2. Brunelli R., Poggio T. Face Recognition through Geometrical Features. // Proceedings of ECCV'92, S. Margherita Ligure, -p.792-800.
3. Brunelli R., Poggio T. Face Recognition: Features versus Templates. // IEEE Trans on PAMI, 1993, v.15, №.10. - p.1042-1052.
4. Sirohey S.A. Human face segmentation and identification./ Technical Report CS-TR-3176 (CAR-TR-695). - University of Maryland, Nov.1993. -33p.
5. Нюнькин К.М. Компьютерная система автоматической локализации человеческих лиц на изображении. // Искусственный интеллект. - 1999. - № 1. -С.72-82.
МНОГОАГЕНТНЫЕ СИСТЕМЫ ПОДДЕРЖКИ ОТКРЫТОГО ОБРАЗОВАНИЯ В ТЕХНИЧЕСКОМ УНИВЕРСИТЕТЕ
Е.А. Луговская, В.Б. Тарасов
В эпоху рыночной экономики и зарождения информационного (постиндустриального) общества происходят кардинальные изменения условий функционирования технических университетов, вызывающие необходимость заново пересмотреть многие традиционные аксиомы их организации [1, 2]. Главными современными тенденциями развития инженерного образования, определяющими новые стратегии деятельности его учреждений, становятся глобализация, информатизация, интеллектуализация и клиентоцентризм. Поэтому ранее неоспоримое достоинство процветающих институтов высшего образования - постоянная, устойчивая структура, мало зависящая от внешнего мира, -теперь часто оборачивается недостатком. Такая жесткая, детерминированная, инерционная организация не позволяет своевременно отслеживать конъюнктуру рынка и удовлетворять все возрастающие требования заказчиков образовательных услуг. Это происходит потому, что в больших, закрытых и сильно централизованных системах значительные средства затрачиваются на внутренние нужды (обработку информации для принятия решений) и мало ресурсов остается на развитие, совершенствование самих процессов и технологий, а также на связанную с этим поисковую и адаптационную деятельность.
Сегодня актуально построение открытых, гибких, децентрализованных образовательных систем, способных успешно функционировать и эволюционировать в сложной и плохо определенной среде. В отличие от закрытых систем, мало взаимодействующих с внешней средой, открытые системы характеризуются периодическим и интенсивным обменом с внешней средой. Здесь границы между системой и средой достаточно условны и нечетки. У открытой системы хорошие возможности и средства адаптации к изменениям среды, в том числе путем модификации своей структуры и параметров. Иными словами, они способны к развитию путем самообновления - ликвидации старых и создания новых структур внутри самих себя.
Подобные системы должны благоприятствовать проведению инноваций различных видов, которые становятся необходимым условием выживания и конкурентоспособности технических университетов. Речь идет об инновациях учебно-педагогических процессов, образовательных структур и взаимоотношений между преподавателями и студентами, а также между самим университетом и его партнерами. Яркими примерами подобных инновационных стратегий служат концепция
открытого образования [3], модели виртуального университета [4] и виртуальной кафедры [2].
Открытое образование
Одной из характерных черт информационного общества является формирование новой парадигмы образования как инструмента социального благополучия. С одной стороны, это означает возникновение массовых потребностей в непрерывном образовании на протяжении всей жизни. С другой стороны, речь идет об обеспечении права любого члена общества независимо от его местонахождения на получение в любой период времени образовательных услуг в интересующей его области. Все это приводит к необходимости проведения новой образовательной политики на основе стратегии открытого образования. Открытость образовательных систем означает свободу зачисления в число обучаемых и выбора учебных курсов, составление индивидуального учебного плана, а также свободу места, времени, форм и темпов обучения. Открытое инженерное образование должно строиться на основе сетевых информационных технологий, позволяющих объединять образовательные ресурсы крупнейших технических и классических университетов, ведущих научных организаций и передовых промышленных предприятий с целью формирования гибких, переструктурируемых учебных модулей, которые обеспечат интенсификацию, индивидуализацию и непрерывность обучения.
Для открытого образования как новой формы обучения следует разработать соответствующие модели обучения, ориентированные на особенности и проблемы информационного общества, его культуру и потребности. В частности, требуется переход от традиционной дисциплинарной к междисциплинарной, синергетиче-ской модели обучения, в которой ведущая роль будет принадлежать электронным источникам информации (в особенности, ресурсам сети Интернет), функции преподавателя сместятся в сторону координации учебного процесса (то есть на смену одностороннего диктата преподавателя придет педагогика сотрудничества), а функции интерпретатора знаний начнут перераспределяться от преподавателя к студенту.
Итак, становление открытого образования предполагает многообразие гибких сетевых образовательных структур, различающихся по виду узлов сети и характеру их взаимодействия (в частности, по уровню кооперации и координации). На наш взгляд, базовыми единицами подобных посттейлоровских организаций в сфере
29
инженерного образования могут стать виртуальные кафедры.
Виртуальная кафедра
Под виртуальной кафедрой понимается разновидность сетевой, компьютерно интегрированной организации, состоящей из неоднородных, свободно взаимодействующих агентов (как естественных, так и искусственных), находящихся в различных местах. Она представляет собой сложное переплетение реальных и виртуальных структур, приводящее к синергетическим эффектам, которые способствуют возникновению новых функциональных возможностей. С одной стороны, такая кафедра не существует в реальном физическом пространстве, а создается путем информационной интеграции требуемых педагогических, учебно-методических, программно-технических и других ресурсов, отбираемых с различных кафедр, факультетов и вузов. Электронным путем формируется искусственная организация, которая функционирует в виртуальном пространстве. С другой стороны, полностью виртуальная, то есть не имеющая базовых структур в реальном пространстве кафедра, конечно, не может существовать. В этом плане виртуальная кафедра может рассматриваться как своего рода метакафедра, объединяющая цели, традиции, ресурсы и опыт нескольких кафедр (и даже вузов) в интересах подготовки специалистов высокого уровня, а в конечном счете - для обеспечения выживания и конкурентоспособности партнеров на рынке образовательных услуг.
В частности, формирование виртуальной кафедры с использованием ресурсов кафедр разного масштаба позволит скомпенсировать их недостатки и усилить достоинства: например, можно объединить средства и возможности больших, давно образованных монодисциплинарных кафедр, имеющих богатые педагогические ресурсы и традиции, но обладающих сильной инерционностью и плохо приспосабливающихся к требованиям рынка, и небольших новых кафедр, порой испытывающих недостаток в ресурсах, но способных быстро реагировать на изменения и оперативно получать заказы в сфере образовательных услуг. Следовательно, виртуальная кафедра - одна из перспективных клиентоцен-трических стратегий в сфере инженерного образования, где моделирование взаимоотношений с партнерами играет главную роль, позволяя существенно улучшить организационную гибкость, адаптивность и реактивность.
Понятие виртуальной кафедры технического профиля можно охарактеризовать следующими признаками:
• подбор кафедр (организаций), имеющих общие (совместимые) цели, потребность в опыте и ресурсах друг друга, что определяет необходимые условия формирования виртуальной кафедры и правила вхождения в нее;
• электронная интеграция лучших педагогических, учебно-методических и организационно-технических ресурсов на основе новейших сетевых технологий;
• реализация процессов кооперации и координации пространственно удаленных партнеров;
• совместное производство и использование географически распределенных педагогического опыта (знаний) и образовательных технологий, а также их быстрое приумножение;
• возможность быстрого формирования, развертывания, переструктурирования и расформирования в
интересах оперативной адаптации к состоянию рынка образовательных услуг;
• реализация междисциплинарной стратегии обучения;
• формирование автономных виртуальных учебных групп с гибким распределением и перераспределением функций и ролей партнеров, взаимодействующих на расстоянии.
В разработке информационно-технической инфраструктуры виртуальной кафедры первостепенную роль должны играть стандарты в области образовательных технологий, сетевых коммуникаций, взаимодействия программных средств, управления знаниями, моделирования разрабатываемых объектов и пр. Типичная инфраструктура виртуальной кафедры объединяет:
— интернет-технологии;
— технологии управления знаниями;
— средства обеспечения двустороннего взаимодействия преподавателей с обучаемыми, в качестве которых могут применяться средства поддержки групповой деятельности (groupware), авторские и соавторские системы, а также средства поддержки потоков работ (workflow);
— библиотеку распределенного программного обеспечения образовательного назначения (в первую очередь, распределенные базы учебно-педагогических данных и знаний, включая базы мультимедиа-данных, а также средства распределенного искусственного интеллекта);
— интеллектуальные обучающие системы (ИОС) и учебные среды (ИУС)
Рассмотрим проблему построения ИОС нового поколения как одного из инструментальных средств реализации стратегии открытого образования в условиях виртуальных кафедр. В нашей работе модели виртуальной кафедры и архитектура ИОС строятся на основе теории агентов и многоагентных систем (МАС) [5, 6].
Архитектура МАС учебного назначения
В словаре современного английского языка Longman дано следующее определение агента: «агент - это лицо или организация, наделенное юридическими полномочиями представлять другое лицо или организацию и вести их дела». Из этого определения понятна важная роль искусственных агентов в современных науках как промежуточного звена между субъектом и объектом. Если идти от субъектного полюса, то агент может пониматься как квазисубъект, способный в некотором смысле замещать другого субъекта (своего хозяина), имеющий обязательства перед ним и действующий по его поручению. Напротив, при движении от объектного полюса агентом считается активный объект или мета-объект, способный управлять другими объектами и формировать собственное поведение, которое удовлетворяет некоторому набору экстремальных принципов.
Минимальный набор базовых характеристик произвольного агента включает такие свойства, как [5, 6]: а) активность, способность к организации и реализации действий; б) автономность, относительная независимость от окружающей среды или наличие некоторой свободы воли, обусловливающей собственное поведение, которое должно иметь хорошее ресурсное обеспечение; в) общительность, вытекающая из необходимости решать свои задачи совместно с другими агентами и обеспечиваемая развитыми протоколами коммуника-
30
ции; г) целенаправленность, предполагающая наличие встроенных механизмов мотивации, развертывание ин-тенциональных характеристик (в частности, убеждений, желаний, намерений).
Таким образом, компьютерная программа наделяется статусом агента, когда она, функционируя в сетевой среде, характеризуется автономным поведением, связанным с формированием собственных предпочтений. В отличие от программного объекта, ограниченного рамками вызова процедур и обращения к родительским объектам, агент может принять на себя определенные обязательства или, наоборот, отказаться от выполнения некоторой работы, мотивируя это отсутствием компетентности, занятостью другой задачей и т.п. Он может самостоятельно выполнять такие действия, как порождение, подавление и замена различных объектов, активизация функций (как своих, так и у других агентов), активизация сценария деятельности, запоминание текущего состояния других агентов и пр.
По степени развития внутренней модели внешней среды искусственные агенты подразделяются на интеллектуальных и реактивных. Архитектура интеллектуального агента может опираться на классические представления об интеллектуальной системе, то есть включать в качестве базовых модулей базу знаний и подсистему рассуждения. Однако подобный агент существенно отличается от обычной экспертной системы, поскольку он является открытой, динамической системой. Это означает наличие механизмов оперативного взаимодействия агент-среда, подчиненность рассуждений действиям, использование специальных языков коммуникации агентов, например ACL, и создание формальных моделей интенций.
По типу поведения интеллектуальные агенты делятся на интенциональных и рефлекторных [5]. Интен-циональные агенты наделены собственными механизмами мотивации и формирования предпочтений. Рефлекторные агенты не имеют внутренних источников мотивации и собственных целей, а их поведение характеризуется схемой ситуация-действие, связанной с простейшими (одношаговыми) выводами или автоматизмами. Таким образом, они способны отвечать на вопросы и выполнять задания, которые ставят перед ними другие агенты, но решение этих задач не приводит к появлению у них собственных целей. Типичными примерами таких вырожденных агентов являются системы поиска в базах данных и простейшие логические регуляторы.
МАС зародились на пересечении теории систем, моделей коллективного поведения, распределенного искусственного интеллекта и передовых телекоммуникационных технологий. Речь идет об открытых, активных, развивающихся системах, в которых главное внимание уделяется процессам взаимодействия агентов как причинам возникновения системы с новыми качествами. Отметим, что МАС могут строиться и как объединение отдельных интеллектуальных систем, основанных на знаниях, и как системы коллективного поведения, или интеллекта роя, возникающего в результате локальных взаимодействий простых реактивных агентов.
Для формального определения МАС удобно опираться на понятие алгебраической системы по А.И. Мальцеву, которая выражается тройкой AS = (X, П, Q), где X - непустое множество, называемое носителем, или основой системы; П - множество предикатов;
Q - множество операций. Очевидно, что сложная система может быть многоосновной, и в этом случае X = (X1,^,Xn.). Например, МАС обычно включает как множество агентов A, так и множество манипулируемых ими объектов O, что может быть записано как X=(A,O). В случае, когда X = A и с учетом того, что МАС представляет собой открытую систему, ее можно определить в виде MAS = (A, E, R, ORG), где A = {1, n} - множество неоднородных агентов; E - множество сред, в которых может функционировать данная МАС; R - семейство базовых отношений между агентами, ORG -множество базовых организационных структур, соответствующих конкретным ролям агентов и установившимся отношениям между ними. Данное определение, используемое в настоящей работе, представляет собой сужение определения эволюционной МАС в виде семерки [5] EMAS = (X, E, R, ACT, P, ST, EV), где ACT - множество действий агентов; P - множество коммуникативных актов, образующих протокол коммуникации в МАС; ST - множество состояний МАС (задающих ее текущую организационную структуру); EV -множество эволюционных стратегий.
Предлагается структура МАС учебного назначения, включающая агентов: интерфейса преподавателя; интерфейса обучаемого; доступа к знаниям о процессе обучения; онтологий; координатор взаимодействий. Агент интерфейса преподавателя осуществляет взаимодействие преподавателя с базой данных предметной области. Преподаватель оперативно пополняет базу данных, определяет различные уровни обученности, разрабатывает средства для проверки знаний обучаемых. Агент интерфейса обучаемого осуществляет взаимодействие с базой данных обучаемого, которая содержит сведения о каждом из студентов с указанием текущего уровня его подготовки, предпочтительной стратегии обучения, типичных ошибок.
Текущие действия обучаемого сравниваются с действиями преподавателя, и величина различий в ответах используется для определения текущего уровня подготовки обучаемого и выбора наиболее подходящих методик его обучения. Агент доступа к знаниям о процессе обучения обрабатывает сведения из базы данных о процессе обучения. Эта база данных обеспечивает формирование информационной модели, предъявление информации и оценку качества деятельности обучаемого, а также реализует различные режимы обучения. Агент онтологий [7] обеспечивает доступ к информации из базы данных предметной области, которая может извлекаться обучаемым и обновляться преподавателем, а также осуществляет вывод на онтологии и предоставляет возможность корректировки весовых коэффициентов, характеризующих приоритетные маршруты в нечеткой сети. Таким образом, он играет роль интерфейса между базой данных и другими агентами и обеспечивает доступ к ресурсам онтологии. Агент-координатор взаимодействий выполняет роль посредника между агентами системы и может быть реализован в виде доски объявлений.
Такая МАС на основе модели обучаемого обладает возможностью генерировать процесс обучения со всеми прилагаемыми и сопровождающими функциями и поддерживать активную обратную связь студентов с преподавателем.
Создание интеллектуальной обучающей системы по принципу МАС предполагает построение общей онтологии, разделяемой всеми агентами. Поэтому в дан-
31
ной работе особое внимание уделяется разработке агента онтологий. Здесь агент онтологий интерпретируется как персональный помощник пользователя или как интеллектуальный посредник между обучаемым (преподавателем) и средой обучения. Это полуавтономный рефлекторный агент, способный сотрудничать с пользователем и приспосабливаться к нему.
Онтологии
Онтология (от древнегреч. онтос - сущее, логос -учение, понятие) - философский термин, определяющий учение о бытии, о сущем. Это учение восходит к произведениям Аристотеля, Фомы Аквинского, Х. Вольфа, а в XX-м веке его развил М. Хайдеггер, считавший, что онтология возможна не иначе как герменевтика, то есть как наука об интерпретации, осуществляемой в мысли и языке. Это положение прослеживается в спецификациях Международной федерации по разработке интеллектуальных физических агентов (FIPA98 Specifications) [8], где под онтологией понимается «явное описание структуры некоторой проблемной области (темы)». Подобное описание всегда опирается на определенную концепцию этой области, которая обычно задается в виде системы базовых объектов (понятий), отношений между ними и аксиом. Поэтому онтологию часто понимают как спецификацию концептуализации [9-12].
В русле обеспечения взаимодействия агентов в сети Интернет онтология есть иерархия понятий и связей между ними вместе с системой ссылок на www-документы, привязанных к этим понятиям (связям) [7]. В онтологии должны выражаться смысловые аспекты коммуникации агентов, поэтому ее подчас интерпретируют как тезаурус с размеченными семантическими связями.
В простейшем случае онтология описывает иерархию понятий, связанных отношениями категоризации. В более сложных случаях в нее добавляются подходящие аксиомы для выражения других отношений между понятиями и для того, чтобы ограничить их интерпретацию. Учитывая вышесказанное, онтология представляет собой базу данных/знаний, описывающую факты, которые предполагаются всегда истинными в рамках определенного сообщества на основе общепринятого смысла используемого словаря.
Итак, модель онтологии должна обеспечивать: а) представление множества понятий в виде сетевой структуры; б) отображение достаточно богатого множества отношений, включающего не только таксономические отношения, но и отношения, отражающие специфику предметной области; в) использование декларативных и процедурных интерпретаций и отношений.
С формальных позиций онтология состоит из словаря терминов, образующих таксономию, их определений и атрибутов, а также связанных с ними аксиом и правил вывода. Если концеп-
туальная система представляется в виде логической теории, словарь задается с помощью списка логических констант и предикатных символов, а множество логических формул отображает ограничения на интерпретацию понятий или отношений проблемной области.
В данной работе построение формальной модели онтологии производится на основе нечеткой неоднородной семантической сети. Под обобщенной формальной моделью онтологии, которая расширяет модель Н.В. Майкевич, описанную в [7, 9], понимается тройка ONT = (U, 3(R), Ф), где U - множество понятий предметной области; |u|*0, 3(R) = {w|w: Xn^[0,1]} -множество нечетких (взвешенных) отношений между понятиями предметной области; Ф = {f} - конечное множество функций интерпретации (аксиоматизация), заданных на понятиях и/или отношениях онтологии O, f: Dn^[0,1]; D - область интерпретации. Здесь значения истинности представляют собой числа из интервала [0,1], в частности, их можно понимать как значения вероятности, возможности или необходимости. Дальнейшее обобщение связано с лингвистическими оценками истинности, описываемыми нечеткими множествами в [0,1].
Рассмотрим предельно вырожденный случай онтологии, когда множества 3(R) и Ф пусты. Тогда онтология ONT трансформируется в простой словарь'. ONT0=VOC=(U, {}, {}). Онтологии -словари имеют ограниченное использование, поскольку в них явно не рассматривается смысл терминов. Но если используемые в онтологии термины принадлежат очень узкой области знаний и их смысл уже заранее хорошо согласован в рамках определенного сообщества, то представление онтологии в виде простого словаря достаточно эффективно (например, индексы машин поиска информации в Интернете).
Другой вариант онтологии соответствует случаю | 3(R) | = 0, но | Ф 0. Тогда каждому понятию из U может быть поставлена в соответствие функция интерпретации f из Ф. Пусть U=U1^U2, где U1 - множество интерпретируемых терминов; U2 - множество интерпретирующих терминов. Когда функция интерпретации f задается оператором присваивания значений (U^=U2, где U1 - имя интерпретации U2), то онтология трансформируется в пассивный словарь VOCp. Если же задать хотя бы часть интерпретирующих терминов из множества X2 процедурно, то переходим к активному словарю VOC3. Элементы подобного словаря никак не связаны между собой и играют роль ключей входа в онтологию.
algorithm theory
теория алгоритмов
, /
информатика
computer science
databases
базы данных
сложность
complication
I „
ü
£
capacity
емкостной
^ 0,7
artificial intelligence И
искусственный интеллект
record
запись
artificial life H
искусственная жизнь
applied semiotics
прикладная семиотика
neural
networks
нейронные
сети
Фрагмент онтологии «Computer Science»
0,6
1,0
0,7
0,5
0,9
32
Таблица 1 «Computer Science»
Number EnglishTerm RussianTerm EnglishRel Кш^апКе) WEIGHT
1 computer science информатика artificial intelligence искусственный интеллект 0,7
2 artificial intelligence искусственный интеллект knowledge representati on представление знаний 0,9
3 knowledge representation представление знаний logical models логические модели 0,7
18 network models ^тевые модели frame фрейм 0,6
19 frame фрейм frame name имя фрейма 1,0
20 frame фрейм slot name имя слота 1,0
Наоборот, при | 3(R) I ^ 0, но Ф | = 0 получаем нечеткий тезаурус. В частном случае имеем нечеткую таксономию, которая определяется в виде ONT1 = TAX = (X, {(is_a, ц)|, {}). Таксономическая структура подразумевает иерархическую систему понятий, связанных между собой отношениями вида (is_a, ц) («быть элементом класса с некоторой степенью ц»). Отношение is_a позволяет организовать структуру понятий онтологии в виде дерева.
Особенности реализации онтологического подхода
Отличительной особенностью данной работы является применение обобщенной модели онтологии для структурирования учебных курсов, определения последовательности изучаемых тем и формирования гибких учебных модулей. Для этого онтология отображается в виде взвешенного графа на экране дисплея в графическом режиме и может быть дополнена пользователем в интерактивном режиме.
Алгоритм создания и заполнения дерева онтологии включает следующие этапы:
1) подключение базы данных, извлечение понятия, записанного в первой строке;
2) добавление имен английского и русского понятий первой записи в корень дерева;
3) поиск отношений для понятия;
4) добавление атрибутов этих отношений в дерево к узлу понятия;
5) если поле связано с понятиями нижнего уровня, то вернуться к шагу 3;
6) построение дерева онтологии, с каждой вершиной которого ассоциированы понятия на английском и русском языках, а с дугами - значения весовых коэффициентов отношений с понятиями нижнего уровня.
Алгоритм вывода на онтологии сводится к алгоритму вывода на дереве: а) строится корневой узел второго дерева; б) если узел связан с понятиями нижнего уровня, то осуществляется поиск максимального значения весового коэффициента связи и добавление ко второму дереву понятия по этой связи; в) если еще несколько узлов имеют такое же значение, осуществляется добавление ко второму дереву всех понятий по связям этих весовых коэффициентов; г) определяется текущий узел дерева и осуществляется переход к шагу б); д) если коэффициенты не были исправлены обучаемым, то вывод сохраняет отображение связей, наиболее важных с точки зрения преподавателя; при наличии изменений выводятся связи, предпочитаемые обучаемым.
Таблица2
Английские т
На рисунке представлен фрагмент организации онтологии по предмету «Computer Science». При загрузке программы весовые коэффициенты связи берутся из базы данных по предмету «Computer Science», в которой они проставлены экспертом. Во время диалога с обучаемым значения весовых коэффициентов можно изменять.
Базы данных учебного назначения широко применяются преподавателями для классификации и структурирования содержания предметных областей, а обучаемыми - для изучения содержания предмета учебного курса. База данных по предмету «Computer Science» реализована в редакторе реляционных баз данных Microsoft Access 97. Она организована в виде взаимосвязанных таблиц (табл. 1-3). В таблице 1 содержатся все понятия базы данных, их связи и соответствующие весовые коэффициенты. Таблица 2 представляет собой
словарь всех понятий на английском языке, поля которой используются как столбец подстановки для соответствующих полей таблицы 1 на английском языке. Таблица 3 содержит словарь всех понятий на русском языке, поля которой используются как столбец подстановки соответствующих полей таблицы 1 на русском языке.
Агент онтологий содержит механизм для считывания соответствующих полей, отношений и весовых коэффициентов базы данных и построения на экране дерева онтологии. При этом возможен просмотр эквивалента понятия онтологии на русском языке на специальной панели приложения. Для каждого понятия онтологии выводятся весовые коэффициенты его отношений с другими понятиями онтологии. Имеется возможность их просмотра и изменения на другой панели приложения. В данном случае изменение весовых коэффициентов отношений означает переопределение приоритетов путей в графе онтологии. Затем можно сделать вывод на основе новых коэффициентов.
Number EnglishName
1 computer science
2 artificial intelligence
3 knowledge representation
18 slot name
19 slot value
20 Universal Semantic Code (USC)
Таблица 3 Русские термины
Number RussianName
1 информатика
2 искусственный интеллект
3 представление знаний
18 имя слота
19 значение слота
20 универсальный семантический код (УСК)
На экране онтология изображается через компонент TTreeView библиотеки элементов управления Win32, реализующей обычное дерево. Отображение строится динамически при раскрытии каждого элемента дерева. Такое динамическое отображение определяется сле-
33
дующими причинами. Модель онтологии - неоднородные семантические сети - может содержать внутренние циклы. В начале работы дерево свернуто. Щелчком мыши пользователь может раскрыть структуру дерева. Когда раскрывается элемент дерева, вызывается функция построения элементов дерева от выбранного узла. Методы класса компонент TTreeView позволяют редактировать весовые коэффициенты в специально создаваемом окне. Меню редактирования вызывается нажатием правой кнопки мыши на выбранном элементе дерева. По мере разворачивания дерева в другом окне появляется перевод понятия, на которое наведена мышь.
В заключение отметим, что в статье изложены основы агентно-ориентированного подхода к построению интеллектуальных обучающих систем, предназначенных для поддержки открытого образования в условиях виртуальных кафедр. Построена обобщенная формальная модель онтологий и приведен пример использования онтологий для обучения информатике. Предложена архитектура многоагентной системы учебного назначения, описаны входящие в нее агенты и особенности их взаимодействия. Особое внимание уделено вопросам реализации агента онтологий, интерпретируемого как интеллектуальный посредник между обучаемым (преподавателем) и средой обучения. В дальнейшем планируется наращивание функциональных возможностей агента онтологий, в частности, с использованием методов индуктивного обучения (по примерам) и генетических алгоритмов. Будет разработан прототип много-агентной системы, который предполагается использовать для обучения различным предметам и для формирования междисциплинарных курсов. Следует также отметить большие перспективы «онтологического проектирования» для разработки стандартов в области открытого образования.
Работа поддержана РФФИ, она проводится в рамках международного проекта РФФИ-БРФФИ №00-0181123.
Список литературы
1. Тарасов В.Б. Новые стратегии реорганизации и автоматизации предприятий: на пути к интеллектуальным предприятиям // Новости искусственного интеллекта. - 1996. - №4. - С.40-84.
2. Емельянов В.В., Тарасов В.Б. Виртуальная кафедра в техническом университете // Дистанционное образование. - 2000. -№6. - С.39-45.
3. Открытое образование - стратегия XXI-го века для России / Под ред. В.М.Филиппова и В.П.Тихомирова. - М.: МЭСИ, 2000.
4. Интернет-образование: не миф, а реальность XXI-го века / Под ред. В.П. Тихомирова. - М.: МЭСИ, 2000.
5. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. -1998. - №2. - С.5-63.
6. Городецкий В.И., Грушинский М.С., Хабалов А.В. Много-агентные системы (обзор) // Новости искусственного интеллекта. -1998. - №2. - С.64-116.
7. Khoroshevsky V.F., Maikevich N.V. Intelligent Processing of Web Resources: Ontology-Based Approach and Multi-Agent Support // Proceedings of 1st International Workshop of Central and Eastern Europe on Multi-Agent Systems (CEEMaS'99, St.Petersburg, Russia, June 1-4, 1999). - St.Petersburg: SPIIRAS, 1999. - P.14-138.
8. FIPA 1998 Specifications. Part 12. Ontology Service. October, 1998. http://www.cset.it/fipa.
9. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб: Питер, 2000.
10. Мизогучи Р. Шаг в направлении инженерии онтологии // Новости искусственного интеллекта.-2000.-№1-2. - С.11-36.
11. Gruber T.R. A Translation Approach to Portable Ontologies // Knowledge Acquisition.-1993.-№5 (2).-P.199-220.
12. Guarino N., Giaretta P. Ontologies and Knowledge Bases. Towards a Terminological Clarification// Towards Very Large Knowledge Bases/ Ed. by N.J.I. Mars. - Amsterdam: IOS Press, 1995.
СТРУКТУРНО-ПАРАМЕТРИЧЕСКАЯ ИДЕНТИФИКАЦИЯ ФУНКЦИЙ ЗАНЯТОСТИ И ПРОГНОЗИРОВАНИЕ СПРОСА НА МОЛОДЫХ СПЕЦИАЛИСТОВ
Н.А. Семенов, М.Г. Шалунова
В Федеральной Программе развития образования подчеркивается необходимость создания служб маркетинга и информационно-рекламного обеспечения в образовательных учреждениях, позволяющих поддерживать эффективную систему мониторинга и обеспечивающих сбор образовательной статистики. Принятие обоснованных решений по объему и структуре подготовки специалистов в регионе требует разработки моделей прогнозирования потребности отраслей экономики в кадрах специалистов, моделей оценки перспективности и качества образовательных услуг (ОУ) [1], реализуемых в информационных системах административного управления профессиональными образовательными учреждениями. Оказание актуальных ОУ повысит конкурентоспособность молодых специалистов, эффективность инвестиций в образование.
Динамическая модель планирования потребности экономики в образовании, предложенная Ж. Тинберге-ном и Х. Босом, выражает связь между численностью работников со средним и высшим образованием и объ-
емом производства в стране. Применение этого подхода ограничено рамками периода стабильного экономического развития, на котором при достаточной статистической базе выявлены достоверные связи социально-экономических показателей. Большинство современных исследований зарубежных ученых опираются на выборочные исследования структуры спроса на специалистов.
В своих работах отечественные исследователи пытаются учесть переходный характер процессов в экономике России, неполную занятость и неформальный сектор. Следует отметить несколько подходов к расчету потребности отраслей экономики в трудовых ресурсах, например, потоковые динамические модели (А.Н. Ма-рюты), модель движения рабочих мест (А.Г. Коровкина, К.В. Парбузина), макроэкономические (А.С. Семенова, С.Г. Кузнецова), нейросетевые, адаптивные, трендовые, экспертные, нечеткие модели [2]. Многие исследователи отмечают оценочный характер таких расчетов. В работе А.Н. Марюты разработана динамическая модель
34