программных средств, пользователей, заказчиков). Каждый из специалистов работает с определенным видом модели базы знаний^[11].

Описание моделей объектно-ориентированного подхода, представляющих знания заинтересованных лиц, состоит из видов, представляющих следующее множество моделей {М1, М2, М3, М4, М5}, где:

• М1 – знания в памяти человека как результат анализа опыта и мышления специалистов различных предметных областей;
• М2 – вербальная модель знаний, т. е. описание, например, на русском языке, основных объектов предметной области, атрибутов и закономерностей, их связывающих, разработка словарей, глоссариев, текстов технической документации, методических пособий, технологических инструкций, руководящих указаний, стандартов;
• М3 – знания, описанные на языках представления знаний, в виде продукционных, семантических, фреймовых моделей знаний (формальных моделей);
• М4 – знания, описанные на интеллектуальных языках высокого уровня (CLIPS, PROLOG);
• М5 – база знаний в компьютерной среде.

Data Mining – это направление в ИТ, которое связано с автоматизированным извлечением знаний при объектно-ориентированном подходе разработки ИС и базируется на интеллектуальном анализе данных, в том числе знаний:

• мониторинга деятельности;
• выявления скрытых знаний;
• извлечения знаний из текстов (Text Mining) [10];
• повторного использования объектов, сущностей, шаблонов, текстов, модулей.

В связи с совершенствованием технологий записи и хранения потоков данных в электронной форме деятельность предприятия или организации сопровождается регистрацией и записью всех сторон их деятельности^[12].

---

Специфика потоков данных заключается в следующем:

• данные неоднородны;
• объем данных велик и постоянно возрастает;
• инструменты, предназначенные для анализа этих данных, должны быть доступны пользователю, не являющемуся профессиональным программистом или специалистом в ИТ;
• необходимо обеспечить отчуждаемость от источника, т. е. извлеченные знания (правила, закономерности, связи) должны быть доступны всем пользователям (например, в рамках корпоративной базы знаний).

В основе технологии Data Mining лежит концепция шаблонов. Важное свойство методов Data Mining – нетривиальность обнаруживаемых шаблонов, которые должны отражать неочевидные, ранее неизвестные регулярности в данных, составляющих так называемые скрытые знания (hidden knowledge).

Методы Data Mining позволяют выделить следующие типы закономерностей в данных: последовательность, связь между событиями, классификация, кластеризация, прогноз. Text Mining.

Один из разделов Data Mining, который ориентирован на обработку текстовой информации и применяется для мониторинга ресурсов Интернет. Задача Text Mining – проанализировать семантику текстов, выбрать из них информацию, наиболее значимую для пользователя (есть тесная связь с контент-анализом).

При этом обеспечивается повторное использование объектов, сущностей, шаблонов, текстов, модулей.

Data Mining – трудоемкий и дорогостоящий процесс. Поэтому важным направлением является построение технологий и методов, направленных на обеспечение повторного использования знаний. Целостное представление о некоторой предметной области дает ее онтологическая модель, которая обеспечивает возможность повторного использования знаний^[13].

Онтологией называют представление знаний о некоторой области интересов (среде, мире) или базу знаний специального вида, которую можно разделять, отчуждать и самостоятельно использовать в рамках рассматриваемой ПрО.

На формальном уровне онтология – система, состоящая из наборов понятий и утверждений об этих понятиях, на основе которых можно строить классы, объекты, отношения, функции и теории. Практически все модели онтологии содержат определенные концепты.

Text Mining – совокупность технологий извлечения знаний из документов на естественных языках и их представления в необходимой пользователю форме.

Контент-анализ – методика объективного качественного анализа содержимого информационных ресурсов (понятия, классы), свойства концептов (атрибуты, роли), отношения между концептами (зависимости, функции) и дополнительные ограничения, которые определяются аксиомами. Концептом может быть описание функции, задачи, действия, стратегии.

---

Онтологические системы строятся на основе следующих принципов:

• • формализации, т. е. описания объективных элементов действительности в единых, строго определенных образцах (терминах, моделях);
  • использования ограниченного количества базовых терминов (сущностей), на основе которых конструируются все остальные понятия;
  • внутренней полноты и логической непротиворечивости.

По степени зависимости от конкретной задачи или предметной области различают ВИДЫ онтологий, которые согласуются и связаны с иерархией представления.

Виды онтологий: верхнего уровня, ориентированные на предметную область, ориентированные на задачи, прикладные. верхнего уровня.

Такие онтологии описывают общие концепты (пространство, время, материя, объект, событие, действие и пр.), ориентированные на предметную область.

В предметных областях разрабатываются стандартные онтологии, которые могут применяться для совместного использования и аннотирования информации в своей области.

Например, вычислительная техника, искусственный интеллект, военная техника, медицина. ориентированные на задачи. Подобные онтологии содержат термины, которые используются при разработке программного обеспечения. Они отражают специфику приложений. прикладные онтологии описывают концепты, которые зависят как от онтологии задач, так и от онтологии предметной области. Примером может служить онтология для вычислительной техники^[14].

Таким образом, онтологический инжиниринг подразумевает глубокий структурный анализ предметной области.

В основе онтологического инжиниринга лежит описание системы (например, предприятия или организации) в терминах сущностей и отношений между ними.

Основная функция любого редактора онтологий состоит в поддержке процесса формализации знаний и представлении онтологии как спецификации (точного и полного описания). Количество общедоступных редакторов онтологий перевалило за 100. Но редко можно встретить универсальное и в то же время полезное средство. Пример, Protege. Это Java-программа, предназначенная для построения (создания, редактирования и просмотра) онтологий той или иной.

Она включает редактор онтологий, позволяющий проектировать онтологии, разворачивая иерархическую структуру абстрактных и конкретных классов и слотов.

На основе сформированной онтологии Protege позволяет генерировать формы получения знаний для введения экземпляров классов и подклассов. Данный инструмент поддерживает использование языка OWL и позволяет генерировать HTML-документы, отображающие структуру онтологий. Редактор использует фреймовую модель представления знаний, что позволяет использовать его для обработки моделей предметных областей, представленных не на языке OWL, а в других форматах (например, XML, DAML+OIL, RDF/RDFS)^[15].

---

ЗАКЛЮЧЕНИЕ

Управление знаниями для анализа, проектирования и разработки АС следует рассматривать как интегрирующую технологию, объединяющую в единый комплекс множество информационных технологий:

• • базы данных, хранилища данных и базы знаний;
  • управление документооборотом;
  • поддержка совместной работы заинтересованных лиц;
  • автоматизированное извлечение знаний из текстов;
  • автоматическая классификация и кластеризация документов;
  • приобретение знаний от заинтересованных лиц, экспертов;
  • интеллектуальный анализ данных;
  • автоматическое распознавание образов;
  • поддержка принятия решений;
  • постоянное пополнение базы знаний.

Интеграция компонентов ИС должна осуществляться при наличии единого концептуального интерфейса между ними. В качестве такого интерфейса предлагается онтология – концептуальная модель.

Возрастание числа сущностей и связей в информационных системах (ИС) приводит к необходимости постоянного пересмотра методов и средств проектирования ИС, основанных на CASE-технологиях. В настоящее время в рамках проектирования сложных высоконагруженных систем используется спиральная модель разработки жизненного цикла программного обеспечения, поскольку классическая каскадная модель не удовлетворяет современным требованиям к проектированию ИС. В спиральной модели сочетаются преимущества как нисходящей, так и восходящей концепции разработки системы, при этом прототипы могут быть получены на каждой стадии проектирования.

Методы проектирования ИС разнообразны, при этом среди специалистов наблюдается определённое непонимание целесообразности и границ использования каждого из методов. В частности, речь идёт об областях применения структурно-функционального и объектно-ориентированного моделирования, что и предлагается рассмотреть в настоящей работе.

Приведенный анализ процессов извлечения и представлении знаний в направлениях информатики, в том числе системах управления знаниями, экспертных системах, показывает, что существуют проблемы, возникающие в реальности проектирования и разработки АС, и руководящие принципы их разрешения, которые нужно учитывать при разработке базы знаний.

Для решения поставленных проблем предлагается подход к созданию базы знаний в процессах жизненного цикла ИС. Акцент делается на особенностях виртуальной среды (виртуальной организации), применяемой на стадиях проектирования автоматизированных систем, и создании интеллектуального инструмента поддержки принятия решений заинтересованными лицами (заказчиком, проектной организацией и пользователем).

---