МЕТОД ІЄРАРХІЧНОГО ВИВЕДЕННЯ В БАЗІ ЗНАНЬ ІНФОРМАЦІЙНО-УПРАВЛЯЮЧОЇ СИСТЕМИ В ПАРАДИГМІ «ENTERPRISE 2.0»
Ключові слова:
парадигма «Enterprise 20»; марківські логічні мережі; темпоральні правила; логічне виведення; журнал подій
Анотація
Предметом вивчення в статті є процеси використання знань в рамках парадигми функціонування підприємства «Enterprise 2.0», яка передбачає створення комплексних об’єктів управління в його межах. Мета полягає в розробці методу ієрархічного виведення на основі темпоральних залежностей в базі знань для побудови набору можливих послідовностей дій у поточному стані об’єкту управління на різних рівнях організаційної ієрархії підприємства. Задачі: розробити ієрархію контекстно-орієнтованих темпоральних залежностей для представлення знань про поведінку об’єкту управління на різних рівнях організаційної ієрархії; розробити метод ймовірнісного ієрархічного виведення в базі знань на основі інформації про поведінку об’єкту управління у вигляді послідовностей подій. Методами, що використовуються, є методи визначення ваг правил в марківській логічній мережі, методи виведення на основі представлення знань в марківській логічній мережі. Отримані такі результати. Виділені темпоральні правила, що пов’язують атрибути подій журналу об’єкту управління. Сформована ієрархія таких правил на основі групування по визначеним атрибутам подій. Розроблено метод ймовірнісного ієрархічного виведення, що використовує темпоральні правила для формування допустимих послідовностей виконання дій на відповідному рівні ієрархії. Висновки. Наукова новизна отриманих результатів полягає в наступному: розроблена модель ієрархічного представлення темпоральних залежностей у вигляді правил для послідовних дій на об’єкті управління та узагальнюючих правил виконання цільових дій. Розроблене представлення дозволяє деталізувати знання про поведінку об’єкту управління для різних рівнів організаційної ієрархії і тим самим підвищити ефективність управління підприємством. Запропоновано метод ієрархічного виведення в базі знань підприємства в парадигмі «Enterprise 2.0». Метод передбачає формування ієрархії упорядкованих за ймовірністю реалізації можливих варіантів прогнозованої поведінки об’єкту управління. Метод дозволяє підвищити ефективність управління підприємством на основі вибору із множини можливих варіантів поведінки із заданим рівнем деталізації для об’єкту управління.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Vom Brocke, J. (2015). Handbook on Business Process Management 1. Introduction, Methods, and Information Systems. Springer-Verlag Berlin Heidelberg, p. 709 doi:10.1007/978-3-642-45100-3
2. Kalynychenko, O., Chalyi, S., Bodyanskiy, Y., Golian, V., Golian, N. (2013, September). Implementation of search mechanism for implicit dependences in process mining. 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS). Institute of Electrical and Electronics Engineers (IEEE). Available: https://doi.org/10.1109/idaacs.2013.6662
3. Shin J., Wu S., Wang F., De Sa C. Zhang С, R´e С. (2015). Incremental Knowledge Base Construction Using DeepDive. 41 th International Conference on Very Large Data Bases (VLDB). Vol. 8(11).
4. Niu F., Zhang C., Re C. (2012). DeepDive: Web-scale Knowledge-base Construction using Statistical Learning and Inference. VLDS, 25–28.
5. Van der Aalst, W. M. P. (2011). Process Mining: Discovery, Conformance and Enhancement of Business Processes. Springer Berlin Heidelberg, p 352 . doi:10.1007/978-3-642-19345-3
6. Van der Aalst, W. M. P. (2014). Process Mining in the Large. A Tutorial. Business Intelligence. Springer Science + Business Media, 33–76. doi:10.1007/978-3-319-05461-2_2
7. Chalyi S., Levykin I., Petrychenko A. and Bogatov I. (2018). Causality-based model checking in business process management tasks. Proc. IEEE 9th International Conference on Dependable Systems, Services and Technologies DESSERT’2018. Ukraine, Kyiv, May 24-27, 478 – 483.
8. Levykin V., Chala O. (2018). Method of automated construction and expansion of the knowledge base of the business process management system. EUREKA: Physics and Engineering, 4, 29-35.
9. Richardson, M., Domingos, P. (2006). Markov logic networks. Machine Learning, 62 (1-2), 107–136. doi: https://doi.org/10.1007/s10994-006-5833-1.
10. Singla, P., Domingos, P. (2005). Discriminative Training of Markov Logic Networks. Proceedings of the 20th national conference on Artificial intelligence.
11. Lowd D., Domingos P. (2007). Efficient weight learning for Markov logic networks. European Conference on Principles of Data Mining and Knowledge Discovery. Knowledge discovery in databases: PKDD 2007.
2. Kalynychenko, O., Chalyi, S., Bodyanskiy, Y., Golian, V., Golian, N. (2013, September). Implementation of search mechanism for implicit dependences in process mining. 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS). Institute of Electrical and Electronics Engineers (IEEE). Available: https://doi.org/10.1109/idaacs.2013.6662
3. Shin J., Wu S., Wang F., De Sa C. Zhang С, R´e С. (2015). Incremental Knowledge Base Construction Using DeepDive. 41 th International Conference on Very Large Data Bases (VLDB). Vol. 8(11).
4. Niu F., Zhang C., Re C. (2012). DeepDive: Web-scale Knowledge-base Construction using Statistical Learning and Inference. VLDS, 25–28.
5. Van der Aalst, W. M. P. (2011). Process Mining: Discovery, Conformance and Enhancement of Business Processes. Springer Berlin Heidelberg, p 352 . doi:10.1007/978-3-642-19345-3
6. Van der Aalst, W. M. P. (2014). Process Mining in the Large. A Tutorial. Business Intelligence. Springer Science + Business Media, 33–76. doi:10.1007/978-3-319-05461-2_2
7. Chalyi S., Levykin I., Petrychenko A. and Bogatov I. (2018). Causality-based model checking in business process management tasks. Proc. IEEE 9th International Conference on Dependable Systems, Services and Technologies DESSERT’2018. Ukraine, Kyiv, May 24-27, 478 – 483.
8. Levykin V., Chala O. (2018). Method of automated construction and expansion of the knowledge base of the business process management system. EUREKA: Physics and Engineering, 4, 29-35.
9. Richardson, M., Domingos, P. (2006). Markov logic networks. Machine Learning, 62 (1-2), 107–136. doi: https://doi.org/10.1007/s10994-006-5833-1.
10. Singla, P., Domingos, P. (2005). Discriminative Training of Markov Logic Networks. Proceedings of the 20th national conference on Artificial intelligence.
11. Lowd D., Domingos P. (2007). Efficient weight learning for Markov logic networks. European Conference on Principles of Data Mining and Knowledge Discovery. Knowledge discovery in databases: PKDD 2007.
Опубліковано
2018-09-12
Як цитувати
Chala O. Метод ієрархічного виведення в базі знань інформаційно-управляючої системи в парадигмі «enterprise 2.0» / O. Chala // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 4 (50). – С. 86-90. – doi:https://doi.org/10.26906/SUNZ.2018.4.086.
Розділ
Математичні моделі та методи
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
