CC BY
54
doi: 10.24411/0235-2451-2020-10916 УДК004.41: 631.1
Логика функционирования информационных процессов в аграрной интеллектуальной системе
В. К. КАЛИЧКИН, Р. А. КОРЯКИН, О. М. ЛОГАЧЁВА, И. Г. ГРАЧЕВ
Сибирский федеральный научный центр агробиотехнологий Российской академии наук, пос. Краснообск, Новосибирский р-н, Новосибирская обл., 630501, Российская Федерация
Резюме. Исследования проводили с целью зафиксировать подход к пониманию логики функционирования информационных процессов в аграрной интеллектуальной системе - экспертной системе с функцией поддержки принятия решений. Он отражает сложное системно-динамическое устройство аграрной интеллектуальной системы и основан на выстраивании структуры хранилища данных под программную реализацию множества траекторий движения информации, возникающих в системе при откликах на запросы, связанные с прогнозами или рекомендациями в ключевые моменты сельскохозяйственных процессов, когда от точных и правильных действий сильно зависят результирующие показатели. Разработано семь таких траекторий, в работе подробно рассмотрена одна из них. Для хранилища данных разработана структура из 22 компонентов трёх видов: карточки (4 единицы), перечни (4 единицы) и реестры (14 единиц). Среди указанных компонентов встречаются как базы данных, так и базы знаний, содержащие структурированную информацию о самом хранилище данных, уточняемую и дополняемую в процессе работы аграрной интеллектуальной системы. По мере эксплуатации «опыт» системы наращивается, соотношение содержащейся в ней информации эволюционирует в пользу знаний. Для структуры хранилища данных предложено пространственно-графическое представление, отражающее 40 связей между его компонентами и согласованное со структурой аграрной интеллектуальной системы через семь связей с четырьмя её компонентами из шестнадцати. Такое совмещённое представление даёт возможность немедленно приступить к реализации на электронно-вычислительной машине структуры хранилища данных и наполнению его компонентов структурированными сведениями, информационно отражающими реальные сельскохозяйственные объекты, порядок изменения их свойств и характеристик в процессах функционирования и управления. Наличие корректно структурированного и наполненного хранилища данных - обязательное условие программной реализации функции поддержки принятия решений в аграрной интеллектуальной системе.
Ключевые слова: цифровизация сельского хозяйства, индустрия 4.0, экспертная система, система поддержки принятия решений, аграрная интеллектуальная система.
Сведения об авторах: В. К. Каличкин, доктор сельскохозяйственных наук, главный научный сотрудник (e-mail: kvk@ngs.ru); Р. А. Корякин, кандидат физико-математических наук, старший научный сотрудник; О. М. Логачёва, кандидат физико-математических наук, старший научный сотрудник; И. Г. Грачев, научный сотрудник.
Для цитирования: Логика информационных процессов в аграрной интеллектуальной системе / В. К. Каличкин, Р. А. Корякин, О. М. Логачёва и др. // Достижения науки и техники АПК. 2020. Т. 34. № 9. С. 91-95. doi: 10.24411/0235-2451-2020-10916.
The logic of the functioning of information processes in the agricultural intelligent system
V. K. Kalichkin, R. A. Koryakin, O. M. Logachova, I. G. Grachev
Siberian Federal Research Center of Agricultural Biotechnology of the Russian Academy of Sciences, pos. Krasnoobsk, Novosibirskii r-n, Novosibirskaya obl., 630501, Russian Federation
Abstract. The purpose of the study was to approve an approach to understanding the logic of the functioning of information processes in an agricultural intelligent system - an expert system with a decision support function. The agricultural intelligent system is characterized by a complex system-dynamic structure. Our approach allows building the structure of the data warehouse for the software implementation of a variety of information flow paths. They arise when the system responds to requests related to forecasts or recommendations at key points of agricultural processes. High performance is ensured by accurate and correct actions. We developed seven such paths; this work considers one of them in detail. For the data warehouse, we developed a structure of 22 components of three types: cards (4 units), lists (4 units), and registers (14 units). Among these components, both databases and knowledge bases are, containing structured information about the data warehouse itself, refined and supplemented in the process of the agricultural intelligent system functioning. The system gradually becomes more "experienced"; the quantity of information that can be considered as knowledge is increasing. The structure of the data warehouse is proposed to be represented in a spatial-graphic form reflecting 40 connections between its components and consistent with the structure of the agrarian intelligent system through seven connections with four of its sixteen components. Such a combined representation allows immediately implementing the structure of the data warehouse on an electronic computer and filling its components with structured information that informally reflects real agricultural objects, the procedure for changing their properties, and characteristics in the processes of functioning and management. A correctly structured and filled data warehouse is a prerequisite for the software implementation of the decision support function in an agricultural intelligent system.
Keywords: digitalization of agriculture; industry 4.0; expert system; decision support system; agricultural intelligent system. Author Details: V. K. Kalichkin, D. Sc. (Agr.), chief research fellow (e-mail: kvk@ngs.ru); R. A. Koryakin, Cand. Sc. (Math.), senior research fellow; O. M. Logachova, Cand. Sc. (Math.), senior research fellow; I. G. Grachev, research fellow.
For citation: Kalichkin VK, Koryakin RA, Logachova OM, et al. [The logic of the functioning of information processes in the agricultural intelligent system]. Dostizheniya nauki i tekhniki APK. 2020;34(9):91-5. Russian. doi: 10.24411/0235-2451-2020-10916.
В последние годы в научной литературе обсуждается парадигма новой промышленной революции «Индустрия 4.0» [1, 2]. В ее рамках развивается автоматизация производственных технологий, включающая киберфизические системы [3], интернет вещей [4], искусственный интеллект [5, 6], когнитивные вычисления и большие данные [7]. Интеллектуальное сельское хозяйство также использует новые технологии, к которым относятся различные датчики и устройства, роботы, ОРБ-ГЛОНАСС, информационные технологии, которые позволяют сельскохозяйственным
предприятиям быть более прибыльными и экологически безопасными [8, 9, 10]. По прогнозам искусственный интеллект к 2026 г. в четвертой технологической волне станет одним из основных инструментов для принятия решений [11].
Аграрная интеллектуальная система (АИС), реализуемая Лабораторией предиктивных технологий с использованием методов искусственного интеллекта СФНЦА РАН в рамках парадигмы «Индустрия 4.0», -это экспертная система, включающая задачи, данные, модели и результирующие показатели, предназначен- 91
ные для лиц, принимающих решения (ЛПР) в сельском хозяйстве.
Первым шагом в реализации АИС было её концептуальное описание как единой предметной области. Концептуальная модель АИС включает ее статические и динамические свойства. Статические свойства - архитектура и её 16 основных компонентов представлены в работе [12].
Концептуальное описание динамических свойств АИС должно давать представление о том, какая именно информация, из каких источников, в каких форматах и по каким траекториям проходит через статические компоненты АИС, прежде чем предстать перед ЛПР в виде прогнозов и рекомендаций - продуктов экспертной системы с функцией поддержки принятия решений, в рамках решения конкретной сельскохозяйственной задачи.
Дальнейшие шаги реализации АИС предполагают создание на основе статических и динамических свойств структурированного хранилища данных (ХД); наполнение ХД информацией; автоматизацию применения математических, логических, семантических методов искусственного интеллекта (ИИ) для обработки собранных сведений; автоматизацию использования моделей сельскохозяйственных процессов; разработку механизмов верификации применяемых методов и моделей для оценки качества выдаваемых прогнозов и рекомендаций.
По мере наполнения ХД и выявления скрытых взаимосвязей между статическими и динамическими свойствами АИС, базы данных (БД) в ХД трансформируются в базы знаний (БЗ). Благодаря использованию БЗ АИС «учится» работать с неполными данными, выдавая приемлемые результаты. На основе собранных знаний должна быть сформирована «интуиция» системы, определяемая как возможность находить приемлемые решения из массивов несвязанной, недоопределенной и неполной информации.
Цель исследований - разработать подходы к пониманию логики функционирования информационных процессов АИС, основанные на выстраивании структуры ХД под программную реализацию множества траекторий движения информации, возникающих в АИС при формировании прогнозов или рекомендаций в ключевые моменты сельскохозяйственных процессов.
Условия, материалы и методы. При разработке концептуальной модели АИС авторы руководствовались общими принципами проектирования и разработки экспертных систем в части, касающейся представления знаний [13]. Элементами концептуальной модели АИС, необходимыми и достаточными для описания её динамических свойств, служат уже выявленные 16 компонентов архитектуры АИС. Базовой онтологической единицей для описания траекторий движения информации признан маршрут движения данных, или маршрут, а также набор компонентов ХД, необходимых для программной реализации маршрутов. В действующей информационной системе доступ ко всем сведениям осуществляется через ХД, поэтому концептуализация динамических свойств АИС предусматривает выявление всех составных компонентов ХД, их внутренних структур, свойств и взаимосвязей до степени полного понимания движения по фиксированным маршрутам всех потоков информации, отвечающих за выполнение всех функций экспертной системы.
В работе [12] вместо понятия ХД акцент делался на отдельном компоненте АИС - оцифрованных БД, поэтому не учитывались способы, методы и инструменты, с использованием которых данные, полученные из внешних источников или условий задачи, приобретают таблично-цифровой вид, пригодный для обработки программами ЭВМ. В представленной работе этот пробел устраняется: в структуре ХД выявляются 22 компонента, только одним из которых служит множество оцифрованных БД. Через взаимный обмен информацией между этими компонентами выстраиваются процессы обработки данных в АИС. При этом важно понимать, что 22 компонента ХД - структурированная информация о совокупности реальных сельскохозяйственных объектов, а также об их отношениях, связях и характеристиках.
Отметим, что среди 22 представленных компонентов ХД встречаются как БД, так и БЗ, содержащие структурированную информацию о самом ХД, уточняемую и дополняемую в процессе работы АИС. По мере эксплуатации «опыт» системы наращивается, соотношение содержащейся в ней информации эволюционирует в пользу знаний.
Результаты и обсуждение. ХД состоит из 22 компонентов, посредством которых осуществляется
хранение, упорядочивание, структурирование, движение данных в АИС. Они делятся на три группы: карточки, перечни и реестры (табл. 1).
Карточка - структурированное описание объекта с выделением его значимых свойств и характеристик, отражаемых в специально выделенных полях. Поля карточки имеют стандартизированные форматы для автоматизации обмена данными. В структуре ХД выделено четыре карточки: агросервиса <1>, документа <2>, задачи <3>, модели <4>. Объекты, описываемые этими компонентами ХД, - структурные единицы
Таблица 1. Состав компонентов ХД и АИС
карточка]
<1> агросервиса <2> документа <3> задачи <4> модели
Компонент ХД
перечень
реестр
Компонент АИС
<5> агро- <9> агросервисов показателей <10> внешних источников <6> геопа- <11> входных форматов мо-раметров делей
<7> мето- <12> выходных форматов дов обра- агросервисов ботки гео- <13> документов данных <14> задач <8> функ- <15> мер для сравнения терций ГИС- риторий по геоданным систем <16> моделей
<17> отношений модель-документ
<18> оцифрованных баз данных <19> регламентов импорта данных внешних источников <20> регламентов формализации данных задачи <21> форматов данных внешних источников <22> шаблонов формализа-_ции данных задачи_
(1) пространство задач
(2) внешний источник данных
(3) оцифрованные базы данных
(4) журнал
(5) пространство моделей
(6) пространство документов
(7) задача
(8) формализация данных задачи
(9) входные данные модели
(10) выходные данные модели
(11) агропоказатели
(12) модель
(13) обращение к журналу
(14) отбор данных
(15) активный контур
(16) узел_
(чёрный цвет).
четырёх пространств АИС, на которых строится её работа в рамках стандартной парадигмы экспертных систем: проблема (постановка задачи) <3> - подготовка данных (сбор необходимой информации для решения) <1> - решение (модели и методы) <4> - результат (документы для ЛПР) <2>. Например, компонент ХД Карточка модели <4> служит структурированным описанием компонента АИС Модель (12) и предназначена для хранения информации о каждой модели, отобранной для использования в АИС. Содержит 17 полей со свойствами и характеристиками модели, а также её связями с другими компонентами ХД.
Перечень - структурированное представление данных об информационных единицах, участвующих в работе АИС. Как правило, это обычная таблица объект - свойство. В качестве свойств используются как индивидуальные характеристики, так и связи с другими компонентами ХД. Например, Перечень агропоказате-лей <5> содержит список рассчитываемых в АИС для различных сельскохозяйственных процессов ключевых показателей (11), на которые ориентируются ЛПР. В свойствах каждого показателя указывается модель (5) <16> и агросервис <9>, посредством которых они могут быть рассчитаны, в каких документах (6) <13> присутствуют, какие данные необходимы для расчёта агропоказателя (10) <17>.
Реестр - структурированное представление группы объектов или характеристик объектов, с выделением их значимых свойств и с отражением связей с другими группами. В реестре, в отличие от перечня, содержатся объекты, каждый из которых может представлять собой некоторую информационную структуру и содержать разные массивы данных, не все из которых обязательно имеют табличную форму. Например, компонент ХД Реестр моделей <16> представляет собой набор карточек моделей <4> для различных используемых в АИС моделей (12). По мере накопления количества моделей в реестре, возникает возможность их классификации, уточнения структуры пространства моделей (5). Всего
в ХД выделено 14 реестров. На их основании происходит движение информации по маршрутам. Одно из предназначений реестра - быстро находить близкие по свойствам объекты. Например, для некоторой рассматриваемой модели можно выделить набор похожих моделей, используя близость характеристик, внесённых в соответствующие поля их карточек <4>.
Особая роль среди компонентов ХД Реестра оцифрованных БД <18> отмечена ранее. Каждый элемент этого реестра - отдельная БД, содержащая в индивидуальном формате таблично-цифровые данные, полностью готовые к обработке математическими функциями или алгоритмами, в том числе реализованными в готовых программах ЭВМ. Важный раздел реестра <18> - множество БД геоинформационных систем (ГИС). Особенность БД ГИС состоит в том, что они выступают массивами пространственных данных, привязанных к конкретным территориям по некоторому набору геопараметров - показателей, снимаемых приборами и изменяющихся вместе со смещением координат. Именно в ГИС зачастую осуществляется первичная обработка геопараметров, поэтому связанные с ними компоненты ХД служат перечнями. Перечни <6>, <7> и <8> достаточны для взаимодействия ХД и моделей обработки данных, встроенных в ГИС.
Взаимосвязи между компонентами ХД и АИС в информационном пространстве можно представить в графическом виде (рис. 1) По этим связям проходят траектории движения информации, из которых и выделяются маршруты движения данных, служащих ключевыми для концептуального описания динамических свойств АИС.
Для каждого маршрута движения данных должно быть создано описание, однозначно отражающее, из каких именно компонентов ХД происходит отбор информации, какие характеристики и свойства, содержащихся в ХД объектов, необходимо извлечь, какие методы и при каких условиях будут использованы, какова точная траектория движения данных по элементам АИС и ХД, каковы изменяющиеся во времени форматы перемещающихся по нему данных.
Свойства маршрутов и их компонентов неразрывно связаны с 4 компонентами АИС: пространствами задач (1), моделей (5) и документов (6), а также множеством журналов (4). Вопрос о первичности этих онтологических единиц по отношению к маршрутам остаётся открытым. Описание маршрутов существенно обогатит и уточнит онтологии указанных компонентов, но и сами маршруты выстраиваются именно на базе этих онто-логий. Скорее всего, это процесс параллельный,взаимопроникающий. Представляемый в работе подход к концептуальному описанию динамических свойств АИС реализован именно со стороны маршрутов.
На этом этапе автоматизации АИС выявлены и описаны семь маршрутов движения информации, составлены соответствующие схемы. В качестве примера приведём полное описание одного из маршрутов.
Маршрут 1. Агросервисы для расчёта агропоказате-лей. Показатель, значимый для ЛПР и представленный в некотором документе или «фразе», реализованной функцией поддержки принятия решений, формируется в результате цепочки процессов обработки формализованных данных. Порядок последовательности - обратный, то есть в этом маршруте лучшее понимание работы АИС даёт движение не от данных, а от показателя, для получения которого нужно собрать данные,
Таблица 2. Состав компонентов АИС и ХД маршрута 1
Компонент ХД Компонент АИС
карточка I перечень I реестр
<1> агро- <5> агропо- <9> агросервисов (3) оцифрованные базы
сервиса казателей <11> входных форматов данных
моделей (5) пространство моделей
<12> выходных форматов (9) входные данные мо-
агросервисов дели
<16> моделей (10) выходные данные
<17> отношений модель- модели
документ (11) агропоказатели
<18> оцифрованных баз (12) модель
данных (16) узел
использовать модели. Акцент в этом маршруте делается на сторонних моделях неизвестной внутренней структуры - агросервисах (12) <9>. Агросервисы - это скачиваемые или работающие в режиме онлайн приложения, позволяющие ввести некоторые входные сведения и извлечь рассчитанные моделью агропоказатели. Приоритет изучения сторонних агросервисов посредством составления реестра <9> должен заключаться в том, чтобы понять, какие из них лучше всего подходят для предиктивных сельскохозяйственных технологий в тех или иных условиях.
Последовательность компонентов АИС. Агропоказатели (11) ^ Выход модели (10) ^ Модель (12) ^ Вход модели (9) ^ Узел АИС (16) ^ Оцифрованные БД (3).
Компоненты ХД. Перечень агропоказателей <5> составляет эксперт. К каждому из них должны быть привязаны агросервисы из Реестра агросервисов <9> и модели из Реестра моделей <16>, с использованием которых возможно получение этого показателя (табл. 2).
Реестр выходных форматов агросервисов <12> должен связывать набор агропоказателей из <5> с выходными данными агросервиса из <9>, обеспечивая полное понимание того как и где брать, в том числе аппаратно и программно, нужную цифру и как из неё получить агропоказатель.
Агросервисы из <9> не попадают в реестр моделей <16>, так как их внутренняя структура неизвестна, хотя каждый из агросервисов присутствует как отдельная (возможно, единственная) функция обработки данных в некоторой модели (12) пространства моделей (5) АИС. Для каждого агросервиса через представляющую его модель и реестр отношений модель - документ <17> должен быть представлен набор агропоказателей из перечня <5>, при этом карточка агросервиса <1> связывается карточкой модели <4>.
Реестр форматов входных данных моделей <11> содержит описание порядка их формирования для каждой конкретной модели из данных, содержащихся в различных компонентах ХД. Отметим, что для моделей пространства (5) существуют реестры <11> и <16>, а для агросервисов - реестры <9> и <12>. Это сделано из-за того, что входные данные моделей и агросервисов имеют одну и ту же природу и собираются из оцифрованных БД. Выходные же данные агросервисов изначально находятся вне АИС, поэтому их сначала необходимо перенести в оцифрованные БД <18>, а затем уже задействовать в реестре <17>. Мотивация использования агросервисов определяется разницей в трудоёмкости между автоматизацией работы с реестрами <9>, <12> и включением модели агросервиса (если она известна) в АИС через реестры <11>, <16>.
Реестр <18> необходим в конце этого имеющего обратный порядок маршрута, чтобы окончатель-
но определить множество оцифрованных БД, из которых собираются данные для расчёта заданного множества агропоказателей.
Последовательность компонентов ХД. На основании изложенного можно составить последовательность компонентов ХД, задействованных на каждом шаге маршрута: (11) ^ (10): <5>, <17>; (10) ^ (12): <16>; (12) ^ (9): <11>: (9) ^ (16): <1>,<9>,<12>; (16) ^ (3): <18> (рис. 2).
Графическое представление маршрута (см. рис. 2). Информацию из пунктов «Последовательность компонентов АИС», «Компоненты ХД» и «Последовательность компонентов ХД» следует использовать с учётом ограничений, накладываемых взаимосвязями между компонентами ХД (см. рис. 1). При этом отсутствующая на рис. 1 связь <11>-<18> -упрощённое представление более сложной связи <11>-<21>-<19>-<12>-<1>-<9>-<18>, отражающей работу узла АИС (16), отвечающего за алгоритм подготовки входных данных модели с использованием агросервиса как внешнего источника.
(2)
Ч (8)
Рис. 2. Графическое представление маршрута 1: чёрным цветом отмечены связи между компонентами ХД; серыми -логика работы компонентов АИС.
Описание движения данных маршрута 1 и сопутствующих компонентов ХД даёт представление о трудоёмкости концептуального описания АИС. По этому шаблону составляются более детализированные маршруты, связывающие агросервисы и агропоказатели с конкретными интернет-адресами и форматами данных, а также тестовыми комплектами БД - упрощёнными аналогами ХД. Далее эта информация входит в техническое задание для отправки на реализацию специалистам по разработке программного обеспечения.
Дальнейшие шаги по концептуальному описанию АИС как экспертной системы с функцией поддержки принятия решений представляются следующими:
выбор сельскохозяйственных задач, решаемых системой в демонстрационной версии;
составление детализированных маршрутов движения данных для выдачи прогнозов и рекомендаций по каждой выбранной задаче;
подготовка тестового примера ХД путём его наполнения (порядка 30 элементов в каждом перечне, 10 элементов в реестре, корректно заполненные карточки);
реализация демонстрационной версии в одном из программных пакетов имитационного моделирования;
доработка концептуальной модели по результатам тестирования демонстрационной версии.
Выводы. Представленный подход отражает сложное системно-динамическое устройство аграрной интеллектуальной системы и основан на выстраивании
структуры хранилища данных под программную реализацию множества траекторий движения информации, возникающих в системе при откликах на запросы, связанные с прогнозами или рекомендациями в ключевые моменты сельскохозяйственных процессов, когда от точных и правильных действий сильно зависят результирующие показатели. Разработано семь таких траекторий. Для хранилища данных разработана структура из 22 компонентов трёх видов: карточки (4 единицы), перечни (4 единицы) и реестры (14 единиц). Для структуры хранилища данных предложено пространственно-графическое представление, отражающее 40 связей между его компонентами и согласованное со структурой аграрной интеллектуальной системы через семь связей с четырьмя её компонентами из шестнадцати. Обязательное условие программной реализации функции поддержки принятия решений в аграрной интеллектуальной системе - наличие корректно структурированного и наполненного хранилища данных.
Литература.
1. Никонова А. А. «Новая системность» стратегического планирования в Индустрии 4.0 // Journal of new economy. 2019. Т. 20. № 2. С. 145-165. doi: 10.29141/2073-1019-2019-20-2-9
2. Зозуля Д. М. Цифровизация российской экономики и Индустрия 4.0: вызовы и перспективы // Вопросы инновационной экономики. 2018. Т. 8. № 1. С. 1-14. doi: 10.18334/vinec.8.1.38856.
3. Napoleone A., Macchi M., Pozzetti A. A review on the characteristics of cyber-physical systems for the future smart factories // Journal of Manufacturing Systems. 2020. Vol. 54. P. 305-335. doi: 10.1016/j.jmsy.2020.01.007.
4. Wortmann F., Fluchter K. Internet of things// Business & Information Systems Engineering. 2015. Vol. 57. No. 3. Р. 221-224. doi: 10.1007/s12599-015-0383-3.
5. Industrial artificial intelligence for Industry 4.0-based manufacturing systems / J. Lee, D. Hossein, S. Jaskaran, et al. // Manufacturing letters. 2018. Vol. 6. No. 18. P. 20-23. doi: 10.1016/j.mfglet.2018.09.002.
6. Ozdemir V., Hekim N. Birth of Industry 5.0: Making sense of big data with artificial intelligence, "the internet of things" and next-generation technology policy// Omics: a journal of integrative biology. 2018. Vol. 22. No. 1. Р. 65-76. doi: 10.1089/omi.2017.0194.
7. Wang L., Wang G. Big data in cyber-physical systems, digital manufacturing and industry 4.0 // International Journal of Engineering and Manufacturing (IJEM). 2016. Vol. 6. No. 4. P. 1-8. doi: 10.5815/ijem.2016.04.01.
8. From precision agriculture to Industry 4.0: Unveiling technological connections in the agrifood sector/ L. Trivelli, A. Apicella, F. Chiarello, et al.// British Food Journal. 2019. Vol. 121. No. 8. Р. 1730-1743. doi: 10.1108/BFJ-11-2018-0747.
9. Вартанова М. Л. Цифровая трансформация российского АПК в современных условиях// Экономика, предпринимательство и право. 2019. Т. 9. № 4. С. 301-310. doi: 10.18334/epp.9.4.41534.
10. Ганиева И. А. Предпосылки создания информационно-ресурсной цифровой платформы интеллектуального управления системами земледелия и землепользования для агропромышленного комплекса России //Достижения науки и техники АПК. 2019. Т. 33. № 12. С. 110-116.
11. Лясников Н. В. Цифровой аграрный сектор России: обзор прорывных технологий четвертого технологического уклада // Продовольственная политика и безопасность. 2018. Т. 5. № 4. С. 169-181. doi: 10.18334/ppib.5.4.41295.
12. Каличкин В. К., Корякин Р. А., Куценогий П. К. Архитектура и принципы работы аграрной интеллектуальной системы// Сибирский вестник с.-х. науки. 2019. Т. 49. № 4. С. 65-75. doi: 10.26898/0370-8799-2019-4-8.
13. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование. М.: Вильямс, 2006. 1152 с.
References
1. Nikonova AA. ["New system" of strategic planning in Industry 4.0]. Journal of New Economy. 2019;20(2):145-65. Russian. doi: 10.29141/2073-1019-2019-20-2-9.
2. Zozulya DM. [Russian economy digitalization and Industry 4.0: challenges and prospects]. Voprosy innovatsionnoy ekonomiki. 2018;8(1):1-14. Russian. doi: 10.18334/vinec.8.1.38856.
3. Napoleone A, Macchi M, Pozzetti A. A review on the characteristics of cyber-physical systems for the future smart factories. Journal of Manufacturing Systems. 2020;54:305-35. doi: 10.1016/j.jmsy.2020.01.007.
4. Wortmann F, Fluchter K. Internet of things. Business & Information Systems Engineering. 2015;57(3):221-4. doi: 10.1007/ s12599-015-0383-3.
5. Lee J, Hossein D, Jaskaran S, et al. Industrial artificial intelligence for Industry 4.0-based manufacturing systems. Manufacturing letters. 2018;6(18):20-3. doi: 10.1016/j.mfglet.2018.09.002.
6. Ozdemir V, Hekim N. Birth of Industry 5.0: Making sense of big data with artificial intelligence, "the internet of things" and next-generation technology policy. Omics: a journal of integrative biology. 2018;22(1):65-76. doi: 10.1089/omi.2017.0194.
7. Wang L, Wang G. Big data in cyber-physical systems, digital manufacturing and industry 4.0. International Journal of Engineering and Manufacturing (IJEM). 2016;6(4):1-8. doi: 10.5815/ijem.2016.04.01.
8. Trivelli L, Apicella A, Chiarello F, et al. From precision agriculture to Industry 4.0: Unveiling technological connections in the agrifood sector. British Food Journal. 2019;121(8):1730-43. doi: 10.1108/BFJ-11-2018-0747.
9. Vartanova ML. [Russian agro-industrial complex digital transformation under modern conditions]. Ekonomika, predprinimatel'stvo ipravo. 2019;9(4):301-10. Russian. doi: 10.18334/epp.9.4.41534.
10. Ganieva iA. [Prerequisites for creating an information-resource digital platform for intelligent management of farming and land use systems for the agro-industrial complex of Russia]. Dostizheniya nauki i tekhniki APK. 2019;33(12):110-6. Russian.
11. Lyasnikov NV. [Digital agricultural sector in Russia: fourth technological order breakthrough technologies review]. Prodovol'stvennaya politika i bezopasnost'. 2018;5(4):169-81. Russian. doi: 10.18334/ppib.5.4.41295.
12. Kalichkin VK, Koryakin RA, Kutsenogiy PK. [Agricultural intellectual system: architecture and functioning basics]. Sibirskiy vestniksel'skokhozyajstvennoj nauki. 2019;49(4):65-75. Russian. doi: 10.26898/0370-8799-2019-4-8.
13. Giarratano D, Riley G. Ekspernye sistemy: printsipy razrabotki i programmirovaniye. [Expert Systems: Principles and Programming]. Moscow: Vilyams; 2006. 1152 p. Russian.
