Проект РФФИ № 19-07-00927 – Методы и инструментальные средства создания баз знаний на основе модельных трансформаций (рук. к.т.н. Юрин А.Ю.).

Основные результаты:

Метод автоматизированного формирования метамоделей (описаний моделей) для анализируемых концептуальных моделей, хранимых в XML-подобных форматах. В целом, данный метод позволяет понизить трудоемкость разработки метамоделей за счет максимальной автоматизации данного процесса путем быстрого их прототипирования на основе исходных концептуальных моделей или их XML-схем. Полученные метамодели могут использоваться в дальнейшем для формирования правил преобразования исходных концептуальных моделей в целевые БЗ. На основе данного метода и для унифицированного представления и хранения метамоделей (концептуальных моделей и моделей БЗ) разработана специальная мета-метамодель, которая позволяет абстрагироваться от конкретного языка мета-моделирования (например, MOF, Ecore, KM3 и т.д.).

Расширенная спецификация предметно-ориентированного языка описания моделей трансформаций (TMRL), обеспечивающая поддержку преобразования концептуальных моделей в коды БЗ с учетом обработки нечетких знаний и механизма взаимодействия с внешними модулями-конверторами.

Расширение графической нотации  RVML для поддержки визуального представления нечетких знаний в виде продукций, называемое FuzzyRVML. RVML – язык визуального моделирования правил, предназначенный для моделирования и описания продукций. Данный язык позволяет абстрагироваться от особенностей различных языков программирования знаний в форме продукций, представляя логические правила в обобщенном виде, при этом обеспечена поддержка таких элементов продукций как приоритет правила и значение слота «по умолчанию». Основными расширениями FuzzyRVML является использование понятий: нечеткий тип данных (Fuzzy); лингвистическая (нечеткая) переменная (FuzzyVar) для учета нечеткости в рассуждениях;  базовая шкала измерений и набор нечетких терминов, как возможных значений лингвистической переменной (FuzzyTermSet); коэффициента уверенности (СertaintyFactor) для учета неопределенности в рассуждениях. FuzzyRVML поддерживает два способа задания функции принадлежности для определения лингвистической переменной: табличный и аналитический.

Метод синтеза декларативных программ трансформаций (сценариев преобразований на языке TMRL) и программных модулей трансформаций (модулей-конверторов), обеспечивающих преобразование различных концептуальных моделей, представленных в формате XML, в программные коды БЗ на целевом ЯПЗ (CLIPS/COOL, FuzzyCLIPS, OWL2 и FuzzyOWL).

Программная система автоматизации разработки БЗ интеллектуальных систем, включая подсистемы: визуализации разработки метамоделей; синтеза декларативных программ трансформаций на TMRL, обеспечивающая интерактивное визуальное определение соответствий между элементами метамоделей; синтеза специализированных программных модулей (конвертеров), реализующих программу трансформации исходных концептуальных моделей в программные коды БЗ на целевом языке представления знаний, а именно: CLIPS/COOL, FuzzyCLIPS, OWL2 и FuzzyOWL; визуального представления и моделирования продукций и онтологий с учетом обработки нечетких знаний в нотации FuzzyRVML; верификации и валидации синтезируемых онтологических и продукционных БЗ с целью выявления основных групп аномалий (нарушений целостности, согласованности, полноты и т.д.).

Результаты экспериментальной оценки адекватности и эффективность предлагаемых методов и программного средства на примере создания продукционных БЗ в учебном процессе на базе Иркутского национального исследовательского технического университета (ИрНИТУ) в рамках курсов «CASE-средства» и «Инструментальные средства информационных систем».

База знаний экспертной системы для поддержки решения задач диагностирования и оценки технического состояния нефтехимического оборудования в рамках пилотного проекта Иркутского научно-исследовательского и конструкторского института химического и нефтяного машиностроения (ИркутскНИИхиммаш).

Документированные структурные и содержательные паттерны (шаблоны) онтологического проектирования, извлеченные на этапе получения знаний из концептуальных моделей и описывающие отдельные шаблонные фрагменты онтологии экспертизы промышленной безопасности в нефтехимии.

Основные публикации:

Berman A.F., Dorodnykh N.O., Nikolaychuk O.A., Yurin A.Yu. Event Trees Transformation for Rule Bases Engineering // 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics, MIPRO 2019 - Proceedings, 2019, 1138-1143. DOI: 10.23919/MIPRO.2019.8757209 (Scopus)

Dorodnykh N.O, Nikolaychuk O.A., Yurin A.Yu. A Transformation-Based Approach for Fuzzy Knowledge Bases Engineering. In: Dolinina O. et al. (eds) Recent Research in Control Engineering and Decision Making. ICIT 2020. Studies in Systems, Decision and Control, 2021, vol. 337, P. 76-90. DOI: 10.1007/978-3-030-65283-8_7 (Scopus)

Dorodnykh N.O., Nikolaychuk O.A., Yurin A.Y. Using UML class diagrams for content ontology design patterns engineering // Journal of Physics: Conference Series: Intern. Scientific Conf. Artificial Intelligence and Digital Technologies in Technical Systems 2020, AIDTTS 2020; Volgograd, 20-21 October 2020. 2021. Vol. 1801, 012026.  DOI: 10.1088/1742-6596/1801/1/012026. (Scopus)

Dorodnykh N.O., Yurin A.Y. An RVML extension for modeling fuzzy rule bases // CEUR Workshop Proceedings: 1st International Workshop on Advanced Information and Computation Technologies and Systems (AICTS 2020, Irkutsk, 7-11 December 2020). 2021. Vol. 2858. pp. 34-45. (Scopus)

Yurin A.Yu., Dorodnykh N.O. Development of Software Decision-Making Modules Based on a Model-Driven Approach // Russian Advances in Artificial Intelligence: selected contributions to the Russian Conference on Artificial intelligence (RCAI 2020), October 10-16, 2020, Moscow, Russia. (CEUR-Proc, vol. 2648), pp. 265-279. CEUR-WS.org/Vol-2648/paper23.pdf (Scopus)

Yurin A.Yu., Dorodnykh N.O. Personal knowledge base designer: Software for expert systems prototyping // SoftwareX, 2020, vol. 11, 100411. DOI: 10.1016/j.softx.2020.100411 (SJR, Q2)

Дородных Н.О., Николайчук О.А., Юрин А.Ю. Применение нечетких диаграмм Исикавы для создания баз знаний // Материалы восьмой международной конференции «Системный анализ и информационные технологии (САИТ-2019)», Иркутск–Листвянка, 8–14 июля 2019 г. М.: ФИЦ ИУ РАН, 2019. С. 192–198. (РИНЦ)

Дородных Н.О., Николайчук О.А., Юрин А.Ю. Разработка метамоделей для поддержки синтеза нечетких баз знаний // Вестник компьютерных и информационных технологий. 2020. №1. С. 34-47. DOI: 10.14489/vkit.2020.01.pp.034-047 (РИНЦ)

Дородных Н.О., Николайчук О.А., Юрин А.Ю., Коршунов С.А. Создание нечетких баз знаний на основе преобразования нечетких концептуальных моделей // Информационные и математические технологии в науке и управлении. 2020. №2(18). С. 19-35. DOI: 10.38028/ESI.2020.18.2.002 (РИНЦ)

Дородных Н.О., Юрин А.Ю., Коршунов С.А., Сопп Д.Ю., Шпаченко Д.С. Средства визуального моделирования и генерации кода нечетких продукций // Информационные и математические технологии в науке и управлении. 2021. — №1 (21). С. 121-131. DOI: 10.38028/ESI.2021.21.1.010. (РИНЦ)

Юрин А.Ю., Николайчук О.А., Дородных Н.О., Коршунов С.А. Разработка и использование метамоделей для синтеза спецификаций и кодов баз знаний // Информационные и математические технологии в науке и управлении. 2019. № 2 (14). С. 26-39. DOI: 10.25729/2413-0133-2019-2-03 (РИНЦ)