DASTURIY TA’MINOTLARDAN FOYDALANGAN INTELLIGENT TIZIMLARNING EKSPERIMENTAL TADQIQOTI.

Дилноз Мухамедиева; Юсуф Юлдошев; Ербол Рустамов; Фархад Тагаев

Авторы

Дилноз Мухамедиева
Юсуф Юлдошев
Ербол Рустамов
Фархад Тагаев

Ключевые слова:

Программная реализация,, интеллектуальная система,, производственные знания,, экспериментальное исследование,, база знаний, классификация,, обработка данных.

Аннотация

В статье рассматривается программное обеспечение интеллектуальной информационной системы, основанной на представлении производственных знаний, а также результаты экспериментальной проверки разработанных алгоритмов. Описывается архитектура программного пакета, поддерживающего полный цикл обработки данных — от создания информационной модели до принятия решений на основе базы знаний. Представлены методы использования обработки данных, построения производственных знаний и их классификации. Показано, что реализованная система является надежной, интерпретируемой и пригодной для использования в практических задачах поддержки принятия решений.

Библиографические ссылки

Chen, Z., Chen, D., Zhang, X., Yuan, Z., & Yang, X. (2021). Deep knowledge tracing with knowledge graph embedding for intelligent tutoring systems. Knowledge-Based Systems, 227, 107224.

Cranefield, S., Winikoff, M., Dignum, V., & Dignum, F. (2023). Responsible AI by design in practice. AI and Ethics, 3(1), 183-199.

Hagendorff, T., & Meding, K. (2021). The big picture on AI ethics. AI and Ethics, 1(1), 65-75.

Kautz, H. (2022). The Third AI Summer: AAAI Robert S. Engelmore Memorial Lecture. AI Magazine, 43(1), 105-126.

Liu, Y., Zhang, H., Wu, Q., & Chen, L. (2023). Knowledge graph representation learning: A comparative analysis of techniques and applications. IEEE Transactions on Knowledge and Data Engineering, 35(4), 3412-3426.

Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1(11), 501-507.

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206-215.

Tran, S. N., & Le, H. T. (2021). Fractal representations for knowledge organization in neural-symbolic systems. Neural Computing and Applications, 33(16), 10201-10215.

Tuomi, I. (1999). Data is more than knowledge: Implications of the reversed knowledge hierarchy for knowledge management and organizational memory. Journal of Management Information Systems, 16(3), 103-117.

Walker, L. O., & Avant, K. C. (2011). Strategies for theory construction in nursing (5th ed.). Prentice Hall.

Wang, Y. (2015). Formal cognitive models of data, information, knowledge, and intelligence. WSEAS Transactions on Computers, 14, 770-781.

Zins, C. (2007). Conceptual approaches for defining data, information, and knowledge. Journal of the American Society for Information Science and Technology, 58(4), 479-493.

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115.

Ackoff, R. L. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16(1), 3-9.

Alavi, M., & Leidner, D. E. (2001). Knowledge management and knowledge management systems: Conceptual foundations and research issues. MIS Quarterly, 25(1), 107-136.

Davenport, T. H., & Prusak, L. (1998). Working knowledge: How organizations manage what they know. Harvard Business Press.

Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.

Rowley, J. (2007). The wisdom hierarchy: representations of the DIKW hierarchy. Journal of Information Science, 33(2), 163-180.

Russell, S. J., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Prentice Hall.

Baral, C., Bolander, T., van Ditmarsch, H., & McIlraith, S. (2022). A review of logical foundations of formal argumentation. Artificial Intelligence, 302, 103597.

Chen, Z., Chen, D., Zhang, X., Yuan, Z., & Yang, X. (2021). Deep knowledge tracing with knowledge graph embedding for intelligent tutoring systems. Knowledge-Based Systems, 227, 107224.

Cranefield, S., Winikoff, M., Dignum, V., & Dignum, F. (2023). Responsible AI by design in practice. AI and Ethics, 3(1), 183-199.

Danks, D., & London, A. J. (2022). Algorithmic bias in autonomous systems. Proceedings of the 36th AAAI Conference on Artificial Intelligence, 4691-4697.

d’Avila Garcez, A. S., Gori, M., Lamb, L. C., Serafini, L., Spranger, M., & Tran, S. N. (2019). Neural-symbolic computing: An effective methodology for principled integration of machine learning and reasoning. Journal of Applied Logics, 6(4), 611-632.