Введение. Интеллектуальные системы поддержки принятия решений представляют собой сложные программные комплексы, ориентированные на решение слабоформализованных прикладных задач. Они широко применяются в таких предметных областях, как медицина [1], финансы, производство, транспорт [2], энергетика, а повышение эффективности их разработки является одной из важных научно-технических проблем [3, 4].

В последнее время для представления знаний в интеллектуальных системах особую популярность получили формализмы, основанные на семантических технологиях, такие как онтологии [5] и графы знаний [6]. Остаются достаточно распространенными и востребованными языки представления знаний (ЯПЗ), обеспечивающие поддержку логических правил (продукций) [7]. При этом разработка как онтологических, так и продукционных баз зна- ний продолжает оставаться одним из самых сложных и трудоемких этапов при создании интеллектуальных систем, поскольку требует значительных ресурсов и привлечения специалистов различной квалификации. Одним из перспективных средств решения данной проблемы являются методы автоматического извлечения знаний из различных информационных источников (например, БД, электронных документов, таблиц). Как правило, для обработки данных такие методы используют алгоритмы машинного обучения [8]. Однако в ряде случаев обрабатываемые данные не сопровождаются явной семантикой, необходимой для машинной интерпретации своего содержания, а накапливаемая в этих форматах информация часто является либо неструктурированной, либо неунифицированной (форма ее представления не соответствует какому-либо общепринятому стандарту). Это затрудняет активное применение данных методов на практике. Также важно отметить, что большинство решений, предлагаемых в области разработки баз знаний, направлены на программистов, а вовлечение конечных пользователей (экспертов предметной области, системных аналитиков)  в этот процесс весьма ограниченно. Поэтому создание новых методов и программных средств, повышающих эффективность построения баз знаний интеллектуальных систем на основе автоматизированного преобразования данных из различных источников информации и направленных на непрограммирующих пользователей, является актуальной и перспективной областью научных исследований.

В данной работе описывается веб-ориентированная программная система Knowledge Modeling System (KMS) (http://kms.knowledge-core.ru/), реализующая алгоритмы, которые позволяют в интерактивном режиме создавать концептуальные модели, отражающие знания предметной области с помощью специализированных нотаций. Построенные таким образом визуальные модели (диаграммы) выступают  в качестве основного информационного источника при автоматическом формировании кодов баз знаний на определенном ЯПЗ. При этом в качестве целевых платформ, ориентированных на описание логических правил, используются ЯПЗ CLIPS и таблицы решений в формате CSV, в случае применения онтологий – OWL  в формате RDF/XML. Разработанная система была использована для прототипирования баз знаний в области техногенной безопасности при решении задач диагностирования и прогнозирования технического состояния объектов и систем [9].

Подходы к разработке баз знаний

Базы знаний могут быть созданы вручную или автоматически на основе информации из различных источников. Как правило, при ручном построении баз знаний используют различное специализированное ПО, автоматизирующее этапы получения, структурирования  и представления знаний. Подходы, лежащие  в основе данных программных средств, можно разделить на три основные группы.

Текстовые. Обеспечивают прямое взаимодействие пользователя с конструкциями определенного ЯПЗ. Примерами реализации этого подхода для поддержки формализма правил  являются средства VISUAL JESS, ClipsWin  и DroolsExpert (https://docs.jboss.org/drools/rele- ase/6.0.0.CR1/drools-expert-docs/html/). Для онтологических баз знаний существуют такие системы, как Protégé и FluentEditor.

Табличные. Обеспечивают построение поль- зователем таблиц решений [10, 11] и их возможную автоматическую трансляцию в коды баз знаний.

Графические. Обеспечивают создание визуальных примитивов (например, блоков, стрелок и т.д.), соответствующих элементам баз знаний, с последующей кодогенерацией на опре- деленном ЯПЗ. Этот подход является наиболее перспективным, так как позволяет значительно расширить круг разработчиков баз знаний за счет непрограммирующих пользователей, владеющих навыками визуального моделирования.

Как правило, в графическом подходе используют либо универсальные семантические графовые модели (например, VisiRule (http://www. lpa.co.uk/ind_hom.htm), VIPR, SCg [12]), либо специализированные графические нотации, моделирующие логические и причинно-следственные зависимости (например, URML, RVML [13]). Данное направление обладает достаточно большим количеством различных решений, однако имеет и ряд значимых ограничений. В частности, большинство подходов содержат нестандартные условные обозначения (визуальные артефакты) или вводят ограничения на именование понятий и отношений, что не всегда интуитивно понятно пользователю. Более того, некоторые решения не учитывают специфику создания баз знаний на общепринятых ЯПЗ (например, CLIPS, Jess, Drools, SWRL, OWL) и ориентируются исключительно на свой собственный формат представления знаний.

Следует отметить, что очень часто на стадиях извлечения и структурирования знаний применяют различные когнитивные или концептуальные модели: концепт-карты, деревья событий и отказов, диаграммы переходов состояний, диаграммы Исикавы и др. Данные визуальные модели являются достаточно удобным и интуитивно понятным средством представления знаний для специалистов-предметников, при этом существует ПО в виде графических редакторов, реализующих их поддержку. Однако эти редакторы не предназначены для  целенаправленной разработки баз знаний и не дают какой-либо возможности для интеграции построенных визуальных моделей в базы знаний на определенном ЯПЗ. Эта особенность также затрудняет практическое использование построенных моделей для создания баз знаний при разработке интеллектуальных систем.

Таким образом, с целью преодоления названных ограничений в данной работе предлагается специализированное программное средство Knowledge Modeling System (KMS), поддер- живающее полный цикл автоматизированной  разработки баз знаний, начиная от создания визуальных моделей предметной области и заканчивая кодогенерацией с возможностью модификации и проверки полученного кода.

Реализуемый метод, модели  и трансформации

Разработанная KMS основана на принципах технологии PESoT [14], которая рассматривает процесс создания интеллектуальных систем и баз знаний в контексте последовательного преобразования моделей [15, 16]. В частности, KMS реализует метод автоматизированной разработки баз знаний на основе трансформации концептуальных моделей (рис. 1).

На этапе 1 пользователь (эксперт) строит исходные концептуальные модели, описывающие некоторую предметную область. В ка- честве исходных концептуальных моделей  в KMS используются деревья событий и диаграммы переходов состояний.

Дерево событий – это графическое представление некоторой последовательности событий, которые могут произойти в результате определенного исходного события (начальной точки диаграммы) или условий (ГОСТ Р 54142-2010). Деревья событий обычно используются для анализа и оценки рисков в различных областях, таких как природная и техногенная безопасность, управление проектами, инженерия и т.д.

Модель, описывающая основные элементы данной диаграммы и их отношения, приведена на рисунке 2.

Диаграммы переходов состояний используются для моделирования поведения системы или объекта [17], позволяя визуализировать последовательность состояний и переходов между ними в виде ориентированного графа. Диаграммы переходов состояний активно используются в проектировании и анализе сложных технических и социальных систем.

Основные элементы и отношения данной диаграммы отображены на рисунке 3.

На этапе 2 построенные концептуальные модели (диаграммы) представляются (сериализуются) в формате XML с использованием специально разработанной спецификации. Формат XML удобен для представления данных диаграмм, так как позволяет описывать структуру диаграмм с помощью набора тегов и атрибутов, а также осуществлять их импорт и экспорт.

На этапах 3 и 4 выполняется анализ XML-структуры концептуальных моделей, в результате которого выделяются элементы и отношения между ними. На их основе автоматически формируется модель продукций (правил) или онтологии, при этом пользователь только выбирает необходимую целевую модель. Приведенные модели являются частью внутреннего представления знаний в системе KMS, которая не зависит от реализации конкретного ЯПЗ (например, CLIPS, Jess, Drools, SWRL, OWL и т.д.). Это дает возможность на этапе 5 визуализировать, модифицировать и проверять полученные знания в виде как правил, так и онтологии.

На этапе 6 осуществляется генерация кода баз знаний для целевой платформы путем преобразования сформированной модели продукций или онтологии.

В целом преобразование исходных деревьев событий и диаграмм переходов состояний можно описать с помощью специальных языков трансформации моделей, например TMRL [18].В данной работе для реализации трансформаций использован язык программирования общего назначения PHP. При этом все трансформации можно наглядно представить в виде набора соответствий, представленных в таблицах 1, 2.

Полученный таким образом код баз знаний может быть использован в сторонних программных средствах, например, PKBD (http://www. knowledge-core.ru/index.php?p=pkbd&lan=ru) или Protégé, с целью уточнения, модификации  и дальнейшего использования при разработке интеллектуальных систем.

Назначение и основные функции

Разработанная KMS предназначена для моделирования знаний некой предметной области в форме концептуальных моделей и для  создания на их основе прототипов баз зна- ний (http://www.swsys.ru/uploaded/image/2024-3/10.jpg).

Основная цель использования KMS – автоматизировать процессы концептуализации, формализации предметных знаний, а также кодогенерации прототипов баз знаний.

Представим основные функции KMS:

– создание, редактирование, просмотр и уда- ление пользователей;

– аутентификация и авторизация действий пользователей;

– поддержка интернационализации (англий- ский и русский языки);

– создание, редактирование, просмотр и уда- ление проектов, в рамках которых ведется работа с различными диаграммами;

– создание, редактирование, просмотр и уда- ление диаграмм деревьев событий и диаграмм переходов состояний в рамках определенного проекта;

– проверка корректности построенных диаграмм;

– импорт и экспорт диаграмм деревьев событий и диаграмм переходов состояний в виде сериализованных файлов в формате XML;

– импорт онтологий в формате OWL (RDF/ XML) в KMS, и их преобразование в диаграммы деревьев событий;

– предоставление REST API для взаимодействия с моделями продукций и онтологий с целью модификации данных моделей средствами других редакторов (RVML, KBDS);

– экспорт (генерация) построенных диаграмм в файлы форматов ЯПЗ CLIPS и OWL (RDF/XML), а также в электронные таблицы формата CSV;

– дополнительная возможность генерации спецификации виртуального ассистента на основе построенных диаграмм.

Архитектура и особенности реализации

Разработанное веб-ориентированное программное средство KMS обладает клиент-серверной архитектурой (рис. 4), в которую входят следующие основные модули:

– подсистема построения концептуальных моделей, включающая два визуальных редактора: редактор классических и расширенных диаграмм деревьев событий и редактор диаграмм переходов состояний;

– модуль администрирования (авторизация/аутентификация);

– модуль управления универсальным уровнем представления знаний (предоставляет доступ к моделям продукций и онтологии);

– генераторы программных кодов и спецификаций баз знаний;

– модули импорта и экспорта диаграмм;

– модуль взаимодействия с внешними системами через REST API.

Программная реализация осуществлена  с применением языков PHP 8 и JavaScript с использованием стилей Bootstrap 5. При этом визуальные редакторы реализованы с использованием библиотеки JsPlumb Toolkit. Для хранения данных применяется СУБД PostgreSQL 15. Исходный код системы открыт и доступен  на GitHub (https://github.com/Lab42-Team/kms).

KMS поддерживает работу трех типов пользователей: администратор – зарегистрированный пользователь, который может производить любые действия в рамках KMS; обычный пользователь – зарегистрированный пользователь, который может создавать и изменять различные диаграммы в рамках определенного проекта; гость – незарегистрированный пользователь, который может только просматривать от- крытые (публичные) диаграммы и общую информацию по KMS.

Пример применения

Одним из примеров применения KMS является создание прототипов баз знаний в области техногенной безопасности при решении задач диагностирования и прогнозирования технического состояния объектов и систем [9].

Проблема оценки и повышения безопасности промышленных объектов с течением времени сохраняет свою актуальность, что обусловлено высокими темпами старения (деградации) оборудования во многих отраслях промышленности, превышающими темпы его замены и модернизации, как по субъективным, так и по объективным причинам. Значительное повышение надежности и безопасности нефтехимического оборудования можно обеспечить  путем создания и активного использования методов и средств искусственного интеллекта, в частности, интеллектуальных систем поддержки принятия решений.

В рамках разработки прототипов баз знаний для ИАС «Экспертиза ПБ» были построены деревья событий, описывающие динамику развития аварий, в частности, истечение нефти (рис. 5).

В результате преобразования были получены наборы шаблонов, фактов и правил (http://www.swsys.ru/uploaded/image/2024-3/ 11.jpg).

После уточнения построенных диаграмм  и тестовых прогонов (отладки) в PKBD сгенерирован программный код базы знаний на CLIPS, который затем был перенесен в ИАС «Экспертиза ПБ». Приведем фрагмент полученного кода:

;********* Templates *********

(deftemplate Event-0

 (slot name (default "РАЗРУШЕНИЕ СОСЕДНЕГО ОБОРУДОВАНИЯ"))

 (slot veroyatnost)

)

;********* Rules *********

(defrule 0-Event-0->Event-0+Event-0

(declare (salience 1))

 (Event-0 ;Event-0

  (name "ФАКЕЛЬНОЕ ГОРЕНИЕ СТРУИ")

  (veroyatnost "0.04")

 )

=>

(assert

 (Event-0 ;Event-0

  (name "РАЗРУШЕНИЕ СОСЕДНЕГО ОБОРУ- ДОВАНИЯ")

  (veroyatnost "0.02")

…

В рамках решения задачи информационного моделирования области анализа отказов технических систем была разработана специальная онтологическая база знаний. В частности, на рисунке 6 приведена визуальная модель в форме диаграммы переходов состояний (для ее построения использована разработанная авторами система), описывающая алгоритм анализа отказа.

В результате выполнения преобразования данной диаграммы синтезирован код онтологии в формате OWL2 DL:

<owl:Class rdf:ID="Состояние"/>

<owl:Class rdf:ID="Переход"/>

 

<owl:Class rdf:ID="АнализВнешнихПроявленийОтказаДетали">

  <rdfs:subClassOf rdf:resource="Состояние"/>

</owl:Class>

 

<owl:Class rdf:ID="АнализВнешнихПроявленийПоврежденияДетали">

  <rdfs:subClassOf rdf:resource="Состояние"/>

</owl:Class>

<owl:DatatypeProperty rdf:ID="свойстваВведены">

  <rdfs:domain rdf:resource="Переход"/>

  <rdfs:range rdf:resource="http://www.w3.org/2001/XMLSchema#string"/>

</owl:DatatypeProperty>

…

При этом все состояния интерпретировались как классы (owl:Class), а переходы как объекты-свойства (owl:ObjectProperty). Свойства (характеристики) переходов выражались через свойства-значения (owl:DatatypeProperty), которые задаются для специального служебного класса перехода.

Заключение

Актуальность проблемы автоматизации раз- работки интеллектуальных систем обусловли- вает необходимость создания нового методологического и программного инструментария, направленного на повышение эффективности процессов извлечения, структурирования и фор- мализации знаний.

В данном контексте автоматизация создания баз знаний интеллектуальных систем остается перспективной областью научных исследований. Особенно, когда речь идет о вовлечении в данный процесс непрограммирующих пользователей, а также об использовании уже накопленной ранее информации, представленной, в частности, в форме визуальных концептуальных моделей.

В данной работе предлагается веб-ориентированное программное средство KMS, реализующее алгоритмы визуального моделирования знаний предметной области в форме  диаграмм переходов состояний и деревьев событий, которые в дальнейшем являются основным информационным источником для автоматического формирования кодов баз знаний как продукционного, так и онтологического типа. Данные особенности можно выделить  в качестве преимуществ системы, так как они способствуют более полному вовлечению в процесс разработки непрограммирующих пользователей и минимизируют ошибки программирования.

В качестве примера использования KMS рассмотрено создание прототипов баз знаний при решении задач диагностирования и прогнозирования технического состояния объектов и систем в нефтехимии.

Список литературы

1.   Saibene A., Assale M., Giltri M. Expert systems: Definitions, advantages and issues in medical field applications. Expert Systems with Applications, 2021, vol. 177, art. 114900. doi: 10.1016/j.eswa.2021.114900.

2.   Wagner W.P. Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies. Expert Systems with Applications, 2017, vol. 76, pp. 85–96. doi: 10.1016/j.eswa.2017.01.028.

3.   Сухих Н.Н., Рукавишников В.Л. Экспертные системы – средство информационной поддержки принятия решений экипажем самолета // Изв. вузов. 2022. № 2. С. 19–25.

4.   Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы. СПб: Лань, 2023. 324 с.

5.   Karabulut E., Pileggi S.F., Groth P., Degeler V. Ontologies in digital twins: A systematic literature review. Future Generation Computer Systems, 2024, vol. 153, pp. 442–456. doi: 10.1016/j.future.2023.12.013.

6.   Ji S., Pan S., Cambria E., Marttinen P., Yu P.S. A survey on knowledge graphs: Representation, acquisition  and applications. IEEE Transactions on Neural Networks and Learning Systems, 2022, vol. 33, no. 2, pp. 494–514.  doi: 10.1109/TNNLS.2021.3070843.

7.   Nowak-Brzezińska A., Wakulicz-Deja A. Exploration of rule-based knowledge bases: A knowledge engineer’s support. Information Sciences, 2019, vol. 485, pp. 301–318. doi: 10.1016/j.ins.2019.02.019.

8.   Martinez-Rodriguez J.L., Hogan A., Lopez-Arevalo I. Information extraction meets the semantic web: A survey. Semantic Web, 2020, vol. 11, pp. 255–335. doi: 10.3233/SW-180333.

9.   Берман А.Ф., Николайчук О.А., Павлов А.И., Юрин А.Ю., Кузнецов К.А. Информационно-аналитическая поддержка экспертизы промышленной безопасности объектов химии, нефтехимии и нефтепереработки // ХНГМ. 2018. № 8. С. 30–36.

10. Димитров В.П., Борисова Л.В., Хубиян К.Л. Моделирование знаний в задаче поиска причин неисправностей // Инженерные технологии и системы. 2021. Т. 31. № 3. С. 364–379. doi: 10.15507/2658-4123.031.202103.364-379.

11. Nalepa G.J., Kluza K. UML representation for rule-based application models with XTT2-based business rules.  Int. J. of Software Eng. and Knowledge Eng., vol. 22, no. 4, pp. 485–524. doi: 10.1142/S021819401250012X.

12. Голенков В.В., Шункевич Д.В., Давыденко И.Т., Гракова Н.В. Принципы организации и автоматизации процесса разработки семантических компьютерных систем // OSTIS. 2019. № 3. С. 53–90 (на англ.).

13. Дородных Н.О., Юрин А.Ю., Коршунов С.А. Средства поддержки моделирования логических правил в нотации RVML // Программные продукты и системы. 2018. Т. 31. № 4. С. 667–672. doi: 10.15827/0236-235X.124.667-672.

14. Yurin A.Yu. Technology for prototyping expert systems based on transformations (PESoT): A method. CEUR Workshop Proc. Proc. III Sci.-Pract. Workshop Inform. Tech.: Algorithms, Models, Systems, 2020, vol. 2677, pp. 36–50.

15. Brambilla M., Cabot J., Wimmer M. Model-driven software engineering in practice, Springer Publ., 2017, 280 p. doi: 10.2200/s00441ed1v01y201208swe001.

16. Ogunyomi B., Rose L.M., Kolovos D.S. Incremental execution of model-to-text transformations using property access traces. Software & System Modeling, 2019, vol. 18, pp. 367–383. doi: 10.1007/s10270-018-0666-5.

17. Хопкрофт Дж., Мотвани Р., Ульман Дж. Введение в теорию автоматов, языков и вычислений; [пер. с англ.]. М.: Вильямс, 2008. 528 с.

18. Дородных Н.О., Юрин А.Ю. Язык для описания моделей трансформаций. CEUR Workshop Proc. Proc. I Sci.-Pract. Workshop Inform. Tech.: Algorithms, Models, Systems, 2018, vol. 2221, pp. 70–75 (на русс.).

References

1. Saibene, A., Assale, M., Giltri, M. (2021) ‘Expert systems: Definitions, advantages and issues in medical field applications’, Expert Systems with Applications, 177, art. 114900. doi: 10.1016/j.eswa.2021.114900.

2. Wagner, W.P. (2017) ‘Trends in expert system development: A longitudinal content analysis of over thirty years of expert system case studies’, Expert Systems with Applications, 76, pp. 85–96. doi: 10.1016/j.eswa.2017.01.028.

3. Sukhikh, N.N., Rukavishnikov, V.L. (2022) ‘Expert systems: Means of information support for aircraft crew decision making’, Russ. Aeronautics, 65, pp. 243–250.

4. Gavrilova, T.A., Kudryavtsev, D.V., Muromtsev, D.I. (2023) Knowledge Engineering. Models and Methods. St. Petersburg, 324 p. (in Russ.).

5. Karabulut, E., Pileggi, S.F., Groth, P., Degeler, V. (2024) ‘Ontologies in digital twins: A systematic literature re-view’, Future Generation Computer Systems, 153, pp. 442–456. doi: 10.1016/j.future.2023.12.013.

6. Ji, S., Pan, S., Cambria, E., Marttinen, P., Yu, P.S. (2022) ‘A survey on knowledge graphs: Representation, acqui-sition and applications’, IEEE Transactions on Neural Networks and Learning Systems, 33(2), pp. 494–514. doi: 10.1109/TNNLS.2021.3070843.

7. Nowak-Brzezińska, A., Wakulicz-Deja, A. (2019) ‘Exploration of rule-based knowledge bases: A knowledge engineer’s support’, Information Sciences, 485, pp. 301–318. doi: 10.1016/j.ins.2019.02.019.

8. Martinez-Rodriguez, J.L., Hogan, A., Lopez-Arevalo, I. (2020) ‘Information extraction meets the semantic web: A survey’, Semantic Web, 11, pp. 255–335. doi: 10.3233/SW-180333.

9. Berman, A.F., Nikolaychuk, O.A., Pavlov, A.I., Yurin, A.Yu., Kuznetsov, K.A. (2018) ‘Informational and analytical support of industrial safety expert review of chemical and petrochemical objects’, Chemical and Petroleum Engineering, (8), pp. 30–36 (in Russ.).

10. Dimitrov, V.P., Borisova, L.V., Khubiyan, K.L. (2021) ‘Knowledge modeling in troubleshooting’, Engineering Technologies and Systems, 31(3), pp. 364–379 (in Russ.). doi: 10.15507/2658-4123.031.202103.364-379.

11. Nalepa, G.J., Kluza, K. (2012) ‘UML representation for rule-based application models with XTT2-based business rules’, Int. J. of Software Eng. and Knowledge Eng., 22(4), pp. 485–524. doi: 10.1142/S021819401250012X.

12. Golenkov, V., Shunkevich, D., Davydenko, I., Grakova, N. (2019) ‘Principles of organization and automation of the semantic computer systems development’, OSTIS, (3), pp. 53–90.

13. Dorodnykh, N.O., Yurin, A.Yu., Korshunov, S.A. (2018) ‘Support tools for modeling logical rules in the RVML notation’, Software & Systems, 31(4), pp. 667–672 (in Russ.). doi: 10.15827/0236-235X.124.667-672.

14. Yurin, A.Yu. (2020) ‘Technology for prototyping expert systems based on transformations (PESoT): A method’, CEUR Workshop Proc. Proc. III Sci.-Pract. Workshop Inform. Tech.: Algorithms, Models, Systems, 2677, pp. 36–50.

15. Brambilla, M., Cabot, J., Wimmer, M. (2017) Model-driven Software Engineering in Practice. Springer Publ., 280 p. doi: 10.2200/s00441ed1v01y201208swe001.

16. Ogunyomi, B., Rose, L.M., Kolovos, D.S. (2019) ‘Incremental execution of model-to-text transformations using property access traces’, Software & System Modeling, 18, pp. 367–383. doi: 10.1007/s10270-018-0666-5.

17. Hopcroft, J.E., Motwani, R., Ullman, J.D. (2001) Introduction to Automata Theory, Languages, and Computation. Addison-Wesley Publ., 521 p. (Russ. ed.: (2018) Moscow, 528 p.).

18. Dorodnykh, N.O., Yurin, A.Yu. (2018) ‘A domain-specific language for transformation models’, CEUR Workshop Proc. Proc. I Sci.-Pract. Workshop Inform. Tech.: Algorithms, Models, Systems, 2221, pp. 70–75 (in Russ.).