Рассматривается концепция локально-простых моделей. Локально-простые модели - это сколь угодно сложные модели, выстроенные из относительно простых компонент. Очень много практически значимых предметных областей описываются как локально-простые модели, например, бизнес-модели предприятий и компаний. До сих пор исследования в области автоматизации человеческих рассуждений в основном концентрировались вокруг наиболее интеллектуально насыщенных занятий, в частности, автоматизации доказательства математических теорем. Но, например, модель ритейлера формируется из «рабочих мест», на каждом из которых решаются намного более простые и относительно легко автоматизируемые интеллектуальные задачи. При этом сама модель ритейлера как целостная система исключительно сложна. В данной работе предлагается вариант математического определения концептуального понятия локально-простой модели. Это определение ориентировано на работу в самых разных предметных областях. Поэтому нам важно учесть и перцептивную, психологическую составляющую. Логика элитарна, и если мы хотим, чтобы максимально широкий круг людей работал с нашими моделями, необходимо спрятать эту элитарность за метафорой, привычной «обычным» людям. В качестве такой метафоры мы используем концепт документа, поэтому наши локально-простые модели называются документными моделями. Документные модели строятся в парадигме семантического программирования. Это позволяет достигнуть еще одного важного качества - документные модели являются исполняемыми. Исполняемые модели - это такие модели, которые могут действовать как практические информационные системы в описываемой предметной области. Таким образом, если наша модель исполняемая, то этап программирования становится ненужным. Использование модели напрямую, вместо программного кода, дает очень важные преимущества, например резкое снижение стоимости разработки информационной системы. Кроме того, поскольку модель остается нетронутой, незакодированной в программных модулях, ею непосредственно могут пользоваться средства искусственного интеллекта, в частности, машинного обучения. Это существенно расширяет возможности для автоматизации и роботизации управленческой деятельности.

MSC

68T27

DOI

https://doi.org/10.26516/1997-7670.2017.21.89

1. Витяев Е. Е. Семантический вероятностный вывод предсказаний / Е. Е. Витяев // Изв. Иркут. гос. ун-та. Сер. Математика. - 2017. – Т. 21.

2. Малых А. А. Логические архитектуры и объектно-ориентированный подход / А. А. Малых, А. В. Манцивода, В. С. Ульянов // Вестн. НГУ. Сер. Математика, механика, информатика. – 2009. – Т.9, вып. 3. – С. 64-85.

3. Малых А. А. Объектные теории над списочными надстройками / А. А. Малых, А. В. Манцивода // Изв. Иркут. гос. ун-та. Сер. Математика. – 2012. – № 4. - С. 27–44.

4. Малых А. А. Система Libretto: разработка веб-ресурсов в единой модели данных и знаний / А. А. Малых, А. В. Манцивода // 6-я Всерос. конф. по проблемам управления (МКПУ-2013). Геленджик, 30 сент. – 5 окт. 2013 г.– С. 73-75.

5. Berners-Lee T. The Semantic Web / Lee T. Berners, J. Hendler, O. Lassila // Scientific American. – May, 2001. https://doi.org/10.1038/scientificamerican0501-34

6. Goncharov S. S. Semantic foundations of programming / S. S. Goncharov, Yu. L. Ershov, D. I. Sviridenko // Lecture Notes in Computer Science, 1987. – Vol. 278. - P. 116-122. https://doi.org/10.1007/3-540-18740-5_28

7. Goncharov S. S. Semantic programming / S. S. Goncharov, Yu. L. Ershov, D. I. Sviridenko // Information processing, Proc. IFIP 10-th World Comput. Congress. – Dublin, v. 10, 1986. – P. 1093–1100.

8. Horrocks I. From SHIQ and RDF to OWL: The making of aWeb Ontology Language / I. Horrocks, P. Patel-Schneider, F. Van Harmelen // Journal of Web Semantics. - Vol. 1, Issue 1.- P. 7–26. https://doi.org/10.1016/j.websem.2003.07.001

9. Horrocks I. Practical reasoning for expressive description logics / I. Horrocks, U. Sattler, U. Tobies // Proceedings of the 6th International Conference on Logic for Programming and Automated Reasoning (LPAR’99), number 1705 in Lecture Notes in Artificial Intelligence / eds.: H. Ganzinger, D. McAllester, A. Voronkov. – Springer-Verlag, 1999. – P. 161-180. https://doi.org/10.1007/3-540-48242-3_11

10. Kovalerchuk B. Data Mining in finance: Advances in Relational and HybridMethods / B. Kovalerchuk, E. Vityaev. – 2000. – Kluwer Academic Publishers, 456 p.

11. Malykh A. Query Language for Logic Architectures / A. Malykh, A. Mantsivoda // Lecture Notes in Computer Science 5947. – Springer-Verlag, Berlin Heidelberg. – 2010. – P. 294–305. https://doi.org/10.1007/978-3-642-11486-1_25

12. Robinson J. A. A Machine Oriented Logic Based on the Resolution Principle // JACM. – 1965. – Vol. 12. – P. 23-41. https://doi.org/10.1145/321250.321253

13. Riazanov A. The design and implementation of VAMPIRE / Riazanov A., Voronkov A. // Journal AI Communications. – 2002. – Vol. 15, Issue 2,3. – P. 91–110.

14. Semantic Web activity [Electronic resource]. – URL: http://www.w3.org/2001/sw/.