KARTOGRAFICZNA METODA REPREZENTACJI WIEDZY W SYSTEMIE KASEA
|
|
- Sebastian Klimek
- 6 lat temu
- Przeglądów:
Transkrypt
1 KARTOGRAFICZNA METODA REPREZENTACJI WIEDZY W SYSTEMIE KASEA Wojciech WALOSZEK* Streszczenie. Niniejszy rozdział prezentuje opracowaną przez autora metodę reprezentacji wiedzy, nazwaną kartografią wiedzy, która pozwala na przeprowadzanie wnioskowania w procesie asymilacji i uzupełniania informacji pochodzących z róŝnych źródeł internetowych; metoda zapewnia równieŝ efektywny dostęp do gromadzonych informacji. Rozdział opisuje załoŝenia leŝące u podstaw opracowanej metody, jej ograniczenia i zastosowania. Rozdział prezentuje takŝe niektóre szczegóły implementacyjne systemu KASEA wykorzystującego kartografię wiedzy do wewnętrznej reprezentacji gromadzonych informacji oraz wstępne wyniki testów wydajnościowych systemu KASEA, a takŝe posumowanie określające dalsze kierunki rozwoju kartografii wiedzy. 1. Wprowadzenie Rozwój Internetu rodzi nowe potrzeby w dziedzinie przetwarzania i eksploracji danych. Wraz z rozwojem globalnej sieci coraz większego znaczenia nabierają systemy będące w stanie efektywnie korzystać z jej zasobów. Systemy te muszą oferować nową funkcjonalność polegającą na udostępnianiu moŝliwości automatycznej asymilacji nowo pozyskanych danych z juŝ zgromadzonymi. Z uwagi na fakt, Ŝe pozyskane z róŝnych źródeł dane opisują dziedzinę zainteresowań fragmentarycznie i z róŝnych punktów widzenia, efektywny proces asymilacji nie powinien ograniczać się do gromadzenia informacji, ale powinien równieŝ być zdolny do uzupełniania ich o wnioski, czyli porcje informacji nie podane jawnie, ale wynikające ze zgromadzonych juŝ danych. Niniejszy rozdział prezentuje opracowaną przez autora metodę reprezentacji wiedzy, nazwaną kartografią wiedzy [1, 2], która pozwala na przeprowadzanie wnioskowania oraz efektywny dostęp do gromadzonych informacji. Metoda ta bazuje na logice opisowej [3] * Politechnika Gdańska, Katedra InŜynierii Oprogramowania, ul. Narutowicza 11/12, Gdańsk, wowal@eti.pg.gda.pl
2 dziedzinie logiki zajmującej się badaniem systemów terminologicznych. Co za tym idzie, kartografia wiedzy pozwala na zachowanie zgodności z inicjatywą Semantic Web [4] (której celem jest wytworzenie standardów i technologii umoŝliwiających narzędziom rozpoznanie semantyki danych zapisanych w źródłach internetowych) i opracowanym w jej ramach językiem OWL (ang. Web Ontology Language) [5]. Kartografia wiedzy została wykorzystana w prototypowym systemie zarządzania wiedzą KASEA. KASEA stanowi podsystem systemu tworzonego w ramach projektu 6. Programu Ramowego UE o nazwie PIPS (ang. Personalized Information Platform for Life and Health Services) [6]. Głównym celem projektu jest opracowanie infrastruktury informatycznej wspomagającej dostęp do szeroko rozumianej wiedzy medycznej zarówno wśród lekarzy, jak i zwykłych obywateli Unii Europejskiej. Przedstawione wyniki testów pochodzą z pomiarów przeprowadzonych przy uŝyciu systemu KASEA. 2. Podstawy teoretyczne W pracach nad systemem KASEA wykorzystano formalizm opisu wiedzy stosowany w logice opisowej (oznaczanej jako DL od ang. Description Logics) [3]. Logika opisowa stanowi dział badań zajmujący się systemami terminologicznymi. Wyniki tych badań zostały wykorzystane w pracach nad językiem OWL opracowanym w ramach inicjatywy Semantic Web. Logiki opisowej uŝywamy do opisu dziedziny zainteresowań, zwanej uniwersum. Sam opis dziedziny zainteresowań moŝemy nazwać ontologią (patrz definicja Grubera [7]). Ontologia w logice opisowej dzieli się na dwie części: terminologię (zbiór aksjomatów) i opis świata (zbiór asercji). Terminologia (TBox) wyszczególnia pojęcia, które mogą być uŝyte do opisu uniwersum; określa teŝ związki pomiędzy pojęciami. Opis świata (ABox) przyporządkowuje elementy uniwersum (zwane osobnikami bądź indywiduami) poszczególnym pojęciom i pokazuje powiązania pomiędzy osobnikami za pomocą relacji binarnych. Tabela 1. Koncepty proste i złoŝone w dialekcie ALC Nazwa konceptu Zapis Zakres konceptu koncept uniwersalny Całe uniwersum. koncept pusty Pusty. suma konceptów C D Suma zakresów konceptów C i D. przecięcie konceptów C D Część wspólna zakresów konceptów C i D. dopełnienie konceptu C Dopełnienie zakresu konceptu C do uniwersum. kwantyfikacja ogólna R.C Osobniki będące w relacji R wyłącznie z wystąpieniami konceptu C. kwantyfikacja egzystencjalna R.C Osobniki będące w relacji R z przynajmniej jednym wystąpieniem konceptu C.
3 Pojęcie w sensie DL będziemy określać mianem konceptu. Zakresem konceptu nazwiemy zbiór tych osobników, które moŝna za pomocą danego konceptu (pojęcia) opisać; osobniki te nazywamy wystąpieniami konceptu. Koncept atomowy jest określony przez pojedynczą nazwę (generalną), np. Kobieta. Koncepty złoŝone budowane są za pomocą tzw. konstruktorów (operatorów logiki opisowej). Tabela 1 pokazuje koncepty złoŝone i konstruktory jednego z bardziej popularnych dialektów DL, nazywanego ALC. Terminologię buduje się poprzez określenie zbioru aksjomatów. Aksjomaty równowaŝności, postaci C D, stwierdzają, Ŝe zakresy konceptów C i D są równe. Aksjomaty podrzędności, postaci C D, stwierdzają, Ŝe zakres konceptu C zawiera się w zakresie konceptu D. Kobieta Człowiek OsobnikMęski MęŜczyzna Człowiek Kobieta Rodzic Człowiek madziecko. (1) Matka Rodzic OsobnikMęski madziecko.człowiek madziecko. Człowiek Przykładem terminologii jest (1). Terminologię tę moŝna odczytać w sposób swobodny jako zbiór następujących zdań (aksjomatów): Kobiety to ludzie, którzy nie są płci męskiej; MęŜczyźni to ludzie nie będący kobietami; Rodzice to ludzie, którzy mają dzieci; Matki to rodzice, którzy nie są płci męskiej; Tylko ludzie mogą mieć ludzkie dzieci. Opis świata buduje się poprzez określanie asercji. Asercje konceptualne mówią o przynaleŝności danego osobnika do konceptu. Asercje relacyjne mówią o przynaleŝeniu pary osobników do pewnej relacji. Przykładem opisu świata jest (2). madziecko(danielle, Darek) (2) MęŜczyzna(Darek) Zakłada się przy tym, Ŝe pełny zbiór osobników, relacje między nimi oraz przypisanie ich do odpowiednich konceptów istnieją, są stałe, ale nieznane systemowi zarządzania wiedzą (ani jego uŝytkownikom). System musi odkrywać te informacje w miarę wzbogacania się opisu świata o kolejne asercje (a czasem równieŝ terminologii o kolejne aksjomaty), przechowywać je w swojej bazie wiedzy i uzupełniać je na drodze wnioskowania. Wnioskowanie polega na uzupełnianiu gromadzonej wiedzy o aksjomaty i asercje wynikające z juŝ zgromadzonych, ale nie podane systemowi wprost. Wnioskowanie moŝliwe jest dzięki sformułowaniu zaleŝności między konceptami w terminologii. Na przykład, na podstawie (1) moŝemy wywnioskować, Ŝe Matka Kobieta (kaŝda matka jest kobietą; naleŝy zauwaŝyć, Ŝe to zdanie nie zostało sformułowane explicite w (1); jest to przykład wnioskowania wyłącznie z terminologii), a na podstawie (1) i (2), Ŝe Człowiek(Danielle) (Danielle jest człowiekiem, gdyŝ tylko człowiek moŝe mieć ludzkie dzieci; jest to przykład wnioskowania z terminologii i opisu świata). Obok zdań, o których prawdziwości moŝna orzec na drodze wnioskowania, istnieją takŝe zdania, których prawdziwości system nie moŝe być pewny. Przykładem takiego
4 zdania jest MęŜczyzna(Danielle). Dane dotychczas zgromadzone ((1) i (2)) nie dostarczają Ŝadnych informacji na temat płci Danielle. W systemie zatem pojawia się pojęcie niewiedzy. Systemy zarządzania wiedzą oparte na logice opisowej działają, opierając się na tzw. załoŝeniu świata otwartego (OWA, od ang. Open World Assumption). ZałoŜenie to polega na tym, Ŝe systemy te nigdy nie uwaŝają zgromadzonej wiedzy za kompletną. Na przykład, system zgodny z OWA nie zaliczy Danielle do konceptu madziecko.męŝczyzna (osoba mająca samych synów), chociaŝ według aktualnych informacji wiemy, Ŝe Danielle ma syna Darka. System jednak zakłada, Ŝe nie zna pełnego zbioru osobników ani wszystkich relacji, i jest przygotowany na nadejście kolejnych asercji dotyczących potencjalnych córek Danielle. Podobnie ani w odpowiedzi na pytanie o wystąpienia konceptu MęŜczyzna, ani w odpowiedzi na pytanie o listę osobników konceptu Kobieta system nie zamieści Danielle, choć zamieści tego osobnika w odpowiedzi na zapytanie o wystąpienia konceptu MęŜczyzna Kobieta (Danielle musi być męŝczyzną lub kobietą). System jest zatem w stanie wyróŝnić obszary swej pewności i niepewności. 3. Kartografia wiedzy Bezpośredniej motywacji do opracowania nowej metody reprezentacji wiedzy dostarczyło uczestnictwo autora w projekcie PIPS. PIPS (ang. Personalized Information Platform for Life and Health Services) jest projektem objętym 6. Programem Ramowym Unii Europejskiej. Jego głównym celem jest utworzenie infrastruktury dostarczającej lekarzom i pacjentom informacji słuŝącej podnoszeniu poziomu Ŝycia i zdrowia wśród mieszkańców Wspólnoty. Ze względu na krytyczny charakter wspomaganej dziedziny Ŝycia w projekcie PIPS zdecydowano się na zastosowanie systemu zarządzania wiedzą. System ten musi być zdolny do przechowywania informacji na temat bardzo duŝej liczby osobników (obejmujących m.in. leki, substancje aktywne, choroby, alergie, składniki Ŝywności, produkty Ŝywnościowe itp.). Informacje na temat tych osobników muszą być periodycznie uzupełniane na podstawie danych odczytanych z zaufanych źródeł zewnętrznych, w tym internetowych. Ze względu na skalę uŝycia i charakter udostępnianych informacji czas odpowiedzi systemu na zapytania powinien być moŝliwie najkrótszy. Przeprowadzone testy (patrz teŝ podrozdział 5) wykazały, Ŝe istniejące narzędzia zarządzania wiedzą mają trudności z obsługą baz wiedzy zawierających duŝą liczbę osobników. Z tego względu podjęto decyzję o implementacji własnego systemu zarządzania wiedzą opartego na opracowanej w tym celu reprezentacji wiedzy, nazwanej reprezentacją kartograficzną lub kartografią wiedzy. Kartografia wiedzy opiera się na załoŝeniu, Ŝe jak największa liczba wniosków jest przechowywana bezpośrednio w bazie wiedzy i wysnuwana w czasie jej aktualizacji (tj. w czasie dodawania nowych asercji), a nie w czasie udzielania odpowiedzi na zapytania. Z tego względu zastosowanie kartografii wiedzy wymaga spełnienia pewnych wstępnych załoŝeń dotyczących korzystania z bazy wiedzy: Terminologia nie moŝe być aktualizowana w czasie pracy systemu. To załoŝenie potrzebne jest po to, aby wnioski wysnute w czasie poprzednich aktualizacji zachowały swoją moc. Bazę wiedzy moŝna wzbogacać o nowe asercje, ale nie o nowe aksjomaty.
5 Czas aktualizacji bazy wiedzy moŝe być stosunkowo długi. W czasie aktualizacji bazy wiedzy (tj. przyjmowaniu nowych asercji) przeprowadzane jest wnioskowanie. Z tego względu czas aktualizacji bazy moŝe być dłuŝszy niŝ w przypadku innych narzędzi. Dlatego metodę tę najlepiej stosować w systemach, gdzie aktualizacja zachodzi periodycznie w przewidywalnych okresach i stosunkowo duŝymi blokami informacji. W zamian za przestrzeganie tych ograniczeń kartografia wiedzy zapewnia: Zgodność z OWA. Kartografia wiedzy pozwala na reprezentowanie obszarów pewności i niepewności, uwzględnianych w trakcie wnioskowania i odpowiadania na zapytania. Szybkie odpowiedzi na zapytania dotyczące duŝych zbiorów osobników. System KASEA, wykorzystujący kartografię wiedzy do wewnętrznej reprezentacji, wypadł bardzo dobrze w testach porównawczych z innymi narzędziami dla baz wiedzy zawierających duŝą liczbę osobników (patrz podrozdział 5). Wymienione ograniczenia i zalety metody kartograficznej szkicują stosunkowo szeroki zakres jej potencjalnych zastosowań. Warto takŝe zauwaŝyć, Ŝe stosowanie metody nie jest w Ŝaden sposób ograniczone do oryginalnej dziedziny zastosowań, jaką jest medycyna. Kluczowym pojęciem w ramach kartografii wiedzy, któremu zawdzięcza ona swoją nazwę, jest mapa konceptów. Graficzna postać mapy konceptów przypomina diagram Venna, na którym reprezentowane są zakresy poszczególnych konceptów, z tym Ŝe niespełnialne obszary, tj. takie, w których nie moŝe znaleźć się Ŝaden osobnik, są z diagramu usuwane. Proces usuwania niespełnialnych obszarów pokazany jest na rysunku 1, na przykładzie przetwarzania pierwszego aksjomatu z terminologii (1). Jak widać na rysunku 1, z diagramu Venna usunięty został obszar odpowiadający przecięciu zakresu konceptu Kobieta z dopełnieniem zakresu konceptu Człowiek (gdyŝ kaŝda kobieta jest człowiekiem), obszar odpowiadający przecięciu zakresu konceptu Człowiek z dopełnieniami zakresów konceptów Kobieta i OsobnikMęski (gdyŝ kaŝdy człowiek nie będący płci męskiej jest kobietą) oraz obszary stanowiące przecięcie zakresu konceptu Kobieta z zakresem konceptu OsobnikMęski. Są to obszary niespełnialne według pierwszego aksjomatu terminologii (1). Usuwanie obszarów następuje po przetworzeniu kaŝdego aksjomatu, prowadząc do ostatecznej formy mapy wiedzy przedstawionej na rysunku 2. Graficzna reprezentacja mapy konceptów jest uŝyteczną i czytelną dla człowieka formą przedstawienia wiedzy terminologicznej. Aby uczynić mapę wiedzy czytelną dla komputera wprowadzono jej binarną reprezentację. Binarna reprezentacja mapy wiedzy powstaje poprzez nadanie obszarom atomowym (tj. takim, które nie składają się z innych obszarów) numerów odpowiadającym kolejnym liczbom naturalnym. Po przeprowadzeniu takiego przyporządkowania kaŝdy obszar na mapie konceptów moŝe być reprezentowany przez ciąg cyfr binarnych (bitów) o długości równej n, gdzie n jest liczbą obszarów atomowych na mapie konceptów. Jedynka na k-tej pozycji w tym ciągu oznacza, Ŝe obszar atomowy o numerze k jest zawarty w obszarze opisywanym przez ciąg, zero natomiast, Ŝe występuje przypadek przeciwny. Takie ciągi opisujące obszary nazywamy sygnaturami. Gdy kaŝdemu konceptowi przypiszemy sygnaturę opisującą obszar odpowiadający zakresowi danego konceptu, otrzymamy binarną reprezentację mapy konceptów widoczną na rysunku 2. Posługując się opisaną techniką, jesteśmy w stanie zdefiniować funkcję s odwzorowującą, zgodnie z podanym sposobem, koncepty w elementy algebry Boole a B n = {0,1} n. Za pomocą sygnatur moŝemy takŝe opisywać koncepty złoŝone dialektu ALC (patrz tabela 1), przy czym moŝna udowodnić, Ŝe zachodzą zaleŝności (3).
6 Rys. 1. Ilustracja procesu usuwania niespełnialnych obszarów z mapy konceptów na podstawie pierwszego aksjomatu terminologii (1) s(c D) = s(c) s(d) s(c D) = s(c) s(d) (3) s( C) = s(c) Poprzez operacje, oraz na ciągach binarnych rozumiemy standardowe operacje iloczynu, sumy i negacji logicznej przeprowadzane na kolejnych bitach. ZaleŜności (3) pozwalają nam na wyraŝenie sygnatury odpowiadającej zakresowi dowolnego konceptu złoŝonego zapisanego w dialekcie ALC. Warunkiem (stanowiącym jedno z najpowaŝniejszych ograniczeń metody kartograficznej, patrz podrozdział 6) jest wymaganie, Ŝeby wszystkie wykorzystane kwantyfikowane koncepty złoŝone (tj. koncepty postaci R.C i R.C) były obecne na mapie konceptów. Korzystając z kartograficznej reprezentacji zakresów konceptów, system jest w stanie odpowiedzieć na wszystkie wymienione w [3] klasy zapytań terminologicznych. I tak: pytanie o równowaŝność konceptów C i D sprowadza się do sprawdzenia, czy ich zakresy są równe, a zatem czy s(c) = s(d); pytanie o podrzędność konceptu C względem D sprowadza się do sprawdzenia, czy zakres jednego konceptu zawiera się w drugim, czyli czy s(c) = s(c) s(d) (co krócej zapisujemy jako s(c) s(d); mówimy teŝ czasem, Ŝe sygnatura s(c) jest podrzędna w stosunku do s(d)); pytanie o rozłączność konceptów C i D sprowadza się do sprawdzenia, czy przecięcie ich zakresów jest puste, czyli czy s(c) s(d) = {0} n ; pytanie o spełnialność konceptu C sprowadza się do sprawdzenia, czy jego zakres jest pusty, czyli czy s(c) = {0} n. Rys. 2. Graficzna i binarna reprezentacja mapy konceptów terminologii (1)
7 Sygnatury moŝemy przypisywać takŝe osobnikom (sygnaturę osobnika a oznaczamy jako s(a)). Obszar na mapie konceptów przypisany osobnikowi (tzw. obszar niepewności) ma nieco inne znaczenie niŝ ten przypisany konceptowi i opisuje naszą wiedzę na temat przynaleŝności osobnika do zakresów poszczególnych konceptów. Podobnie jak w przypadku diagramów Venna, kaŝdy osobnik powinien znaleźć się na mapie obszarów w jednym obszarze atomowym. Przypisanie osobnikowi większego obszaru oznacza, Ŝe nasza wiedza nie pozwala na precyzyjne określenie, w którym obszarze atomowym spośród zawartych w danym obszarze niepewności dany osobnik naprawdę się znajduje. Problem zilustrowany jest na rysunku 3 na przykładzie Danielle z opisu świata (2). W miarę, jak do systemu napływają kolejne informacje na temat Danielle, jest on w stanie aktualizować obszar niepewności, zawęŝając moŝliwości przypisania konceptów do tego osobnika. Na początku o Danielle nie wiemy nic obszar niepewności obejmuje wówczas całą mapę konceptów, a zatem nie moŝemy orzec nic o przynaleŝności Danielle do poszczególnych konceptów. W miarę napływania kolejnych informacji moŝemy po kolei wykluczać niektóre obszary z obszaru niepewności Danielle. W kroku (2) wykluczamy, Ŝe Danielle jest osobnikiem bezdzietnym (usuwając z obszaru niepewności obszary atomowe 1, 4, 7, 8). W kroku (3) stwierdzamy, Ŝe dzieckiem Danielle jest człowiek, co pozwala na usunięcie z obszaru niepewności obszarów atomowych 2 i 3. Obsługa nowych asercji polega zatem na aktualizacji obszarów niepewności stosownych osobników. Przetwarzanie nowego faktu, wyraŝonego w postaci asercji konceptualnej C(a), wymaga ponownego przeliczenia sygnatury s(a) danego osobnika a i przypisania jej wartości s(a) s(c). Przetwarzanie nowej asercji relacyjnej jest nieco bardziej skomplikowane; mówiąc w uproszczeniu, wymaga określenia konceptów postaci R.C, do których naleŝy zaliczyć osobniki będące w relacji podanej w asercji. Koncepcja przypisania obszarów niepewności poszczególnym osobnikom pozwala na osiągnięcie zachowania systemu zgodne z OWA. Jak pokazano na rysunku 3b i 3c, wnioskowanie na temat osobników moŝna równieŝ sprowadzić do porównywania sygnatur. JeŜeli sygnatura osobnika a jest mniejsza bądź równa sygnaturze konceptu C, moŝemy wnioskować, Ŝe z pewnością a jest wystąpieniem C. JeŜeli sygnatury mają część wspólną, ale sygnatura a nie jest równa sygnaturze C, oznacza to, Ŝe według naszej wiedzy nie jesteśmy w stanie orzec, czy a jest wystąpieniem C, czy teŝ nie. Rys. 3. Zmniejszający się obszaru niepewności dotyczący pewnego osobnika (a) oraz przykłady wnioskowania na podstawie obszaru niepewności (b) i (c)
8 4. Baza danych systemu KASEA Podejście kartograficzne wykorzystano w systemie KASEA (z ang. Knowledge Signature Analyzer) wykorzystanym w ramach systemu PIPS jako jeden z najwaŝniejszych komponentów podsystemu zarządzania wiedzą. KASEA pozwala na przetwarzanie wiedzy zarówno terminologicznej (TBox), jak i asercjonalnej (ABox). Informacje składowane są w relacyjnej bazie danych (w najnowszej wersji systemu KASEA zastosowano Oracle 9i). Rysunek 4 przedstawia logiczny model bazy danych systemu KASEA w postaci diagramu E-R. Przy tworzeniu projektu bazy kierowano się chęcią utworzenia struktury danych dającej jak największą skalowalność względem liczby przechowywanych osobników. Opis poszczególnych zbiorów encji zawarty jest w tabeli 2. Główne zbiory encji wyróŝnione w ramach schematu logicznego to: Koncepty, Sygnatury i Osobniki. Koncepty przechowują dane o konceptach zdefiniowanych w terminologii, Osobniki dane o osobnikach zdefiniowanych w opisie świata. Zarówno konceptom, jak i osobnikom przypisane są sygnatury opisujące odpowiednio zakresy poszczególnych konceptów i obszary niepewności poszczególnych osobników (związek ma). Pozostałe zbiory encji słuŝą do przechowywania informacji o relacjach między osobnikami. Zbiór encji Relacje przechowuje informacje o relacjach zdefiniowanych w terminologii. Zbiór encji ElementyRelacji zawiera dane o parach osobników stanowiących elementy relacji (związki: pierwszy określa pierwszego osobnika w danej parze; drugi drugiego; naleŝydo określa relację, do której naleŝy dana para). Zbiór KonceptyKwantyfikowane pełni rolę pomocniczą przy wnioskowaniu na podstawie asercji relacyjnych. Zbiór ten przechowuje informacje na tematy konceptów postaci R.C (związek osobnik określa sygnaturę konceptu C, związek koncept sygnaturę konceptu R.C). W ramach bazy danych zastosowano kilka konstrukcji mających na celu przyspieszenie działania systemu. Przede wszystkim wyróŝniono osobny zbiór encji Sygnatury. Oznacza to, Ŝe w ramach systemu kaŝda sygnatura przechowywana jest dokładnie jeden raz, niezaleŝnie od liczby konceptów i osobników, do opisu których moŝe być zastosowana. Skraca to proces odpowiedzi na wiele zapytań, przede wszystkim pobrania wystąpień konceptu. Zamiast sprawdzać obszary niepewności wszystkich osobników przechowywanych w bazie pod względem zawierania w zakresie danego konceptu, wystarczy sprawdzić unikatowe sygnatury, których liczba zazwyczaj jest znacznie mniejsza niŝ liczba osobników. W tym celu kaŝdą sygnaturę wyposaŝono w atrybut identyfikujący id. W celu dalszego zwiększenia wydajności systemu, sygnaturom dodano jeszcze kilka atrybutów. Kod_hash przechowuje wartość funkcji mieszającej obliczoną dla sygnatury. Atrybut ten został wprowadzony przede wszystkim po to, aby ułatwić określanie, czy dana sygnatura jest juŝ przechowywana w bazie danych, czy nie (wartość tego atrybutu dla identycznych sygnatur musi być taka sama; choć nie zawsze dla róŝnych sygnatur jego wartość jest róŝna). Liczniki sekcji, czyli atrybuty sek_i, wprowadzono aby ułatwić odszukiwanie sygnatur podrzędnych lub nadrzędnych w stosunku do zadanej. Proces ten jest wykonywany w trakcie odpowiedzi na wiele rodzajów zapytań. Liczniki sekcji przechowują po prostu informację o liczbie jedynek w ramach wyznaczonych arbitralnie fragmentów sygnatury. Wykorzystanie liczników bazuje na spostrzeŝeniu, Ŝe sygnatura podrzędna, niezaleŝnie od sposobu podziału na sekcje, musi mieć nie większą liczbę jedynek w kaŝdym fragmencie sygnatury. Zasadę korzystania z liczników sekcji ilustruje rysunek 5.
9 Rys. 4. Diagram E-R obrazujący strukturę bazy danych systemu KASEA. Tabela 2. Skrócony opis poszczególnych zbiorów encji bazy danych systemu KASEA Zbiór encji Opis Dodatkowe atrybuty Sygnatury Przechowuje sygnatury wykorzystywane id identyfikator, do opisu zakresu konceptów i obszarów kod_hash kod mieszający, niepewności osobników. sek_i liczniki sekcji Koncepty Przechowuje dane na temat konceptów id identyfikator, zdefiniowanych w terminologii. nazwa nazwa konceptu Osobniki Przechowuje dane na temat osobników id identyfikator, zdefiniowanych w opisie świata. nazwa nazwa osobnika Elementy Zawiera dane na temat par osobników Brak Relacji stanowiących elementy relacji. Relacje Przechowuje informacje na temat relacji id identyfikator, Koncepty Kwantyfikowane zdefiniowanych w terminologii. Przechowuje informacje na temat konceptów postaci R.C. nazwa nazwa relacji Brak Rys. 5. Zasada korzystania z liczników sekcji.
10 5. Testy wydajności Po zaimplementowaniu pierwszej wersji systemu KASEA przeprowadzono wstępne testy mające na celu weryfikację załoŝeń dotyczących jego wydajności. Testy dotyczyły dwóch funkcji systemu o zasadniczym znaczeniu tworzenia mapy konceptów oraz odpowiedzi na zapytania skierowane do baz wiedzy zawierających duŝe liczby osobników. ChociaŜ tworzenie mapy konceptów odbywa się przed okresem aktywności systemu (off-line), we wstępnej fazie jego rozruchu, długi czas przygotowania mapy konceptów (rzędu kilku dni) mógłby wykluczyć praktyczne jej wykorzystanie w warunkach toczącego się i rozwijającego projektu informatycznego. Praktyka wskazuje na szczęście, Ŝe największe fragmenty istniejących ontologii (takŝe ontologii systemu PIPS) to taksonomie, czyli rozłączne hierarchie terminów, a dla takich struktur czas przetwarzania rośnie liniowo wraz ze wzrostem liczby konceptów (patrz tabela 3, wszystkie testy przeprowadzono na komputerze Pentium IV 2 GHz, 1 GB pamięci RAM). Dzięki wykorzystaniu kilku technik optymalizacyjnych (m.in. zastosowano uporządkowane binarne drzewa decyzyjne [8] do reprezentacji terminologii w trakcie przetwarzania) udało się uzyskać stosunkowo krótkie czasy tworzenia map konceptów, które nawet pozwalają myśleć o wykorzystaniu działającego systemu w warunkach zmieniającej się terminologii. Jeśli chodzi o przetwarzanie baz wiedzy zawierających duŝą liczbę osobników, system KASEA został porównany z dostępnymi narzędziami wnioskującymi z ontologii DL: RACER [9] oraz Jena 2 Toolkit [10]. Tabela 4 pokazuje wyniki eksperymentów badających czas wczytywania i przetwarzania informacji o zbiorach osobników (FaCT [11] nie został tu uwzględniony, gdyŝ obsługuje wyłącznie terminologiczną część ontologii). Czas wczytywania opisu świata przez system KASEA był wyraźnie najdłuŝszy. Jednak pozwoliło to na uzyskanie bardzo krótkich czasów odpowiedzi na zapytania. Podczas gdy RACER nie był w stanie odpowiedzieć na zapytanie po załadowaniu 1000 osobników, KASEA przetwarzała to samo zapytanie dla osobników w 1,4 sekundy. Tabela 3. Czas tworzenia mapy konceptów dla taksonomii o róŝnej liczbie konceptów w systemie KASEA Liczba konceptów w taksonomii Czas tworzenia mapy konceptów [s] Tabela 4. Czas przetwarzania danych dla duŝych liczb osobników. Minusy (-) oznaczają, Ŝe zadanie nie zostało ukończone w ciągu dwóch godzin Czas wczytywania [s] Czas przetwarzania zapytania [s] Liczba osobników Jena Racer KASEA <1 <1 1
11 6. Podsumowanie NaleŜy podkreślić, Ŝe metoda kartograficzna jest jeszcze we wczesnej fazie rozwoju. Pierwsze testy prototypów potwierdziły jej przydatność i zachowanie w zgodzie z przyjętymi załoŝeniami. Prowadzonych jest jednak wiele prac, które mają na celu zarówno usunięcie ograniczeń kartografii wiedzy, jak i poszerzenie moŝliwości jej wykorzystania. Wnioskowanie o konceptach kwantyfikowanych. Jednym z głównych ograniczeń metody kartograficznej jest konieczność zdefiniowania z góry konceptów kwantyfikowanych, których będzie się uŝywać w zapytaniach. W obecnej wersji nie moŝna umieścić na mapie wszystkich spełnialnych konceptów kwantyfikowanych, gdyŝ ich liczba moŝe być nieskończona. Rozwiązaniem, nad którym toczą się obecnie prace, moŝe być zastosowanie sygnatur o zmiennej długości, w których dłuŝsze sygnatury odpowiadałyby obszarom w praktyce rzadziej występującym w obszarach niepewności i zapytaniach. Zmniejszenie ilości przechowywanych danych. PoniewaŜ sygnatury mogą osiągać duŝe rozmiary, rozwaŝane jest wprowadzenie środków mających na celu zmniejszenie ilości potrzebnej do ich przechowania przestrzeni. Oprócz sygnatur o zmiennej długości, rozwa- Ŝane jest wprowadzenie sygnatur hierarchicznych, o róŝnym poziomie szczegółowości. Badane są takŝe moŝliwości zastosowania innych metod kompresji ciągów danych. Zwiększenie ekspresywności obsługiwanego dialektu logiki opisowej. W języku OWL stosowane są pewne konstrukcje wykraczające poza ten dialekt ALC: moŝna definiować tam hierarchie relacji, relacje symetryczne, zwrotne i przechodnie oraz definiować ograniczenia liczebności. W tym celu dostosowania metody kartograficznej do pełnej obsługi języka OWL, pojęcie sygnatur wykorzystuje się równieŝ do opisu zaleŝności pomiędzy relacjami (a nie tylko konceptami); tworzone są, obok map konceptów, równieŝ mapy relacji, a poszczególnym relacjom oraz elementom relacji przypisywane są sygnatury. Pozwala to na osiągnięcie jeszcze większej zgodności metody kartograficznej z OWA, gdyŝ moŝemy orzekać o kaŝdej parze osobników jako o będącej na pewno w danej relacji, bądź będącej w danej relacji tylko być moŝe (ideę tę ilustruje rysunek 6). Wykorzystanie metody kartograficznej w innych dziedzinach zarządzania wiedzą. Metoda kartograficzna moŝe być zastosowana w innych dziedzinach zarządzania wiedzą. Obecnie toczą się prace nad wykorzystaniem reprezentacji kartograficznej w dziedzinie łączenia ontologii (ang. ontology merging), prace te prowadzone są przez T. Grabowską (patrz [12]). Sygnatury wykorzystuje teŝ M. Zawadzki (patrz [13]) do oceny poziomu zaufania do asercji pochodzących z róŝnych źródeł danych. Rys. 6. Graficzna postać przykładowej mapy relacji (a) oraz wnioskowania na podstawie sygnatury relacji między parą osobników (b)
12 LITERATURA [1] Goczyła K., Grabowska T., Waloszek W., Zawadzki M. The Cartographer Algorithm for Processing and Querying Description Logics Ontologies. LNAI 3528: Advances in Web Intelligence, Third International Atlantic Web Intelligence Conference, Springer s [2] Goczyła K., Waloszek W. Topologiczna analiza ontologii opartych na logice opisowej. W: Bazy danych. Modele, technologie narzędzia. Analiza danych i wybrane zastosowania. WKŁ, Warszawa 2005, s [3] Baader F. A., McGuiness D. L., Nardi D., Patel-Schneider P. F.: The Description Logic Handbook: Theory, implementation, and applications, Cambridge University Press, [4] Semantic Web Initiatives, [5] OWL - Web Ontology Language Guide, W3C, [6] Goczyła K., Grabowska T., Waloszek W., Zawadzki M.: Problematyka zarządzania wiedzą w systemach typu e-health. W: InŜynieria oprogramowania. Nowe wyzwania. Red. J. Górski, A. Wardziński, WNT, 2004, s [7] Staab S., Studer R.: Handbook on Ontologies, Springer-Verlag, [8] Bryant, R. E. Graph-based algorithms for boolean function manipulation, IEEE Transaction on Computers, [9] Haarslev V., Möller R.: RACER User's Guide and Reference Manual, September 17, 2003, [10] A Semantic Web Framework for Java, [11] Horrocks I.: FaCT Reference Manual v1.6, August 1998, Included in FaCT archive from [12] Goczyła K., Grabowska T. Przetwarzanie zapytań w rozproszonej bazie wiedzy opartej na logice opisowej. W: Bazy danych. Modele, technologie narzędzia. Analiza danych i wybrane zastosowania. WKŁ, Warszawa 2005, s [13] Goczyła K., Zawadzki M. Przetwarzanie i wnioskowanie z wiedzy o róŝnym poziomie zaufania. W: Bazy danych. Modele, technologie narzędzia. Analiza danych i wybrane zastosowania. WKŁ, Warszawa 2005, s CARTOGRAPHIC METHOD OF KNOWLEDGE REPRESENTATION IN KASEA The chapter presents a novel method of knowledge representation. The method, called knowledge cartography, allows for performing reasoning in the process of merging and augmenting data acquired from Internet sources. The method also enables efficient access to gathered data. The chapter present implementation details and performance tests results of KASEA system, which exploits cartographic method for internal knowledge representation.
Internet Semantyczny. Logika opisowa
Internet Semantyczny Logika opisowa Ontologie Definicja Grubera: Ontologia to formalna specyfikacja konceptualizacji pewnego obszaru wiedzy czy opisu elementów rzeczywistości. W Internecie Semantycznym
Bardziej szczegółowoInternet Semantyczny i Logika II
Internet Semantyczny i Logika II Ontologie Definicja Grubera: Ontologia to formalna specyfikacja konceptualizacji pewnego obszaru wiedzy czy opisu elementów rzeczywistości. W Internecie Semantycznym językiem
Bardziej szczegółowoMETODA ELPAR ŁĄCZENIA ONTOLOGII OPARTA NA ICH KARTOGRAFICZNEJ REPREZENTACJI
METODA ELPAR ŁĄCZENIA ONTOLOGII OPARTA NA ICH KARTOGRAFICZNEJ REPREZENTACJI Krzysztof GOCZYŁA*, Teresa GRABOWSKA** Streszczenie. Jednym z głównych problemów związanych z integracją wiedzy z róŝnych źródeł
Bardziej szczegółowoWnioskowanie z danych zapisanych w zewnętrznych źródłach w systemie zarządzania wiedzą
Rozdział 26 Wnioskowanie z danych zapisanych w zewnętrznych źródłach w systemie zarządzania wiedzą Streszczenie. Rozdział prezentuje proces wnioskowania z danych przechowywanych w zewnętrznych źródłach.
Bardziej szczegółowoINSTYTUT AUTOMATYKI I INŻYNIERII INFORMATYCZNEJ POLITECHNIKI POZNAŃSKIEJ. Adam Meissner. Elementy logik deskrypcyjych
INSTYTUT AUTOMATYKI I INŻYNIERII INFORMATYCZNEJ POLITECHNIKI POZNAŃSKIEJ Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy logik deskrypcyjych Literatura [1] Baader F.
Bardziej szczegółowoSystemy ekspertowe. System ekspertowy wspomagający wybór zestawu komputerowego w oparciu o ontologie i system wnioskujący RacerPro
Systemy ekspertowe System ekspertowy wspomagający wybór zestawu komputerowego w oparciu o ontologie i system wnioskujący RacerPro Autorzy: 1 Wstęp Wybór zestawu komputerowego, ze względu na istnienie wielu
Bardziej szczegółowoBazy danych. wprowadzenie teoretyczne. Piotr Prekurat 1
Bazy danych wprowadzenie teoretyczne Piotr Prekurat 1 Baza danych Jest to zbiór danych lub jakichkolwiek innych materiałów i elementów zgromadzonych według określonej systematyki lub metody. Zatem jest
Bardziej szczegółowoReprezentacja wiedzy ontologie, logiki deskrypcyjne
Reprezentacja wiedzy ontologie, logiki deskrypcyjne Agnieszka Ławrynowicz 24 listopada 2016 Plan wykładu 1 Powtórka: sieci semantyczne, RDF 2 Definicja ontologii 3 Logiki deskrypcyjne Semantyczny Internet
Bardziej szczegółowoPROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ. Opis działania raportów w ClearQuest
PROJEKT CZĘŚCIOWO FINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ Opis działania raportów w ClearQuest Historia zmian Data Wersja Opis Autor 2008.08.26 1.0 Utworzenie dokumentu. Wersja bazowa dokumentu. 2009.12.11 1.1
Bardziej szczegółowoTechnologia informacyjna
Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,
Bardziej szczegółowoRekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie:
Rekurencje Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: T(n) = Θ(1) (dla n = 1) T(n) = 2 T(n/2) + Θ(n) (dla n
Bardziej szczegółowoOpracowanie narzędzi informatycznych dla przetwarzania danych stanowiących bazę wyjściową dla tworzenia map akustycznych
Opracowanie zasad tworzenia programów ochrony przed hałasem mieszkańców terenów przygranicznych związanych z funkcjonowaniem duŝych przejść granicznych Opracowanie metody szacowania liczebności populacji
Bardziej szczegółowoKURS ACCESS 2003 Wiadomości wstępne
KURS ACCESS 2003 Wiadomości wstępne Biorąc c udział w kursie uczestnik zapozna się z tematyką baz danych i systemu zarządzania bazami danych jakim jest program Microsoft Access 2003. W trakcie kursu naleŝy
Bardziej szczegółowoLaboratorium modelowania oprogramowania w języku UML. Ćwiczenie 6 Modelowanie przypadków uŝycia i czynności. Materiały dla studentów
Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej Wydział Elektryczny, Politechnika Warszawska Laboratorium modelowania oprogramowania w języku UML Ćwiczenie 6 Modelowanie przypadków uŝycia
Bardziej szczegółowoPLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU>
Załącznik nr 4.4 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PLAN ZARZĄDZANIA WYMAGANIAMI PROJEKT WERSJA numer wersji
Bardziej szczegółowoMetody strukturalnej analizy ontologii opartych na logice opisowej
Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra InŜynierii Oprogramowania Wojciech Waloszek Metody strukturalnej analizy ontologii opartych na logice opisowej Rozprawa doktorska
Bardziej szczegółowoWykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych
Wykorzystanie standardów serii ISO 19100 oraz OGC dla potrzeb budowy infrastruktury danych przestrzennych dr inż. Adam Iwaniak Infrastruktura Danych Przestrzennych w Polsce i Europie Seminarium, AR Wrocław
Bardziej szczegółowoSystemy liczenia. 333= 3*100+3*10+3*1
Systemy liczenia. System dziesiętny jest systemem pozycyjnym, co oznacza, Ŝe wartość liczby zaleŝy od pozycji na której się ona znajduje np. w liczbie 333 kaŝda cyfra oznacza inną wartość bowiem: 333=
Bardziej szczegółowoAgnieszka NOWAK * 1. WSTĘP
aktualizacja bazy wiedzy, systemy wspomagania decyzji, statystyka, znaczenie informacji statystycznej. Agnieszka NOWAK * PROCES AKTUALIZACJI SYSTEMU WSPOMAGANIA DECYZJI NA PODSTAWIE INFORMACJI STATYSTYCZNYCH
Bardziej szczegółowoDOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2
InŜynieria Rolnicza 14/2005 Michał Cupiał, Maciej Kuboń Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza im. Hugona Kołłątaja w Krakowie DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY
Bardziej szczegółowoOntologie Wiedza semantyczna Semantic Web Inżynieria ontologii. Zarządzanie wiedzą. Wykład Sieci semantyczne. Joanna Kołodziejczyk.
Wykład Sieci semantyczne czerwiec 2010 Ontologie Struktura sieci semantycznej Plan wykładu Ontologie Definicja ontologii Jest to formalna reprezentacja wiedzy przez zbiór konceptów z zadanej dziedziny
Bardziej szczegółowoArytmetyka liczb binarnych
Wartość dwójkowej liczby stałoprzecinkowej Wartość dziesiętna stałoprzecinkowej liczby binarnej Arytmetyka liczb binarnych b n-1...b 1 b 0,b -1 b -2...b -m = b n-1 2 n-1 +... + b 1 2 1 + b 0 2 0 + b -1
Bardziej szczegółowoTeoria automatów i języków formalnych. Określenie relacji
Relacje Teoria automatów i języków formalnych Dr inŝ. Janusz ajewski Katedra Informatyki Określenie relacji: Określenie relacji Relacja R jest zbiorem par uporządkowanych, czyli podzbiorem iloczynu kartezjańskiego
Bardziej szczegółowoIntegracja heterogenicznych źródeł wiedzy z wykorzystaniem logiki opisowej
Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra InŜynierii Oprogramowania Teresa Zawadzka Integracja heterogenicznych źródeł wiedzy z wykorzystaniem logiki opisowej Rozprawa
Bardziej szczegółowoWyszukiwanie. Wyszukiwanie binarne
Wyszukiwanie Wejście: posortowana, n-elementowa tablica liczbowa T oraz liczba p. Wyjście: liczba naturalna, określająca pozycję elementu p w tablicy T, bądź 1, jeŝeli element w tablicy nie występuje.
Bardziej szczegółowoP r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt.
P r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt. Lekcja 2 Temat: Podstawowe pojęcia związane z prawdopodobieństwem. Str. 10-21 1. Doświadczenie losowe jest to doświadczenie,
Bardziej szczegółowoPROJEKT INTERFEJSU UśYTKOWNIKA PROJEKT <NAZWA PROJEKTU> WERSJA <NUMER WERSJI DOKUMENTU>
Załącznik nr 4.5 do Umowy nr 35-ILGW-253-.../20.. z dnia... MINISTERSTWO FINANSÓW DEPARTAMENT INFORMATYKI PROJEKT INTERFEJSU UśYTKOWNIKA PROJEKT WERSJA numer wersji
Bardziej szczegółowoBazy danych 1. Wykład 5 Metodologia projektowania baz danych. (projektowanie logiczne)
Bazy danych 1 Wykład 5 Metodologia projektowania baz danych (projektowanie logiczne) Projektowanie logiczne przegląd krok po kroku 1. Usuń własności niekompatybilne z modelem relacyjnym 2. Wyznacz relacje
Bardziej szczegółowoLaboratorium przedmiotu Technika Cyfrowa
Laboratorium przedmiotu Technika Cyfrowa ćw.3 i 4: Asynchroniczne i synchroniczne automaty sekwencyjne 1. Implementacja asynchronicznych i synchronicznych maszyn stanu w języku VERILOG: Maszyny stanu w
Bardziej szczegółowoLaboratorium nr 8. Temat: Podstawy języka zapytań SQL (część 2)
Laboratorium nr 8 Temat: Podstawy języka zapytań SQL (część 2) PLAN LABORATORIUM: 1. Sortowanie. 2. Warunek WHERE 3. Eliminacja powtórzeń - DISTINCT. 4. WyraŜenia: BETWEEN...AND, IN, LIKE, IS NULL. 5.
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Bazy danych Database Kierunek: Rodzaj przedmiotu: obieralny Rodzaj zajęć: wykład, laboratorium Matematyka Poziom kwalifikacji: I stopnia Liczba godzin/tydzień: 2W, 2L Semestr: III Liczba
Bardziej szczegółowoBaza danych. Baza danych to:
Baza danych Baza danych to: zbiór danych o określonej strukturze, zapisany na zewnętrznym nośniku (najczęściej dysku twardym komputera), mogący zaspokoić potrzeby wielu użytkowników korzystających z niego
Bardziej szczegółowoEgzamin / zaliczenie na ocenę* 0,5 0,5
Zał. nr 4 do ZW 33/01 WYDZIAŁ INFORMATYKI I ZARZĄDZANIA KARTA PRZEDMIOTU Nazwa w języku polskim: Technologia przetwarzania danych Nazwa w języku angielskim: Data processing technology Kierunek studiów
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
www.math.uni.lodz.pl/ radmat Przeszukiwanie z ograniczeniami Zagadnienie przeszukiwania z ograniczeniami stanowi grupę problemów przeszukiwania w przestrzeni stanów, które składa się ze: 1 skończonego
Bardziej szczegółowotechnologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.
Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,
Bardziej szczegółowoInstrukcja zarządzania kontami i prawami
Instrukcja zarządzania kontami i prawami uŝytkowników w systemie express V. 6 1 SPIS TREŚCI 1. Logowanie do systemu.... 3 2. Administracja kontami uŝytkowników.... 4 3. Dodawanie grup uŝytkowników....
Bardziej szczegółowoSystem zarządzania bazą danych SZBD (ang. DBMS -Database Management System)
Podstawowe pojęcia Baza danych Baza danych jest logicznie spójnym zbiorem danych posiadających określone znaczenie. Precyzyjniej będzie jednak powiedzieć, Ŝe baza danych jest informatycznym odwzorowaniem
Bardziej szczegółowoWprowadzenie do metodologii modelowania systemów informacyjnych. Strategia (1) Strategia (2) Etapy Ŝycia systemu informacyjnego
Etapy Ŝycia systemu informacyjnego Wprowadzenie do metodologii modelowania systemów informacyjnych 1. Strategia 2. Analiza 3. Projektowanie 4. Implementowanie, testowanie i dokumentowanie 5. WdroŜenie
Bardziej szczegółowoInstrukcja do panelu administracyjnego. do zarządzania kontem FTP WebAs. www.poczta.greenlemon.pl
Instrukcja do panelu administracyjnego do zarządzania kontem FTP WebAs www.poczta.greenlemon.pl Opracowanie: Agencja Mediów Interaktywnych GREEN LEMON Spis treści 1.Wstęp 2.Konfiguracja 3.Konto FTP 4.Domeny
Bardziej szczegółowoPodstawowe pojęcia dotyczące relacyjnych baz danych. mgr inż. Krzysztof Szałajko
Podstawowe pojęcia dotyczące relacyjnych baz danych mgr inż. Krzysztof Szałajko Czym jest baza danych? Co rozumiemy przez dane? Czym jest system zarządzania bazą danych? 2 / 25 Baza danych Baza danych
Bardziej szczegółowoAlicja Marszałek Różne rodzaje baz danych
Alicja Marszałek Różne rodzaje baz danych Rodzaje baz danych Bazy danych można podzielić wg struktur organizacji danych, których używają. Można podzielić je na: Bazy proste Bazy złożone Bazy proste Bazy
Bardziej szczegółowoInternet Semantyczny. Wstęp do OWL 2
Internet Semantyczny Wstęp do OWL 2 RDFS Podstawowymi elementami które określamy w RDFS są klasy (ang. class) zasobów i właściwości (ang. property) zasobów charakterystyczne dla interesującego nas fragmentu
Bardziej szczegółowoPodstawowe operacje arytmetyczne i logiczne dla liczb binarnych
1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie
Bardziej szczegółowoLaboratorium nr 10. Temat: Połączenia relacji
Laboratorium nr 10 Temat: Połączenia relacji Dotychczas omawiane zapytania zawsze dotyczyły jednej relacji. MoŜliwe jest jednak pisanie zapytań, które odczytują i łączą dane z wielu relacji. Celem tego
Bardziej szczegółowoANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza
ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego
Bardziej szczegółowoKod znak-moduł. Wartość liczby wynosi. Reprezentacja liczb w kodzie ZM w 8-bitowym formacie:
Wykład 3 3-1 Reprezentacja liczb całkowitych ze znakiem Do przedstawienia liczb całkowitych ze znakiem stosowane są następujące kody: - ZM (znak-moduł) - U1 (uzupełnienie do 1) - U2 (uzupełnienie do 2)
Bardziej szczegółowoPodręcznik Integracji
Podręcznik Integracji Spis treści 1. Integracja oferty... 3 1.1. Samodzielne wprowadzanie oferty sklepu... 3 1.2. Automatyczne wprowadzanie oferty z pliku XML... 3 1.3. Cyklicznie pobieranie oferty ze
Bardziej szczegółowobo od managera wymaga się perfekcji
bo od managera wymaga się perfekcji MODELOWANIE PROCESÓW Charakterystyka modułu Modelowanie Procesów Biznesowych (BPM) Modelowanie procesów biznesowych stanowi fundament wdroŝenia systemu zarządzania jakością
Bardziej szczegółowoSpis treści. Część I Wprowadzenie do pakietu oprogramowania Analysis Services
Spis treści Wstęp... ix Odkąd najlepiej rozpocząć lekturę?... ix Informacja dotycząca towarzyszącej ksiąŝce płyty CD-ROM... xi Wymagania systemowe... xi Instalowanie i uŝywanie plików przykładowych...
Bardziej szczegółowoProgramowanie deklaratywne
Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne
Bardziej szczegółowoModel systemu zarządzania wiedzą z uwzględnieniem aspektów wiarygodności
Rozdział 23 Model systemu zarządzania wiedzą z uwzględnieniem aspektów wiarygodności Streszczenie. W rozdziale przedstawiony został model systemu zarządzania wiedzą, w którym uwzględniono aspekty wiarygodności.
Bardziej szczegółowoWstęp do informatyki. Pojęcie liczebności. Zapis liczb. Liczenie bez liczebników. Podstawy arytmetyki komputerowej. Cezary Bolek
Pojęcie liczebności Wstęp do informatyki Podstawy arytmetyki komputerowej Cezary Bolek cbolek@ki.uni.lodz.pl Uniwersytet Łódzki Wydział Zarządzania Katedra Informatyki Naturalna zdolność człowieka do postrzegania
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoLaboratorium modelowania oprogramowania w języku UML. Ćwiczenie 1 Wprowadzenie do narzędzia CASE. Materiały dla nauczyciela
Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej Wydział Elektryczny, Politechnika Warszawska Laboratorium modelowania oprogramowania w języku UML Ćwiczenie 1 Wprowadzenie do narzędzia CASE
Bardziej szczegółowoInternetowy moduł prezentacji WIZYT KLIENTA PUP do wykorzystania np. na stronie WWW. Wstęp
Internetowy moduł prezentacji WIZYT KLIENTA PUP do wykorzystania np. na stronie WWW. Wstęp Prezentujemy Państwu propozycję modułu aplikacji internetowej słuŝącej do prezentacji zaplanowanych wizyt klienta
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoLOGIKA I TEORIA ZBIORÓW
LOGIKA I TEORIA ZBIORÓW Logika Logika jest nauką zajmującą się zdaniami Z punktu widzenia logiki istotne jest, czy dane zdanie jest prawdziwe, czy nie Nie jest natomiast istotne o czym to zdanie mówi Definicja
Bardziej szczegółowoProgramowanie deklaratywne i logika obliczeniowa
Programowanie deklaratywne i logika obliczeniowa Programowanie deklaratywne i logika obliczeniowa Wykład logika 12 godzin Dr hab. inż. Joanna Józefowska, prof. PP dyżur: poniedziałek 9.30-11.00 p. 10,
Bardziej szczegółowoOPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI
Autoreferat do rozprawy doktorskiej OPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI Michał Mazur Gliwice 2016 1 2 Montaż samochodów na linii w
Bardziej szczegółowoProgramowanie deklaratywne
Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne
Bardziej szczegółowoRysunek 1: Przykłady graficznej prezentacji klas.
4 DIAGRAMY KLAS. 4 Diagramy klas. 4.1 Wprowadzenie. Diagram klas - w ujednoliconym języku modelowania jest to statyczny diagram strukturalny, przedstawiający strukturę systemu w modelach obiektowych przez
Bardziej szczegółowoProjekt ZSWS. Instrukcja uŝytkowania narzędzia SAP Business Explorer Analyzer. 1 Uruchamianie programu i raportu. Tytuł: Strona: 1 z 31
Strona: 1 z 31 Explorer Analyzer 1 Uruchamianie programu i raportu PoniŜsze czynności uruchamiają program Bex Analyzer oraz wybrany raport z hurtowni danych. 1. uruchom z menu Start>Programy>Business Explorer>Analyzer
Bardziej szczegółowoPODSTAWY SZTUCZNEJ INTELIGENCJI
Katedra Informatyki Stosowanej Politechnika Łódzka PODSTAWY SZTUCZNEJ INTELIGENCJI Laboratorium PROGRAMOWANIE SYSTEMÓW EKSPERTOWYCH Opracowanie: Dr hab. inŝ. Jacek Kucharski Dr inŝ. Piotr Urbanek Cel ćwiczenia
Bardziej szczegółowoGrupa kursów: Wykład Ćwiczenia Laboratorium Projekt Seminarium 15 30
Zał. nr 4 do ZW 33/01 WYDZIAŁ INFORMATYKI I ZĄRZADZANIA KARTA PRZEDMIOTU Nazwa w języku polskim: Wprowadzenie do SQL Nazwa w języku angielskim: Introduction to SQL Kierunek studiów (jeśli dotyczy): Zarządzanie
Bardziej szczegółowoLaboratorium modelowania oprogramowania w języku UML. Ćwiczenie 4 Ćwiczenia w narzędziu CASE diagram czynności. Materiały dla studenta
Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej Wydział Elektryczny, Politechnika Warszawska Laboratorium modelowania oprogramowania w języku UML Ćwiczenie 4 Ćwiczenia w narzędziu CASE diagram
Bardziej szczegółowoDiagramy związków encji. Laboratorium. Akademia Morska w Gdyni
Akademia Morska w Gdyni Gdynia 2004 1. Podstawowe definicje Baza danych to uporządkowany zbiór danych umożliwiający łatwe przeszukiwanie i aktualizację. System zarządzania bazą danych (DBMS) to oprogramowanie
Bardziej szczegółowoKOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA PROJEKTAMI W PRZEDSIĘBIORSTWIE
KOMPUTEROWE WSPOMAGANIE ZARZĄDZANIA PROJEKTAMI W PRZEDSIĘBIORSTWIE Seweryn SPAŁEK Streszczenie: Zarządzanie projektami staje się coraz bardziej powszechne w przedsiębiorstwach produkcyjnych, handlowych
Bardziej szczegółowoZa pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa).
Algorytmy definicja, cechy, złożoność. Algorytmy napotykamy wszędzie, gdziekolwiek się zwrócimy. Rządzą one wieloma codziennymi czynnościami, jak np. wymiana przedziurawionej dętki, montowanie szafy z
Bardziej szczegółowoKARTA PRZEDMIOTU. WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI Ogólne umiejętności posługiwania się komputerem
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim: Nazwa w języku angielskim: Kierunek studiów (jeśli dotyczy): Specjalność (jeśli dotyczy): Stopień studiów
Bardziej szczegółowoProjektowanie systemów informatycznych. Roman Simiński siminskionline.pl. Modelowanie danych Diagramy ERD
Projektowanie systemów informatycznych Roman Simiński roman.siminski@us.edu.pl siminskionline.pl Modelowanie danych Diagramy ERD Modelowanie danych dlaczego? Od biznesowego gadania do magazynu na biznesowe
Bardziej szczegółowoDrzewa Decyzyjne, cz.2
Drzewa Decyzyjne, cz.2 Inteligentne Systemy Decyzyjne Katedra Systemów Multimedialnych WETI, PG Opracowanie: dr inŝ. Piotr Szczuko Podsumowanie poprzedniego wykładu Cel: przewidywanie wyniku (określania
Bardziej szczegółowoAktyn Płace-Kadry. Opis usprawnień i zmian w wersji (październik 2011r.)
Aktyn Płace-Kadry Opis usprawnień i zmian w wersji 1.7 01 1.7 02 (październik 2011r.) 1. Rozbudowana funkcjonalność Ewidencja czasu pracy do planowania i rozliczania czasu pracy grup pracowników Uwaga
Bardziej szczegółowoZmienne powłoki. Wywołanie wartości następuje poprzez umieszczenie przed nazwą zmiennej znaku dolara ($ZMIENNA), np. ZMIENNA=wartosc.
Zmienne powłoki Zmienne powłoki (shell variables) to tymczasowe zmienne, które mogą przechowywać wartości liczbowe lub ciągi znaków. Związane są z powłoką, Przypisania wartości do zmiennej następuje poprzez
Bardziej szczegółowoInstrukcja wykonywania rozliczeń
Program dla praktyki lekarskiej Instrukcja wykonywania rozliczeń Copyright Ericpol Telecom sp. z o.o. 2008 Copyright Ericpol Telecom sp. z o.o. 1 Spis treści Wykonywanie rozliczeń 3 Miesięczny raport deklaracji
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2008 Zagadnienia do omówienia 1. 2. Przegląd architektury HD 3. Warsztaty
Bardziej szczegółowoAKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT. Instrukcja do zajęc laboratoryjnych nr 3 AUTOMATYKA
AKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT Instrukcja do zajęc laboratoryjnych nr 3 AUTOMATYKA II rok Kierunek Transport Temat: Minimalizacja funkcji logicznych. Projektowanie układów logicznych. Opracował
Bardziej szczegółowoBAZY DANYCH. Obsługa bazy z poziomu języka PHP. opracowanie: Michał Lech
BAZY DANYCH Obsługa bazy z poziomu języka PHP opracowanie: Michał Lech Plan wykładu 1. PHP - co to jest? 2. Bazy danych obsługiwane przez PHP 3. Podstawowe polecenia 4. Sesje 5. Przykład - dodawanie towaru
Bardziej szczegółowoArchitektura Systemu. Architektura systemu umożliwia kontrolowanie iteracyjnego i przyrostowego procesu tworzenia systemu.
Architektura Systemu Architektura systemu umożliwia kontrolowanie iteracyjnego i przyrostowego procesu tworzenia systemu. Architektura jest zbiorem decyzji dotyczących: organizacji systemu komputerowego,
Bardziej szczegółowoFunkcjonalność systemów zarządzania bazami danych przestrzennych w kartografii internetowej (PosrtgreSQL/PostGIS) Krzysztof Kuśnierek
Funkcjonalność systemów zarządzania bazami danych przestrzennych w kartografii internetowej (PosrtgreSQL/PostGIS) Krzysztof Kuśnierek Program referatu Przedstawienie program referatu Wprowadzenie Przestrzenne
Bardziej szczegółowoSpis treści. I. Czym jest Indeks Haseł 3 II. Wyszukiwanie hasła 4. 1) Alfabetyczna lista haseł 4 2) Wyszukiwarka haseł 4 3) Grupy haseł 6
Spis treści I. Czym jest Indeks Haseł 3 II. Wyszukiwanie hasła 4 1) Alfabetyczna lista haseł 4 2) Wyszukiwarka haseł 4 3) Grupy haseł 6 III. Dokumenty powiązane z wybranym hasłem 7 IV. Moje hasła 10 1)
Bardziej szczegółowoSpis treści. 1. Cyfrowy zapis i synteza dźwięku Schemat blokowy i zadania karty dźwiękowej UTK. Karty dźwiękowe. 1
Spis treści 1. Cyfrowy zapis i synteza dźwięku... 2 2. Schemat blokowy i zadania karty dźwiękowej... 4 UTK. Karty dźwiękowe. 1 1. Cyfrowy zapis i synteza dźwięku Proces kodowania informacji analogowej,
Bardziej szczegółowoLaboratorium nr 5. Temat: Funkcje agregujące, klauzule GROUP BY, HAVING
Laboratorium nr 5 Temat: Funkcje agregujące, klauzule GROUP BY, HAVING Celem ćwiczenia jest zaprezentowanie zagadnień dotyczących stosowania w zapytaniach języka SQL predefiniowanych funkcji agregujących.
Bardziej szczegółowo15. Funkcje i procedury składowane PL/SQL
15. Funkcje i procedury składowane PLSQL 15.1. SQL i PLSQL (Structured Query Language - SQL) Język zapytań strukturalnych SQL jest zbiorem poleceń, za pomocą których programy i uŝytkownicy uzyskują dostęp
Bardziej szczegółowoProgram do obsługi ubezpieczeń minifort
Program do obsługi ubezpieczeń minifort Dokumentacja uŝytkownika Administracja słowników - Agenci Kraków, grudzień 2008r. Redakcja wykazu Agentów ubezpieczeń majątkowych Dla prawidłowej pracy systemu naleŝy
Bardziej szczegółowoMetody reprezentacji i przetwarzania wiedzy w warunkach niepewności w ontologiach opartych na logice opisowej
Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra Inżynierii Oprogramowania mgr inż. Michał Zawadzki Metody reprezentacji i przetwarzania wiedzy w warunkach niepewności w
Bardziej szczegółowoAnaliza i projektowanie obiektowe 2017/2018. Wykład 3: Model wiedzy dziedzinowej
Analiza i projektowanie obiektowe 2017/2018 Wykład 3: Model wiedzy dziedzinowej Jacek Marciniak Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza 1 Plan wykładu 1. Model wiedzy dziedzinowej
Bardziej szczegółowoRachunek zdań. Zdanie w sensie logicznym jest to wyraŝenie jednoznacznie stwierdzające, na gruncie reguł danego języka, iŝ tak a
Zdanie w sensie logicznym jest to wyraŝenie jednoznacznie stwierdzające, na gruncie reguł danego języka, iŝ tak a tak jest alboŝe tak a tak nie jest. Wartość logiczna zdania jest czymś obiektywnym, to
Bardziej szczegółowoModelowanie związków encji. Oracle Designer: Diagramy związków encji. Encja (1)
Modelowanie związków encji Oracle Designer: Modelowanie związków encji Technika określania potrzeb informacyjnych organizacji. Modelowanie związków encji ma na celu: dostarczenie dokładnego modelu potrzeb
Bardziej szczegółowoLaboratorium modelowania oprogramowania w języku UML. Ćwiczenie 5 Ćwiczenia w narzędziu CASE diagram przypadków uŝycia. Materiały dla nauczyciela
Zakład Elektrotechniki Teoretycznej i Informatyki Stosowanej Wydział Elektryczny, Politechnika Warszawska Ćwiczenie 5 Ćwiczenia w narzędziu CASE diagram przypadków uŝycia Materiały dla nauczyciela Projekt
Bardziej szczegółowoProgram automatycznej obsługi sklepu i supermarketu
Program automatycznej obsługi sklepu i supermarketu wersja 7 dla Windows Dodatek do instrukcji uŝytkownika Wirtualny kolektor Redakcja 7.2.102.0 2002-2007 Insoft sp. z o.o. 31-227 Kraków ul. Jasna 3a tel.
Bardziej szczegółowoNormalizacja baz danych
Wrocławska Wyższa Szkoła Informatyki Stosowanej Normalizacja baz danych Dr hab. inż. Krzysztof Pieczarka Email: krzysztof.pieczarka@gmail.com Normalizacja relacji ma na celu takie jej przekształcenie,
Bardziej szczegółowoWstęp do informatyki. Pojęcie liczebności. Liczenie bez liczebników. Podstawy arytmetyki komputerowej. Cezary Bolek
Wstęp do informatyki Podstawy arytmetyki komputerowej Cezary Bolek cbolek@ki.uni.lodz.pl Uniwersytet Łódzki Wydział Zarządzania Katedra Informatyki Pojęcie liczebności Naturalna zdolność człowieka do postrzegania
Bardziej szczegółowoImplementacja widoków danych na bazę wiedzy
Implementacja widoków danych na bazę wiedzy Piotr Piotrowski 1 Streszczenie: Niniejszy artykuł opisuje koncepcję i implementację widoków danych na bazę wiedzy. Widoki danych przesłaniają interfejs bazy
Bardziej szczegółowoPrzepływy danych. Oracle Designer: Modelowanie przepływów danych. Diagramy przepływów danych (1) Diagramy przepływów danych (2)
Przepływy danych Oracle Designer: Modelowanie przepływów danych Cele: zobrazowanie funkcji zachodzących w organizacji, identyfikacja szczegółowych informacji, przetwarzanych przez funkcje, pokazanie wymiany
Bardziej szczegółowo1.UKŁADY RÓWNAŃ LINIOWYCH
UKŁADY RÓWNAŃ 1.UKŁADY RÓWNAŃ LINIOWYCH Układ: a1x + b1y = c1 a x + by = c nazywamy układem równań liniowych. Rozwiązaniem układu jest kaŝda para liczb spełniająca kaŝde z równań. Przy rozwiązywaniu układów
Bardziej szczegółowoWspółdziałanie SłuŜby Geodezyjnej i Kartograficznej w zakresie weryfikacji danych na potrzeby PRG
Współdziałanie SłuŜby Geodezyjnej i Kartograficznej w zakresie weryfikacji danych na potrzeby PRG Warszawa, 13 luty 2013 r. PRG rys historyczny Warszawa, 13 luty 2013 r. Art. 7 Ustawy z dnia 17 maja 1989
Bardziej szczegółowoKONSPEKT FUNKCJE cz. 1.
KONSPEKT FUNKCJE cz. 1. DEFINICJA FUNKCJI Funkcją nazywamy przyporządkowanie, w którym każdemu elementowi zbioru X odpowiada dokładnie jeden element zbioru Y Zbiór X nazywamy dziedziną, a jego elementy
Bardziej szczegółowoWEWNĘTRZNA REPREZENTACJA KONGLOMERATOWEJ BAZY WIEDZY W SYSTEMIE RKASEA
STUDIA INFORMATIA 2010 Volume 31 Number 2A (89) Krzysztof GOZYŁA, Aleksander WALOSZEK, Wojciech WALOSZEK, Teresa ZAWADZKA Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki WEWNĘTRZNA
Bardziej szczegółowoO sygnałach cyfrowych
O sygnałach cyfrowych Informacja Informacja - wielkość abstrakcyjna, która moŝe być: przechowywana w pewnych obiektach przesyłana pomiędzy pewnymi obiektami przetwarzana w pewnych obiektach stosowana do
Bardziej szczegółowo