Технології систем заснованих на знаннях в публічному управлінні

Размещено на http://www.allbest.ru/

Технології систем заснованих на знаннях в публічному управлінні

Гасюк Ігор Леонідович

доктор наук з державного управління, професор, заступник директора, науково-дослідний інститут публічного управління та права

Баюк Микола Іванович

кандидат наук з державного управління, старший викладач кафедри публічного управління та адміністрування Хмельницького університету управління та права імені Леоніда Юзькова, директор, Хмельницький регіональний центр підвищення кваліфікації

Анотація

Технології систем, заснованих на знаннях, відіграють важливу роль в публічному управлінні, сприяючи оптимізації процесів прийняття рішень, аналізу даних та впровадженню ефективних політичних стратегій. Основна ідея полягає в тому, щоб використовувати комп'ютерні системи для представлення, зберігання та використання знань, які використовуються у публічному управлінні. У статті розглядаються основні технології систем заснованих на знаннях, що застосовуються у публічному управлінні: експертні системи - комп'ютерні програми, які використовують знання експертів у певних галузях для прийняття рішень або надання порад; системи підтримки прийняття рішень які допомагають аналізувати інформацію, робити прогнози та рекомендації для рішень; системи обробки природньої мови які дозволяють комп'ютерам розуміти та генерувати людську мову; системи аналізу даних, які дозволяють виявляти корисну інформацію у великих обсягах даних; системи інтелектуального пошуку, як полегшують доступ до інформації та документів у публічному секторі, допомагаючи швидко знаходити необхідну інформацію серед великого обсягу даних; системи машинного навчання та штучного інтелекту, які дозволяють комп'ютерам навчатися на основі даних та самостійно покращувати свої навички. Саме цей тип систем може застосовуватися для аналізу зв'язків між різними факторами, класифікації даних, передбачення результатів та вирішення багатьох інших завдань публічного управління. Застосування технологій систем заснованих на знаннях у публічному управлінні може призвести до зменшення часу прийняття рішень, покращення якості аналізу, оптимізації ресурсів та забезпечення більш ефективної взаємодії між громадянами та державними органами. Однак, під час їх розробки важливо враховувати етичні проблеми та вживати заходів захисту конфіденційності та приватної інформації під час використання цих технологій у публічному секторі. Доведено, що впровадження різноманітних інтелектуальних систем заснованих на знаннях в залежності від сфери публічного управління, мети та завдань дозволить привести у відповідність зміст управлінських процесів із змістом парадигми цифрової економіки 4.0.

Ключові слова: публічне управління, технології, системи знань, інтелектуальні системи.

Abstract

Hasiuk Ihor Leonidovich Doctor of Science in Public Administration, Professor, Deputy Director, Scientific-research institute for public management and law

Baiuk Mykola Ivanovich Candidate of Sciences in Public Administration, Senior Lecturer of the Department of Public Administration of the Leonid Yuzkov Khmelnytsky University of Management and Law, Director, Khmelnytsky Regional Center for Advanced Training

TECHNOLOGIES OF KNOWLEDGE-BASED SYSTEMS IN PUBLIC ADMINISTRATION

Knowledge-based systems technologies play an important role in public administration, contributing to the optimization of decision-making processes, data analysis and the implementation of effective policy strategies. The basic idea is to use computer systems to represent, store, and use knowledge that is used in public administration. The article discusses the main technologies of knowledge-based systems used in public administration: expert systems - computer programs that use the knowledge of experts in certain fields to make decisions or provide advice; decision support systems that help analyze information, make predictions and recommendations for decisions; natural language processing systems that allow computers to understand and generate human language; data analysis systems that allow you to identify useful information in large amounts of data; intelligent search systems that facilitate access to information and documents in the public sector, helping to quickly find the necessary information among large amounts of data; machine learning and artificial intelligence systems that allow computers to learn from data and improve their skills on their own. It is this type of system that can be used to analyze the relationships between various factors, classify data, predict results and solve many other problems of public administration. The use of knowledge-based system technologies in public administration can lead to a reduction in decision-making time, an improvement in the quality of analysis, optimization of resources and a more effective interaction between citizens and public authorities. However, when developing them, it is important to consider ethical concerns and take measures to protect privacy and private information when using these technologies in the public sector. First of all, it concerns the automation of routine tasks, which will free a person from the need to engage in monotonous work and direct his efforts to solve creative problems of public administration. It is proved that the introduction of various knowledge-based intelligent systems, depending on the sphere of public administration, goals and objectives, will bring the content of management processes in line with the content of the digital economy 4.0 paradigm.

Keywords: public administration, technology, knowledge systems, intelligent systems.

Постановка проблеми

Наука про управління та дослідження великих даних, яка увібрала в себе низку сучасних спеціальностей і предметних сфер роботи із ними, таких як от: інженер даних, аналітик даних, бізнес аналітик (BI), аналітик процесів та багатьох інших утворює те ядро, яке забезпечує можливість практичної реалізації систем заснованих на знаннях. Цей термін є дещо ширшим за термін «інтелектуальні системи» або «динамічні інтелектуальні системи», хоча усі вони мають спільну основу розробки та використання на трьох взаємопов'язаних конструктах: дані, інформація, знання. Основними відмінностями в системах заснованих на знаннях є міра деталізації чи програмної реалізації і застосування певних алгоритмів машинного навчання, які обумовлені предметної сферою використання і метою створення таких систем. Іншими словами, організаційний дизайн побудови таких систем та їх технологічне ядро залежить від цілей та функцій їх застосування у предметній сфері публічного управління. Це є вагомим питанням з точки зору практики розробки таких систем та їх подальшого застосування у сфері публічного управління. Як показує час і наукові доробки в сфері штучного інтелекту, велика кількість інформації з цього приводу не тільки не применшує актуальності даної проблеми, але й певною мірою вимагає періодичної систематизації і класифікації інструментальної та алгоритмічної складової технологій інтелектуальних систем або систем заснованих на знаннях.

Аналіз останніх досліджень і публікацій

Проблемі класифікації систем заснованих на знаннях присвячено наукову працю [18] у якій дослідники розглядають шість основних типів систем, заснованих на знаннях: експертні системи, нейронні мережі, системи, що базуються на аналогіях, генетичні алгоритми, інтелектуальні агенти та дата-майнінг. Автори пояснюють характеристики, переваги та недоліки кожного типу, а також наводять приклади їх застосування.

Останнім часом з'являються публікації присвячені комплексному огляду літератури на дану проблематику із використанням технологій машинного навчання [16] у яких автори порівнюють три методи класифікації наукових публікацій за темами: глибоке навчання, пряме цитування та бібліографічне зчеплення. У вищенаведеному огляді, автори використовують корпус з понад 40 мільйонів статей та десятків тисяч наукових журналів для оцінки ефективності кожного методу. У статті доводиться, що глибоке навчання має таку ж продуктивність, як і графові бібліометричні методи, а всі методи майже не поступаються ручній класифікації.

Не залишається поза увагою науковців і теоретична складова даного питання [20] у цій статті даються визначення системам, заснованих на знаннях, як комп'ютерним системам, що аналізують знання, дані та іншу інформацію з різних джерел для генерації нових знань. У статті описано чотири типи систем, заснованих на знаннях: експертні системи, системи побудови моделей, системи побудови сценаріїв та системи побудови онтологій. Крім того, автори наводять приклади застосування систем, заснованих на знаннях, у різних сферах.

Огляду систем, заснованих на знаннях, у галузях інженерної освіти та практики також приділено значної уваги [19]. Автори розглядають роль і функції систем, заснованих на знаннях, у проектуванні, аналізі, діагностиці, контролі та навчанні інженерних систем. Вони також аналізують проблеми та виклики, пов'язані з розробкою та впровадженням систем, заснованих на знаннях, у реальних умовах.

Використання систем, заснованих на знаннях, у вирішенні питань соціально-економічного розвитку є пріоритетним питанням для публічного управління [8]. У статті автор досліджує можливості використання систем, заснованих на знаннях, для сприяння соціально-економічному розвитку країн. Автор розглядає концепцію та складові систем, заснованих на знаннях, а також їх потенційну роль у підвищенні продуктивності, конкурентоспроможності та якості життя населення. У статті також наводяться приклади успішних проектів, що використовують системи, засновані на знаннях, у сферах освіти, охорони здоров'я, сільського господарства та управління.

У галузі охорони здоров'я впровадження систем заснованих на знаннях є пріоритетним завданням [4]. У статті автори презентують огляд систем, заснованих на знаннях, для планування та підтримки прийняття рішень у галузі охорони здоров'я. Автори розглядають особливості та вимоги до систем, заснованих на знаннях, у цьому контексті, а також класифікують їх за типами: системи побудови дерев рішень, системи побудови баєсовських мереж, системи побудови нечітких мереж та системи побудови когнітивних карт. Вони також аналізують переваги та обмеження кожного типу систем, а також наводять приклади їх застосування.

Є також праці присвячені огляду систем, заснованих на знаннях, для діагностики та контролю несправностей у електричних мережах [14]. Автори розглядають принципи та методології побудови систем, заснованих на знаннях, для цих цілей, а також їх інтеграцію з іншими інформаційними технологіями. Вони також наводять приклади реалізації та експлуатації систем, заснованих на знаннях, у реальних електричних мережах.

Фінансовий сектор є мабуть одним із першим де були застосовані системи засновані на знаннях [12, 15]. У вищеозначених роботах, автори здійснюють огляд систем, заснованих на знаннях, для фінансових застосувань. Автори розглядають основні області застосування систем, заснованих на знаннях, у фінансовому секторі: портфельне інвестування, фондовий ринок, банківська діяльність, аудит та податки. Вони також аналізують технології та методи, що використовуються для побудови систем, заснованих на знаннях, у цих областях, а також виклики та перспективи їх розвитку.

Захист оточуючого середовища є актуальним і одним із найважливіших завдань стратегії сталого розвитку і саме огляду систем, заснованих на знаннях, для екологічного управління присвячено низку публікацій [3]. Автори розглядають роль і функції систем, заснованих на знаннях, у вирішенні екологічних проблем, таких як: оцінка впливу на довкілля, моніторинг якості повітря та води, моделювання екосистем та біорізноманіття, оптимізація використання природних ресурсів та попередження екологічних катастроф. Вони також наводять приклади реалізації та ефективності систем, заснованих на знаннях, у цих сферах.

Освіта і наука є важливими сферами для соціально-економічного розвитку будь-якої країни [10]. Автори розглядають типи та характеристики систем, заснованих на знаннях, що використовуються для покращення процесу навчання та оцінки навчальних результатів. Вони також аналізують методи та технології, що застосовуються для побудови систем, заснованих на знаннях, для освіти та навчання, такі як інтелектуальне навчальне середовище, інтелектуальний навчальний агент, інтелектуальна навчальна гра та інтелектуальна навчальна онтологія. У статті також наводяться приклади застосування систем, заснованих на знаннях, у різних навчальних доменах.

І наостанок, жодна із сучасних систем заснованих на знаннях не може обійтись без технологій обробки природньої мови [9]. Автори розглядають основні завдання та підходи до обробки природньої мови за допомогою систем, заснованих на знаннях, такі як аналіз синтаксису та семантики, генерація тексту, машинний переклад, розпізнавання мови, синтез мови та відповіді на запитання. Вони також аналізують типи та джерела знань, що використовуються для побудови систем, заснованих на знаннях, для обробки природньої мови, а також виклики та перспективи їх розвитку.

Отже, як свідчить аналіз літературних джерел проблема класифікації та систематизації систем заснованих на знаннях та можливості їх застосування у різних сферах є наразі доволі актуальною, адже швидке зростання обсягів знань і наукових напрацювань обумовлює необхідність постійного перегляду і узагальнення набутого досвіду та інформації.

Метою статті є класифікація і дослідження змісту кожного із змістових блоків структурної архітектоніки систем заснованих на знаннях, які можуть бути потенційно використані у публічному управлінні.

Виклад основного матеріалу

Під поняттям «технології інтелектуальних систем» ми розуміємо сукупність методів, засобів і процесів, що забезпечують створення, розвиток і застосування інформаційних, інтелектуальних систем заснованих на знаннях. Інтелектуальні системи - це автоматизовані інформаційні системи, які перетворюють інформацію у знання, засновані на алгоритмах та прийомах логічного мислення для вирішення складних задач, що вимагають аналізування великих обсягів різноманітних даних. Системи засновані на знаннях можуть мати різні форми та призначення, наприклад, експертні системи, системи підтримки прийняття рішень, пошукові системи, віртуальні співбесідники (системи засновані на алгоритмі «питання - відповідь», чат-бот), динамічні інтелектуальні системи (див. рис. 1).

Існує декілька найбільш розповсюджених критеріїв за якими проводять класифікацію інтелектуальних систем, наприклад: за типом представлення знань: побудовані на логічних правилах, фреймові, семантичні мережі, формально-логічні, нейромережеві, генетичні алгоритми тощо; за предметною сферою застосування: медицина, освіта, право, економіка, технології тощо; за характером домену: статичні, динамічні, детерміновані, стохастичні тощо; за способом взаємодії з користувачем: десктопні, мобільні, веб-орієнтовані, мовні, командної строки тощо; за режимом роботи: пакетний, інтерактивний, реального часу тощо. Розглянемо більш детально структурну архітектоніку систем заснованих на знаннях, яка включає основні змістові блоки тією чи іншою мірою представлені в усіх інтелектуальних системах без виключення (див. рис. 2).

Рис.1 Класифікація видів систем заснованих на знаннях

Рис. 2 Загальна архітектоніка систем заснованих на знаннях

Першим блоком в схемі є модуль який здійснює збір даних з оточуючого світу з певного предметного напряму або сфери за допомогою різноманітних датчиків, сенсорів або передає результати різноманітних опитувань респондентів, соціологічних, економічних, політичних досліджень, персональних відомостей громадян тощо. Цей модуль дозволяє вирішити основне завдання: налагодити апаратну взаємодію із оточуючим світом по збору і передачі даних в базу даних де здійснюється їх зберігання та упорядкування в залежності від обраного варіанту її організації.

Наступний модуль це бази даних, які розміщуються на окремих серверах і є спеціально організованою сукупністю даних за певною моделлю, яка визначає їх структуру та взаємозв'язки. Основним завданням баз даних в даній схемі організації роботи інтелектуальних систем є наповнення, зберігання, обробка та пошук інформації. За моделлю організації даних можна виділити такі основні типи баз даних: ієрархічна база даних - в цьому типі дані представлені у вигляді деревоподібної структури, де кожен елемент має одного батька (крім кореневого) та одного або кількох нащадків. Цей тип бази даних підходить для збереження ієрархічних даних, таких як файлова система або генеалогічне дерево. Однак ієрархічна база даних не підтримує зв'язки багато-до-багатьох та має обмежений доступ до даних нижнього рівня. Прикладом ієрархічної бази даних є IMS від IBM; мережева база даних - в цьому типі дані представлені у вигляді загального графу, де кожен елемент може мати кількох батьків та кількох нащадків. Цей тип бази даних розширює можливості ієрархічної бази даних, дозволяючи моделювати складніші взаємозв'язки між даними. Однак мережева база даних також має свої недоліки, такі як складність проектування та підтримки, низька гнучкість та нормалізація. Прикладом мережевої бази даних є IDMS від CA Technologies; реляційна база даних - в цьому типі дані представлені у вигляді таблиць, де кожен рядок має унікальний ключ, а кожен стовпець має певний тип. Цей тип бази даних є найпоширенішим та найбільш універсальним, оскільки використовує просту та логічну модель для збереження та обробки будь-яких видів даних. Реляційна база даних дозволяє створювати зв'язки між таблицями за допомогою унікальних ключів, здійснювати запити до даних за допомогою стандартної мови SQL та застосовувати різноманітні методи оптимізації та нормалізації даних. Прикладами реляційних баз даних є Oracle, MySQL, PostgreSQL та інші. Мови програмування на яких здійснюється робота з базами даних - це синтаксичні конструкції, які дозволяють виконувати різні операції з даними, такі як створення, запит, оновлення, видалення, аналіз тощо. Мови програмування роботи з базами даних можна поділити на дві основні категорії. Мови маніпуляції даними (Data Manipulation Languages, DML). Це мови, які використовуються для взаємодії з даними в базах даних. Наприклад, за допомогою DML можна вставляти, змінювати, читати або видаляти дані з таблиць або колекцій. Прикладами DML є SQL, MongoDB Query Language, GraphQL та інші. Мови опису даних (Data Definition Languages, DDL). Це мови, які використовуються для опису структури та схеми баз даних. Наприклад, за допомогою DDL можна створювати, змінювати або видаляти об'єкти баз даних, такі як таблиці, індекси, обмеження тощо. Прикладами DDL є SQL, XML Schema, JSON Schema та інші [6, 17].

Наступний модуль, це певною мірою самостійна, окрема експертна система, яка побудована на правилах формальної або математичної логіки, яка здатна здійснювати одно чи багато критеріальний відбір даних або інформації за відповідними вимогами. У вузькому контексті така експертна система є частиною більш складної, гібридної системи заснованої на знаннях, яка використовує формальну або математичну логіку для представлення знань та виведення висновків. Такі системи базуються на наборі правил, які мають вигляд умова -> дія. Умова кожного правила визначає зразок деякої ситуації, при дотриманні якої правило може бути виконано. Дія кожного правила визначає, що потрібно зробити, якщо умова підтверджується, тобто є «істиною», і навпаки, що необхідно зробити або не зробити, коли умова є протилежною істині. Пошук рішення полягає у виконанні тих правил, зразки яких збігаються з поточними даними. Експертні системи на правилах логіки мають деякі переваги та недоліки. До переваг належать: простота та зрозумілість представлення знань у вигляді правил; можливість пояснення роботи системи за допомогою послідовності застосованих правил; гнучкість та модульність системи, яка дозволяє легко додавати, змінювати або видаляти правила. До недоліків належать: складність управління великою кількістю правил та уникнення конфліктів або суперечностей між ними; низька ефективність пошуку рішення при повному переборі всіх правил; обмеження можливостей моделювання складних та невизначених ситуацій, застосування правил нечіткої логіки [11, 13].

Найважливішим модулем, який забезпечує динамізм інтелектуальних систем, тобто здатність до навчання це є модуль навчання або «модуль вирішувач», основним завданням якого є здійснення процедур прогнозування, кластеризації, класифікації із використанням технологій та математичних алгоритмів машинного навчання. Саме цей модуль є «інтелектуальним ядром» систем побудованих на знаннях, а технології побудови таких моделей нами будуть систематизовано і класифіковано окремо. Вирішувач в експертних системах в тому числі із застосуванням технологій машинного навчання має різні функції та особливості. В класичних експертних системах вирішувач використовує базу знань та правила логічного виведення для розв'язання задач з певної предметної області, таких як діагностика, консультування, проектування тощо. Вирішувач в експертних системах може бути реалізований за допомогою різних парадигм програмування, таких як логічне, функціональне, об'єктно-орієнтоване тощо. Вирішувач в класичних експертних системах зазвичай працює з символічними даними та структурами, такими як факти, правила, рамки, сценарії тощо. В динамічних інтелектуальних системах вирішувач використовує набір даних та алгоритми машинного навчання для побудови моделей, які можуть прогнозувати або класифікувати нові дані. Вирішувач в динамічних інтелектуальних системах може бути реалізований за допомогою різних методів індуктивного моделювання, таких як нейронні мережі, генетичні алгоритми, нечітка логіка тощо. Вирішувач заснованих на технологіях машинного навчання зазвичай працює з числовими або категорійними даними та матрицями, такими як ознаки, мітки, ваги, параметри тощо [1, 2, 5, 7].

Таким чином, можна стверджувати, що «модуль вирішувач» в експертних системах різного типу може бути організований і побудований із використанням різних підходів: формально-логічних алгоритмів та технологій машинного навчання, які також розрізняються за механізмами впорядкування даних (база знань проти наборів даних, які також можуть бути розміченими або ні), типом знань (символічне проти числового або категорійного), способом навчання (логічне виведення проти індуктивного моделювання) та цілями (розв'язання задач проти побудови моделей). Однак, існують також гібридні системи, які поєднують елементи формально-логічних алгоритмів та машинного навчання, що забезпечує досягнення кращих результатів.

Модуль первинної статистичної обробки даних є важливим інструментом для здійснення розвідувального аналізу, ознайомлення із даними, реалізація процедур оцінювання та обробки даних - визначення типу розподілу даних, статистичної оцінки вибірки за основними описовими статистиками, побудова графіків та візуалізація даних з пошуком можливих залежностей в них, пошук пропусків, викидів або не коректних значень, перевірка первинних гіпотез тощо. Слід відзначити, що межа відмінностей із модулем вирішувачем є певною мірою умовною і залежить від типу і складності інтелектуальної системи, і як ми розглянемо далі, цей модуль за своїми завданнями та інструментарієм відповідає етапу первинного або розвідувального аналізу даних. В простих системах саме в цьому модулі із застосуванням регресійного, факторного інших математико-статистичних методів здійснюється основна реалізація моделей прогнозування, класифікації, кластеризації даних.

Модуль інтерактивного аналізу даних - у складних, динамічних інтелектуальних системах визначається як окремий програмний компонент, який дозволяє користувачам виконувати різні операції з даними, такі як фільтрація, сортування, групування, агрегація, візуалізація тощо. Цей модуль забезпечує можливість швидко та гнучко отримувати інформацію з великих обсягів даних, що зберігаються у базах даних або сховищах даних. Модуль інтерактивного аналізу даних може застосовуватися для розв'язання різних задач, таких як: дослідження та виявлення закономірностей, тенденцій, аномалій у даних; побудови та перевірки гіпотез про причинно-наслідкові зв'язки між даними; приймати обґрунтовані рішення на основі первинного аналізу даних щодо добору відповідних методів та алгоритмів для подальшої роботи із ними; презентувати та ділитись із колегами первинними результатами аналізу даних. Основним призначенням модуля інтерактивного аналізу даних у великих динамічних інтелектуальних системах є покращення якості та ефективності інформаційної підтримки прийняття рішень у різних сферах діяльності, таких як бізнес, наука, освіта, медицина тощо. Цей модуль сприяє формуванню інформаційної культури та компетентностей у користувачів, розвиває їх критичне мислення та аналітичні здібності.

Модуль генерації відповідей та візуалізації даних це програмний компонент, який дозволяє автоматично створювати текстові або графічні відповіді на запитання користувачів, що стосуються певних даних, як правило таких, які мають форму нового знання та були утворені внаслідок роботи попередніх модулів. Цей модуль в складних системах може застосовуватися для різних цілей, наприклад: для надання інформації про дані, що зберігаються у базах даних або сховищах даних, таких як статистичні показники, характеристики, описи тощо; для пояснення та інтерпретації результатів аналізу даних, таких як закономірності, тенденції, аномалії, причинно- наслідкові зв'язки тощо; для побудови та презентації графічних зображень даних, таких як діаграми, графіки, карти, таблиці тощо. Сутністю модуля генерації відповідей та візуалізації даних є використання аналітичних методів та алгоритмів для обробки запитань користувачів, пошуку та вибору релевантних даних, генерації текстових або графічних виразів та надання виводу у зручному форматі. Для реалізації такого модуля можуть використовуватися різні як програмні засоби так і мови програмування, такі як Python, R, Tableau, Power BI тощо.

І наостанок це модуль який забезпечує безпосередню взаємодію програмного продукту із користувачем. Цей модуль може бути реалізований за допомогою низки технологій: графічного інтерфейсу користувача, командної строки, аудіо взаємодією, тобто голосовий варіант спілкування. Інтерфейс взаємодії з програмним продуктом це сукупність засобів, методів і правил, які забезпечують комунікацію між користувачем і програмою. Інтерфейс визначає, як користувач може вводити дані, отримувати відповідь, керувати програмою та отримувати інформацію про її стан. Інтерфейс також впливає на зручність, ефективність і задоволення користувача від роботи з програмою. Як ми зазначали вище, існують різні типи та види інтерфейсів взаємодії з програмним продуктом, які можна класифікувати за різними критеріями. Одним з найпоширеніших критеріїв є спосіб подання інформації та взаємодії з нею. За цим критерієм можна виділити такі типи інтерфейсів: текстовий інтерфейс - це інтерфейс, який використовує текст як основний спосіб подання інформації та команд. Текстовий інтерфейс зазвичай має форму командного рядка або текстового меню, де користувач може вводити текстові команди або обирати пункти меню за допомогою клавіатури. Текстовий інтерфейс є простим та швидким у використанні для досвідчених користувачів, але може бути складним та незручним для новачків або для роботи з графічною або звуковою інформацією. Прикладом текстового інтерфейсу є командний рядок операційної системи Windows або Linux; графічний інтерфейс, це інтерфейс, який використовує графіку як основний спосіб подання інформації та команд. Графічний інтерфейс зазвичай має форму графічного користувацького інтерфейсу (GUI), де користувач може бачити на екрані різноманітні графічні об'єкти, такі як вікна, панелі, кнопки, меню, списки, палетки тощо, та взаємодіяти з ними за допомогою мишки, клавіатури або сенсорного екрану. Графічний інтерфейс є наочним та зручним у використанні для багатьох користувачів, але може бути повільним та складним для роботи з текстовою або числовою інформацією. Прикладом графічного інтерфейсу є графічне середовище операційної системи Windows або MacOS; звуковий інтерфейс, це інтерфейс, який використовує звук як основний спосіб подання інформації та команд. Звуковий інтерфейс зазвичай має форму голосового інтерфейсу (VUI), де користувач може слухати звукові повідомлення або сигнали від програми та говорити голосові команди або відповіді за допомогою мікрофона. Звуковий інтерфейс є природним та зручним у використанні для людей з обмеженими можливостями зору або для роботи в умовах, де використання рук або очей є неможливим або небажаним. Але звуковий інтерфейс може бути неточним та ненадійним через шуми, акценти, помилки розпізнавання тощо. Прикладом звукового інтерфейсу є голосовий помічник Siri від Apple або Alexa від Amazon; кінестетичний інтерфейс, це інтерфейс, який використовує рух, як основний спосіб подання інформації та команд. Кінестетичний інтерфейс зазвичай має форму жестового інтерфейсу (GUI), де користувач може робити різні жести руками, ногами, головою або тілом для керування програмою, а програма може використовувати вібрацію, силу, температуру або інші фактори для передачі інформації користувачеві. Кінестетичний інтерфейс є динамічним та захоплюючим у використанні для людей, які люблять фізичну активність або для роботи в умовах, де використання голосу або екрану є неможливим або небезпечним. Але кінестетичний інтерфейс може бути неефективним та складним для роботи з текстовою або числовою інформацією, тому для використання в складі інтелектуальних систем є обмеженим. Прикладом кінестетичного інтерфейсу є консоль для відеоігор Nintendo Wii або Microsoft Kinect.

Висновки

інтелектуальні технології публічне управління

Таким чином, підводячи підсумки проведеного дослідження необхідно зазначити, що можливості інтелектуальних систем в публічному управлінні є дійсно надзвичайно вражаючими, і які по своїй суті спроможні забезпечити не тільки підвищення ефективності процесу публічного управління але й перевести його якість на новий щабель розвитку. Саме впровадження різноманітних інтелектуальних систем заснованих на знаннях в залежності від сфери публічного управління, мети та завдань дозволить привести у відповідність зміст управлінських процесів із змістом парадигми цифрової економіки 4.0. В першу чергу це стосується автоматизації рутинних задач, яка дозволить вивільнити людину від необхідності займатись монотонною працею і спрямувати її зусилля на розв'язання творчих завдань публічного управління. Усе це безпосереднього підтверджується наявною практикою впровадження інтелектуальних систем в повсякденну діяльність, надзвичайно широким спектром їх застосування із використанням у їх модульній структурі сучасних технологій та алгоритмів машинного навчання.

Література:

1. Artificial Intelligence: a new synthesis: Nilsson, Nils J., 1933-: Free Download, Borrow, and Streaming: Internet Archive. (n.d.). Retrieved August 10, 2023, from https://archive.org/details/artificialintell0000nils

2. Artificial Intelligence: A Modern Approach, 4th US ed. (n.d.). Retrieved August 10, 2023, from http://aima.cs.berkeley.edu/

3. Avouris, N. M. (1995). Cooperating knowledge-based systems for environmental decision support. Knowledge-Based Systems, 8(1), 39-54. https://doi.org/10.1016/0950-7051(94)00289-U

4. Chung, P T., & Chen, B. X. (2011). A knowledge-based decision system for healthcare diagnosis and advisory. Conference Proceedings - IEEE International Conference on Systems, Man and Cybernetics, 2357-2362. https://doi.org/10.1109/ICSMC.2011.6084030

5. Computational intelligence : David L. Poole : Free Download, Borrow, and Streaming : Internet Archive. (n.d.). Retrieved August 10, 2023, from https://archive.org/details/computationalint00pool

6. Eleven types of modern databases: a brief description, diagrams and examples of the database. (n.d.).

7. Introduction to Machine Learning. (n.d.). Retrieved August 10, 2023, from https://ai.stanford.edu/people/nilsson/mlbook.html

8. Knowledge-Based Systems for Development | rehan rauf - Academia.edu. (n.d.). Retrieved August 20, 2023, from https://www.academia.edu/32063132/Knowledge_Based_ System s_for_Devel opment

9. Knowledge-based systems for natural language processing. (n.d.). Retrieved August 20, 2023, from https://www.researchgate.net/publication/281406452_Knowledge-based_systems_ for_natural_language_processing

10. Knowledge based system's in education sector - india. (n.d.). Retrieved August 20, 2023, from https://www.researchgate.net/publication/317357402_knowledge_based_system's_ in_education_sector_-_india

11. Laws of thought | Definition, Theories, & Facts | Britannica. (n.d.). Retrieved August 9, 2023, from https://www.britannica.com/topic/laws-of-thought

12. Leinweber, D. (1988). Knowledge-Based Systems for Financial Applications. IEEE Expert: Intelligent Systems and Their Applications, 3(3), 18-31. https://doi.org/10.1109/64.21887

13. List of rules of inference - Wikipedia. (n.d.). Retrieved August 9, 2023, from https://en.wikipedia.org/wiki/List_of_rules_of_inference

14. Liu, C., Kou, L., Cai, G. W., Zhou, J. N., Meng, Y Q., & Yan, Y H. (2019). Knowledge-based and data-driven approach based fault diagnosis for power-electronics energy conversion system. 2019 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids, SmartGridComm 2019. https://doi.org/10.1109/smartgridcomm.2019.8909719

15. Ozbayoglu, A. M., Gudelek, M. U., & Sezer, O. B. (2020). Deep learning for financial applications: A survey. Applied Soft Computing, 93, 106384. https://doi.Org/10.1016/J.ASOC.2020.106384

16. Rivest, M., Vignola-Gagne, E., & Archambault, E. (2021). Article-level classification of scientific publications: A comparison of deep learning, direct citation and bibliographic coupling. PLOS ONE, 16(5), e0251493. https://doi.org/10.1371/journal.pone.0251493

17. Types of databases, their advantages and disadvantages. (n.d.).

18. Types of Knowledge-Based Systems. (2007). An Introduction to Knowledge Engineering, 26-88. https://doi.org/10.1007/978-1-84628-667-4_2

19. Valavanis, K. P., Kokkinaki, A. I., & Tzafestas, S. G. (1994). Knowledge-based (expert) systems in engineering applications: A survey. Journal of Intelligent & Robotic Systems, 10(2), 113-145. https://doi.org/10.1007/BF01258225/metrics

20. What Is a Knowledge-Based System? (With Types and Uses) | Indeed.com. (n.d.). Retrieved August 20, 2023, from https://www.indeed.com/career-advice/career-development/what-is-knowledge- based-system

References:

1. Artificial Intelligence: a new synthesis: Nilsson, Nils J., 1933-: Free Download, Borrow, and Streaming: Internet Archive. (n.d.). Retrieved August 10, 2023, from https://archive.org/details/artificialintell0000nils

2. Artificial Intelligence: A Modern Approach, 4th US ed. (n.d.). Retrieved August 10, 2023, from http://aima.cs.berkeley.edu/

3. Avouris, N. M. (1995). Cooperating knowledge-based systems for environmental decision support. Knowledge-Based Systems, 8(1), 39-54. https://doi.org/10.1016/0950-7051(94)00289-U

4. Chung, P T., & Chen, B. X. (2011). A knowledge-based decision system for healthcare diagnosis and advisory. Conference Proceedings - IEEE International Conference on Systems, Man and Cybernetics, 2357-2362. https://doi.org/10.1109/ICSMC.2011.6084030

5. Computational intelligence: David L. Poole: Free Download, Borrow, and Streaming: Internet Archive. (n.d.). Retrieved August 10, 2023, from https://archive.org/details/computationalint00pool

6. Eleven types of modern databases: a brief description, diagrams and examples of the database. (n.d.).

7. Introduction to Machine Learning. (n.d.). Retrieved August 10, 2023, from https://ai.stanford.edu/people/nilsson/mlbook.html

8. Knowledge-Based Systems for Development | rehan rauf - Academia.edu. (n.d.). Retrieved August 20, 2023, from https://www.academia.edu/32063132/Knowledge_Based_Systems_for_Development

9. Knowledge-based systems for natural language processing. (n.d.). Retrieved August 20, 2023, from https://www.researchgate.net/publication/281406452_Knowledge-based_systems_ for_natural_language_processing

10. Knowledge based system's in education sector - india. (n.d.). Retrieved August 20, 2023, from https://www.researchgate.net/publication/317357402_knowledge_based_system's_in_ education_ sector_-_india

11. Laws of thought | Definition, Theories, & Facts | Britannica. (n.d.). Retrieved August 9, 2023, from https://www.britannica.com/topic/laws-of-thought

12. Leinweber, D. (1988). Knowledge-Based Systems for Financial Applications. IEEE Expert: Intelligent Systems and Their Applications, 3(3), 18-31. https://doi.org/10.1109/64.21887

13. List of rules of inference - Wikipedia. (n.d.). Retrieved August 9, 2023, from https://en.wikipedia.org/wiki/List_of_rules_of_inference

14. Liu, C., Kou, L., Cai, G. W., Zhou, J. N., Meng, Y Q., & Yan, Y H. (2019). Knowledge-based and data-driven approach based fault diagnosis for power-electronics energy conversion system. 2019 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids, SmartGridComm 2019. https://doi.org/10.1109/ smartgridcomm.2019.8909719

15. Ozbayoglu, A. M., Gudelek, M. U., & Sezer, O. B. (2020). Deep learning for financial applications: A survey. Applied Soft Computing, 93, 106384. https://doi.org/10.1016/J.ASOC.2020.106384

16. Rivest, M., Vignola-Gagne, E., & Archambault, E. (2021). Article-level classification of scientific publications: A comparison of deep learning, direct citation and bibliographic coupling. PLOS ONE, 16(5), e0251493. https://doi.org/10.1371/journal.pone.0251493

17. Types of databases, their advantages and disadvantages. (n.d.).

18. Types of Knowledge-Based Systems. (2007). An Introduction to Knowledge Engineering, 26-88. https://doi.org/10.1007/978-1-84628-667-4_2

19. Valavanis, K. P., Kokkinaki, A. I., & Tzafestas, S. G. (1994). Knowledge-based (expert) systems in engineering applications: A survey. Journal of Intelligent & Robotic Systems, 10(2), 113-145. https://doi.org/10.1007/BF01258225/metrics

20. What Is a Knowledge-Based System? (With Types and Uses) | Indeed.com. (n.d.). Retrieved August 20, 2023, from https://www.indeed.com/career-advice/career-development/ what- is-knowledge-based-system

Размещено на Allbest.ru