Горшков C. Введение в онтологическое моделирование

Методическое пособие предназначено для аналитиков, ИТ-специалистов, менеджеров, участвующих в создании информационных систем, использующих семантические технологии для решения прикладных задач, студентов соответствующих специальностей.

Работа с пособием не требует специальной подготовки, за исключением общей эрудиции в ИТ. Хотя онтологическое моделирование и стек семантических технологий построены на математических теориях, таких как логика первого и второго порядка, в изложении мы намеренно не используем их формализм и обозначения. Необходимый минимум понятий дается в тексте пособия.

Пособие содержит достаточный материал для того, чтобы осознать возможности и ограничения семантических технологий, научиться проектировать и оценивать создаваемые с их помощью программные решения, находить источники информации для дальнейшего профессионального развития в этой области.

ООО ТриниДата, 2014-2016. — 165 с.

 1. Введение 

1.1. Компьютер и мыслительные задачи

Писателям-фантастам XX века казалось, что развитие вычислительных машин приведет к появлению интеллектуальных помощников человека, которые будут решать за него многие мыслительные задачи. Технические характеристики сегодняшней аппаратуры превышают самые смелые прогнозы многих из этих авторов: компьютер умещается на ладони, всемирная сеть доступна практически везде. При этом для решения аналитических задач мы в большинстве случаев по прежнему пользуемся в лучшем случае электронными таблицами вроде Excel. Это особенно заметно в бизнес-среде, где цена (не)правильно принятого решения имеет совершенно осязаемый эквивалент в виде многомиллиардных прибылей или убытков. Тем не менее, развитие информационной инфраструктуры бизнеса завязло на пути создания крупных «трехбуквенных систем» (ERP, CRM и т.д.), на которые тратятся огромные средства, но которые не способны дать организации-владельцу ничего особенно «интеллектуального». Рассмотрим некоторые распространенные подходы, применяемые для решения бизнес-задач, формально относящихся к категории «интеллектуальных»: это позволит обосновать необходимость использования новых подходов, требования к используемым технологиям. 

Современные системы «бизнес-аналитики» (BI) в основном заняты вычислением значений количественных показателей, часто имеющих весьма слабое отношение к описанию реальности, и манипулированию ими. Отличным примером служит любимый бизнесом показатель EBITDA: он характеризует прибыль, и по этой причине часто используется, например, в качестве базы для начисления бонусов топ-менеджерам. Однако он не характеризует эффективность работы менеджера в том смысле, в каком ее интуитивно оценивает собственник: ведь путем уменьшения расходов можно увеличить значение EBITDA. Это всегда интересно менеджеру, но не всегда оправданно с точки зрения стратегического развития предприятия. А уж при расчете этого показателя по подразделениям компании возможности манипуляции открываются широчайшие. В большинство статей доходов и расходов вносят вклад сразу несколько подразделений, настройкой алгоритма расчета можно легко «награждать» фаворитов и «наказывать» неугодных. Разумеется, подобные маневры не имеют ничего общего с достижением реальной эффективности работы предприятия. Еще рельефнее видны методологические проблемы при попытках решать оптимизационные задачи количественными методами. Типичный подход к этому вопросу состоит в формулировании «целевой функции», которая представляет собой описание какого либо качественного состояния системы, представленного в виде числа – например, «обеспеченность населения такими-то услугами». Далее, также в количественной форме задаются ограничения, варьируемые параметры, и после вычислений получается некий набор «оптимальных» решений. Однако их практическое воплощение часто приводит к результатам, противоположным поставленным целям, или имеет серьезные побочные последствия. Например, легко может оказаться, что «средняя температура по больнице» – обеспеченность услугами – достигла нужных значений, но определенным группам населения они стали вовсе недоступны. Или же качество этих услуг снизилось настолько, что они практически потеряли смысл для потребителей. Легко понять, что корень проблемы лежит в слишком серьезных модельных допущениях, которые были сделаны при формализации целевого параметра.