Когнитивная ветеринария – ветеринария цифрового общества: дефиниция базовых понятий
Краткий обзор научных работ авторов по когнитивной ветеринарии. Традиционное определение понятия данных и его критика. Развитый алгоритм принятия решений с применением SWOT- и кластерно-конструктивного анализа, ФСА и метода Директ-костинг в ветеринарии.
| Рубрика | Медицина |
| Вид | практическая работа |
| Язык | русский |
| Дата добавления | 07.12.2019 |
| Размер файла | 424,9 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
73
Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия
КОГНИТИВНАЯ ВЕТЕРИНАРИЯ - ВЕТЕРИНАРИЯ ЦИФРОВОГО ОБЩЕСТВА: ДЕФИНИЦИЯ БАЗОВЫХ ПОНЯТИЙ
УДК 004.8
06.02.10 Частная зоотехния,
технология производства продуктов животноводства
Луценко Евгений Вениаминович
д.э.н., к.т.н., профессор
Печурина Елена Каримовна
Сергеев Александр Эдуардович
к.ф.-м.н, доцент
Есть много мнений по вопросу о том, в каком обществе мы живем в начале XXI века. Ранее считали, что это постиндустриальное общество. Было даже такое мнение, что это будет общество развитого социализма или даже коммунистическое общество. Потом мнение по этому поводу изменилось. Сначала современное общество стали называть информационным обществом, а затем обществом, основанным на знаниях. Последняя новость в этой области состоит в том, что, по-видимому, современное общество - это цифровое общество, т.е. общество, основанное на цифровых технологиях, цифровых коммуникациях, цифровых технологиях обработки и передачи информации, и цифровых технологиях искусственного интеллекта. В цифровом обществе и науки должны перейти к цифровым интеллектуальным технологиям исследования. В частности возникает вопрос о том, не должна ли и ветеринария в цифровом обществе стать когнитивной ветеринарией. Развернутому и аргументированному (по мнению авторов) ответу на этот вопрос и посвящена данная работа. Методология и терминология в данной новой области еще не устоялась и не является общепринятой. Поэтому в данной работе много внимания уделено логике и методологии научного познания, терминологическим вопросам и дефинициям понятий
КЛЮЧЕВЫЕ СЛОВА: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, СИСТЕМА «ЭЙДОС», КОГНИТИВНАЯ ВЕТЕРИНАРИЯ, ЦИФРОВОЕ ОБЩЕСТВО
There are many opinions on the question of what kind of society we live in at the beginning of the XXI century. Previously, it was believed that this is a post-industrial society. There was even an opinion that it would be a society of developed socialism or even a communist society. After that, the opinion on this has changed. First, modern society was called the information society, and then the society based on knowledge. The latest news in this area is that it seems that modern society is a digital society, that is, a society, based on digital technologies, digital communications, digital information processing and transmission technologies, as well as digital artificial intelligence technologies. In a digital society and science people must move to digital intelligent research technologies. In particular, the question arises as to whether veterinary medicine in a digital society should not also become cognitive veterinary medicine. This work is devoted to a detailed and reasoned (according to the authors) answer to this question. The methodology and terminology in this new field is not yet established and is not generally accepted. Therefore, in this work a lot of attention is paid to the logic and methodology of scientific knowledge, terminological issues and definitions of concepts
Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" SYSTEM, COGNITIVE VETERINARY SCIENCE, DIGITAL SOCIETY
1. Введение
2. Данные - информация - знания
2.1. Традиционное определение понятия данных и его критика
2.2. Понятия данных, информации и знаний, сходство и различия между ними
2.2.1. Данные, подходы к определению
2.2.2. Информация и данные
2.2.3. Знания и информация
2.2.4. От больших данных к большой информации, а от нее к большим знаниям
2.3. Основные термины баз данных, информационных и интеллектуальных систем
2.4. Информационные системы как аналитические системы
2.5. Интеллектуальные системы как системы управления. Развитый алгоритм принятия решений с применением SWOT- и кластерно-конструктивного анализа, ФСА и метода Директ-костинг
2.5.1. Общая структура интеллектуальной автоматизированной системы управления
2.5.2. Алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»
2.5.3. Эксплуатация интеллектуальной АСУ в адаптивном режиме
2.6. Понятие системы и системного эффекта (эмерджентности). Сущность и содержание системного эффекта
2.7. Критерии идентификации банков данных, информационных и интеллектуальных систем
2.8. Некоторые выводы и перспективы
3. Этапы познания факт (конкретная онтология, фрейм-экземпляр), эмпирическая закономерность, эмпирический закон, научный закон, философский закон
3.1. Факт (конкретная онтология, фрейм-экземпляр)
3.2. Эмпирические закономерности
3.3. Эмпирические законы (феноменологические модели и модель «Черного ящика»)
3.4. Научные законы (движение от феноменологических моделей к содержательным, от эмпирического к теоретическому познанию)
3.5. Философское обобщение
3.6. Перспективы применения научного метода к постановке и решению философских проблем и конец философии
4. Применение автоматизированных когнитивных технологий в качестве инструмента познания (на примере АСК-анализа и системы «Эйдос»)
4.1. АСК-анализ как автоматизированный метод научного познания34
4.1.1. Кратко об АСК-анализе
4.1.2. Движение познания от эмпирических данных к информации, а от нее к знаниям
4.1.3. Когнитивные функции
4.1.4. Автоматизированный SWOT- и PEST-анализ
4.1.5. Системно-когнитивные модели как содержательные эмпирические модели (выводы)
4.2. Движение познания от частных и менее адекватных моделей объекта познания к более общим и более адекватным: принцип соответствия37
4.2.1. Множественность адекватных моделей
4.2.2. Принцип соответствия
4.3. Движение познания от моделей низкого уровня формализации к моделям более высокого уровня формализации
5. Краткий обзор научных работ авторов по когнитивной ветеринарии
5.1. Реализация тестов и супертестов для ветеринарной и медицинской диагностики в среде системы искусственного интеллекта «Эйдос-Х++» без программирования
5.2. Автоматизированный системно-когнитивный анализ в ветеринарии (на примере разработки диагностических тестов)
5.3. Агломеративная когнитивная кластеризация нозологических образов в ветеринарии
5.4. Агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии
5.5. Автоматизированный системно-когнитивный анализ антибиотиков в ветеринарии
5.6. Разработка ветеринарного теста для диагностики желудочно-кишечных заболеваний лошади на основе данных репозитория UCI с применением АСК-анализа
5.7. АСК-анализ ветеринарных текстов
5.7.1. Формирование семантического ядра ветеринарии путем Автоматизированного системно-когнитивного анализа паспортов научных специальностей ВАК РФ и автоматическая классификация текстов по направлениям науки
5.7.2. Синтез семантических ядер научных специальностей ВАК РФ и автоматическая классификации статей по научным специальностям с применением АСК-анализа и интеллектуальной системы «Эйдос» (на примере Научного журнала КубГАУ и его научных специальностей: механизации, агрономии и ветеринарии)
5.8. Автоматизированный системно-когнитивный анализ влияния пробиотиков в рационах на телосложение бычков
5.9. Когнитивная информационно-измерительная квалиметрическая система для определения содержания жира и белка в коровьем молоке по параметрам тензиограмм динамического поверхностного натяжения на границе раздела молоко/воздух
6. Заключение
7. Благодарности
Литература
СОДЕРЖАНИЕ
1. Введение
Есть много мнений по вопросу о том, в каком обществе мы живем в начале XXI века. Ранее считали, что это постиндустриальное общество. Было даже такое мнение, что это будет общество развитого социализма или даже коммунистическое общество. Потом мнение по этому поводу изменилось.
Сначала современное общество стали называть информационным обществом, а затем обществом, основанным на знаниях. Последняя новость в этой области состоит в том, что, по-видимому, современное общество - это цифровое общество, т.е. общество, основанное на цифровых технологиях: цифровых вычислительных ресурсах, цифровых коммуникациях, цифровых технологиях обработки и передачи информации и цифровых технологиях искусственного интеллекта.
В цифровом обществе и науки должны перейти к цифровым интеллектуальным технологиям познания.
В частности возникает вопрос о том, не должна ли и ветеринария в цифровом обществе стать когнитивной ветеринарией. Развернутому и аргументированному (по мнению авторов) ответу на этот вопрос и посвящена данная работа.
Научная терминология в данной новой области еще не устоялась и не является общепринятой. Поэтому в данной работе много внимания уделено терминологическим вопросам и дефинициям понятий.
Казалось бы тема данной работы хорошо разработана в научной и учебно-методической литературе. Чтобы убедиться в этом достаточно сделать следующие запросы в любой поисковой системе:
- «базы данных в ветеринарии»;
- «информационные системы в ветеринарии».
По этим запросам находятся без преувеличения тысячи сайтов и научно-методических работ. Среди них есть и очень хорошие, четкие и содержательные, хорошо на высоком научно-методическом уровне излагающие данную проблематику. Есть и много сайтов, содержание которых не обладает никакой новизной, выражаясь современным языком: «с низкой оригинальностью», которые и не скрывают того, что их содержание просто скопировано с сайтов-первоисточников, на которые иногда дается ссылка, но довольно часто и не дается. Поэтому едва ли имеет смысл повторять содержание этих многочисленных сайтов, даже и «своими словами», в данной статье.
Однако при более внимательном ознакомлении с содержанием этих сайтов и научно-методических работ, на которых они основаны, возникает впечатление, что их авторы и составители часто не проводят особых различий между базами данных и информационными системами, по сути, допуская смешение содержания, размывание смысла этих понятий и на практике рассматривая их как синонимы. Традиционные определения этих понятий не выдерживают критики. Не дается четких определений этих понятий, не предлагаются критерии, позволяющие их разграничить. Не рассматривается сущность и содержание системного эффекта информационных систем, отличающего их от баз данных.
Авторы считают, что если в бытовой сфере это еще более-менее приемлемо, хотя и нежелательно, то в науке и образовании это уже недопустимо, особенно в наше время, когда уже созданы все предпосылки для упорядочения понятийного и терминологического аппарата и инструментария в этой предметной области. Тем более это совершенно недопустимо в такой науке как ветеринария, в которой традиционно совершено обоснованно придавалось очень большое значение точному определению содержания научных терминов и понятий, при котором не допускаются их разночтения и двусмысленные толкования (дефиниции понятий).
Таким образом, налицо проблема, которая традиционно рассматривается как несоответствие фактического и желаемого (целевого) положения вещей, противоречие между ними.
Проблема, решаемая в данной работе, стоит в том, что на практике допускается смешение содержания, размывание смысла понятий «данные», «информация», «знания», что в настоящее время является недопустимым, особенно в ветеринарии, и в этой связи необходима четкая дефиниция понятий.
Авторы имеют свое видение подходов к решению этой проблемы, которое и считают целесообразным рассмотреть подробнее в данной работе.
2. Данные - информация - знания
2.1 Традиционное определение понятия данных и его критика
Традиционно понятие данных определяется следующим образом: данные - это информация, записанная на каком-либо носителе (или находящаяся в каналах связи) и представленная на каком-то языке или в системе кодирования.
Это определение является общепринятым См., например: http://dic.academic.ru/dic.nsf/ruwiki/71919 , его легко найти во всех учебниках по информатике и информационным технологиям, однако оно не выдерживает никакой критики.
Во-первых, обычно определение понятия дается через более общее понятие и выделение специфического признака.
Например: млекопитающее - это животное (более общее понятие), выкармливающее своих детенышей молоком (специфический признак).
Если следовать этой логике, то понятие информации должно быть более общим, чем понятие данных, как и считается в традиционном определении, но в действительности все обстоит как раз наоборот. Кроме того, специфическим признаком информации, которая является данными, в традиционном определении оказывается то, что она записана на каком-то носителе на каком-то языке, в то время как и данные и информация, всегда записаны на каком-либо носителе в какой-то системе кодирования и невозможно даже представить себе информации, не записанной на носителе и не представленной на каком-либо языке.
Во-вторых, естественно, и более общее понятие, и специфический признак, должны быть известны и сами не требовать определения, иначе получится, что мы определяем одно неизвестное через другое неизвестное, иногда даже более неизвестное, чем первое. Но понятие информации не является более известным, чем определяемой через него понятие данных.
Например, представьте себе, что мы пытаемся дать инопланетянам, которые только-только начали исследовать нашу цивилизацию, представление о том, что такое бутерброд. Мы определяем для них что такое бутерброд и говорим: «бутерброд это хлеб, на который намазано масло». Но инопланетяне не знают не только того, что такое бутерброд, но и того, что такое хлеб и масло. И чтобы понять наше определение они уже немного волнуясь просят нас определить и эти понятия. Когда они спрашивают, что же такое хлеб, мы отвечаем: «Но так это же элементарно: это то, на что намазывают масло, когда делают бутерброд». И когда, наконец, они уже предчувствуя недоброе спрашивают, что же такое масло, мы отвечаем с ироничной улыбкой: «Но это Вы уже и сами должны были догадаться, - это то, что намазывают на хлеб, когда делают бутерброд». Мы уже не говорим о смысле слова: «намазывают». Все вместе взятые эти «определения» выглядят уже просто как издевательство над инопланетянами.
Наверное приведенный пример был бы даже смешен, если бы не был грустным, т. к. в науке подобный способ давать определения, как это ни странно, довольно распространен. Например нетрудно найти подобные «определения» материи и сознания друг через друга: материя - это то, что существует вне и независимо от сознания, а сознание это способность мозга отражать материю См., например: http://nounivers.narod.ru/bibl/diam9.htm: «Материя есть объективная реальность, существующая вне и независимо от сознания, тогда как сознание производно от материи и зависит от неё. Сознание есть отражение объективного мира в мозгу человека. Сознание-свойство высокоорганизованной материи, способность нашего мозга отражать вне нас существующий материальный мир.».
Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т. е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е. В. Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, о том, какие воздействия на объект моделирования к каким последствиям приводят (определить силу и направление влияния значений факторов на поведение объекта управления), и в знания о том, какие значения факторов применить для воздействия на объект моделирования, чтобы он перешел в заранее заданные желательные целевые состояния.
2.2 Понятия данных, информации и знаний, сходство и различия между ними
2.2.1 Данные, подходы к определению
Продемонстрируем, что традиционное определение данных является ложным и абсурдным с логической точки зрения, применяя логический метод «Ложного основания». Это метод говорит о том, что если логическое следствие из некоторых исходных положений, является ложным, то и сами эти исходные положения также являются ложными.
Для этого попробуем дать определение понятия информации, основываясь на традиционном определении понятия данных и используя традиционный подход к научным определениям (дефинициям) через подведение определяемого понятия или термина под более общее понятие и выделение одного или нескольких специфических признаков.
При этом будем считать, как это по сути принято в традиционном определении (как мы это видели выше), что информация - это более общее понятие, чем данные, а специфическим признаком данных является то, что они записаны на носителе на определенном языке (это и есть ложное основание).
Эта попытка аналогична попытке дать определение более общего понятия «животное» на основе частного понятия «млекопитающее».
Исходное определение частного понятия: млекопитающее - это животное (более общее понятие), выкармливающее своих детенышей молоком (специфический признак).
Животное - это такое млекопитающее, которое:
- выкармливает своих детенышей молоком;
- или выкармливает своих детенышей не молоком.
По сути это означает, что животные это млекопитающие, но не только млекопитающие.
Информация - это такие данные, которые:
записаны на носителе на определенном языке,
или записаны на носителе не на определенном языке;
или не записаны на носителе на определенном языке,
или не записаны на носителе не на определенном языке.
Таким образом на основе традиционного определения понятия «данные» мы приходим к явно абсурдному результату, т.к. информацию или данные, не записанные на каком-либо носителе на каком-либо языке или системе кодирования невозможно представить даже теоретически. Это и означает, что исходное традиционное определение данных, однозначным логическим следствием из которого является этот абсурдный результат, является таким же абсурдным, как и следствие из него, т.е. является ложным, неверным, что и т.д.
Следовательно традиционное определение понятия данных является некорректным.
Но как же тогда корректно определить это понятие?
Однако, сделать это очень не просто по ряду причин:
Во-первых, по-видимому, понятие данных относится к числу наиболее общих понятий, выработанных человечеством. Это ясно из того, что о чем бы мы не рассуждали или не рассуждали, о каких бы объектах, процессах и явлениях внешнего и внутреннего мира, о природе обществе и человеке, мы все равно можем делать это только основываясь на каких-то данных об объекте рассуждения или познания. Поэтому возникают принципиально неразрешимая проблема поиска более общего понятия, чем понятие данных. Аналогичная неразрешимая проблема возникает при попытке определить традиционным путем (подведением под более общее понятие и выделение специфических признаков) другие предельно общие понятия, такие как бытие и небытие, материя и сознание, Бог, Вселенная и т.п. Впрочем подобные понятия можно пересчитать по пальцам одной руки.
Во-вторых, но даже если бы такое более общее понятие, чем понятие данных, удалось найти, все равно возникла бы проблема выделения таких специфических признаков, которые в этом более общем понятии позволяют выделить подмножество, соответствующее определяемому понятию: «Данные».
Поэтому в нашем распоряжении остается один вариант: описывать различные конкретные примеры данных всеми возможными признаками, а затем на основе этих описаний сформировать обобщенный образ данных, включив в него, признаки, вероятность наблюдения которых в данных намного выше, или на много ниже, чем в других понятиях, и исключив из него признаки, вероятность встречи которых в данных мало отличается от средней вероятности их встречи по всем формируемым обобщенным понятиям.
Такой ход рассуждений называется абдукция. Например: «Сократ смертен, Сократ человек, следовательно человек смертен». Таким образом мы что-то узнали об обобщенной категории «Человек». Понятно, что такой ход рассуждений является правдоподобным, но не гарантирует истинного результата, хотя в данном примере результат и получился истинный. В отличие от этого рассуждение от общего к частному всегда дает истинный результат, например: «Люди смертны, Сократ - человек, следовательно Сократ смертен». Отметим, что степень правдоподобности результатов абдукции возрастает, при увеличении числа примеров объектов, относящихся к различным обобщенным образам, и увеличении числа признаков, описывающих эти примеры.
Этот подход позволяет дать описательное или операциональное определение данных.
Однако этот подход предполагает рассмотрение не только понятия «Данные», но и других связанных с ним понятий, таких как «Информация» и «Знания», тем более что многие, вообще не видят между ними особых различий. Поэтому даже операциональное определение данных можно дать только в сопоставлении его с понятием информация, что мы и сделаем в следующем разделе.
2.2.2 Информация и данные
Информация определяется как осмысленные данные.
Данные - это более общее понятие, чем информация. Информация тоже является данными, но не каким угодно, а только осмысленными. Следовательно данные, - это такая информация, которая может быть как осмысленной, так и не осмысленной.
Это корректная попытка дать определение более общего понятия «Данные», через частный случай данных: понятие «Информация» и специфический признак информации: осмысленность.
Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона [18], состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Понятие причинно-следственных связей относится к реальной области. Данные же являются лишь моделью, с определенной степенью адекватности отражающей реальную предметной область. Поэтому в данных никаких причинно-следственных связей нет и выявить их в данных невозможно.
Но причинно следственные связи вполне возможно выявить между событиями, отражаемыми этими данными. Но для этого нужно предварительно преобразовать базу исходных данных в базу событий. Операция выявления причинно-следственных связей между событиями, отраженными в данных, называется «Анализ данных». По сути, анализ данных представляет собой их осмысление и преобразование в информацию.
Например, анализируя временные ряды, отражающие события на фондовом рынке, мы начинаем замечать, что если вырос спрос на какую-либо валюту, то за этим обычно следует повышение ее курса.
Анализ данных включает следующие этапы:
1. Выявление событий в данных:
- разработка классификационных и описательных шкал и градаций;
- преобразование исходных в базу событий - эвентологическую базу, путем кодирования исходных данных с применением классификационных и описательных шкал и градаций, т. е. по сути путем нормализации исходных данных.
2. Выявление причинно-следственных зависимостей между событиями в эвентологической базе данных.
В случае систем управления, событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т. е. по сути, случаи перехода объекта управления в определенные будущие состояния, соответствующие классам, под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме порядковых лингвистических переменных (типа: «малые», «средние», «большие» значения показателей).
Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?
Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике хорошо известно, что это совершенно не так, т. к. для выявления причинно-следственных связей в соответствии с методом научной индукции (Ф. Бэкон, Дж. Милль) необходимо сравнивать результаты по крайней мере в двух группах, в одной из которых фактор действовал, а в другой нет.
Например, на плакате, выпущенном полицией Автор такой плакат видел, когда проходил медосмотр перед получением прав нового образца., написано: «По статистике, порядка 7,5-8 % аварий в России ежегодно совершается по вине водителей, находящихся в состоянии алкогольного опьянения» См., например: https://cnev.ru/polezno/stati/osnovnye-prichiny-dtp-pyanstvo-za-rulem . Все. Точка. Больше ничего не написано. Однако, чтобы понять, является ли состояние алкогольного опьянения фактором, увеличивающим риск совершения ДТП или его тяжесть, этой информации недостаточно. Для этого обязательно необходима также информация о том, сколько процентов аварий в России ежегодно совершается по вине трезвых водителей. Но эта информация не приводится, поэтому формально здесь возможно три варианта:
1) по вине трезвых водителей аварий совершается меньше, чем по вине пьяных;
2) по вине трезвых водителей аварий совершается столько же, сколько по вине пьяных;
3) по вине трезвых водителей аварий совершается больше, чем по вине пьяных.
Первый вариант содержит информацию о том, что опьянение - это фактор риска совершения ДТП, второй - что это никак не влияет на риск совершения ДТП, а третий - что опьянение уменьшает его. Конечно, все понимают, что в жизни реализуется 1-ф вариант. Но об этом ведь в данном плакате нет прямых статистических данных. Таким образом, знак разности этих процентов определяет направление влияния этого фактора, а модуль этой разности силу его влияния, что и используется как один из частных критериев знаний в АСК-анализе и системе «Эйдос» [14, 20, 21].
Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу. Все эти меры причинно-следственных связей основаны на сравнении условных вероятностей встречи различных значений факторов при переходе объекта моделирования в различные состояния с безусловной вероятностью их встречи по всей выборке.
2.2.3 Знания и информация
Знания - это информация, полезная для достижения целей, т. е. для управления.
Значит для преобразования информации в знания необходимо:
1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные в какой-то шкале, лучше всего в порядковой или числовой).
2. Оценить полезность информации для достижения этой цели (знак и силу влияния).
Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т. к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.
Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:
- вообще неформализованные знания, т. е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);
- знания, формализованные в естественном вербальном языке;
- знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);
- знания в форме технологий, организационных, производственных, социально-экономических и политических структур;
- знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).
Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:
- преобразовать исходные данные в информацию;
- преобразовать информацию в знания;
- использовать знания для решения задач управления, принятия решений и исследования предметной области.
Процесс преобразования данных в информацию, а ее в знания называется анализ. Основные его этапы приведены на рисунке 2.
В системе «Эйдос» этот процесс осуществляется в следующей последовательности (рисунок 3).
Основные публикации автора по вопросам выявления, представления и использования знаний [13, 17].
Из вышеизложенного можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают движение познания от эмпирических данных к информации, а от нее к знаниям. По сути, это движение от феноменологических моделей, описывающих явления внешне, к содержательным теоретическим моделям [17].
Появляется все больше сайтов, посвященных искусственному интеллекту, в открытом доступе появляются базы данных для машинного обучения (UCI http://archive.ics.uci.edu/ml/datasets.html , Kaggle https://www.kaggle.com/datasets и другие) и даже on-line интеллектуальные приложения, совершенствуется и интерфейсы, применяемые в Internet.
В этом смысле показательно приобретение разработчиком одной из первых и наиболее популярный по сегодняшний день глобальных социальных сетей Facebook Марком Цукербергом фирмы Oculus, являющейся ведущим в мире разработчиком и производителем амуниции виртуальной реальности. Однако учащиеся и ученые до сих пор практически не замечают, что уже давно существует и действует открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований, основанная на автоматизированном системно-когнитивном анализе (АСК-анализ) и его программном инструментарии - интеллектуальной системе «Эйдос», а также сайте автора.
Соотношение между содержанием понятий: «Данные», «Информация» и «Знания» наглядно показаны на рисунке 1. На рисунке 2 приведена схема преобразования данных в информацию, а ее в знания и решения на этой основе ряда задач в АСК-анализе и интеллектуальной системе «Эйдос».
Рисунок 1. Преобразование данных в информацию, а ее знания
Рисунок 2. Преобразование данных в информацию, а ее знания в системе «Эйдос»
Ниже рассмотрим основные компоненты этой среды подробнее.
2.2.4 От больших данных к большой информации, а от нее к большим знаниям
Internet постепенно интеллектуализируется и превращается из нелокального хранилища больших данных (big data) в информационное пространство, содержащее осмысленные большие данные, т. е. «большую информацию» (great info), а затем в пространство знаний или «когнитивное пространство», в котором большая информация активно используется для достижения целей (управления) и тем самым превращается в «большие знания» (great knowledge).
2.3 Основные термины баз данных, информационных
и интеллектуальных систем
Банк данных - это базы данных плюс система управления базами данных (СУБД) (стандартные термины). СУБД - это, по сути, система управления данными.
Информационный банк - это информационные базы плюс информационные системы (предлагается стандартизировать эти термины). Информационная система - это, по сути, система управления информацией.
Банк знаний - это базы знаний плюс интеллектуальные системы (стандартные термины). Интеллектуальная система - это, по сути, система управления знаниями.
Существует очевидная параллель между терминами и понятиями, связанными с данными, информацией и знаниями, наглядно представленная в таблице 1.
Таблица 1 - ПАРАЛЛЕЛЬ МЕЖДУ ПОНЯТИЯМИ И ТЕРМИНАМИ, КАСАЮЩИМИСЯ ДАННЫХ, ИНФОРМАЦИИ И ЗНАНИЙ
|
Объект |
Субъект |
Система |
|
|
База данных (БД) |
Система управления базами данных (СУБД) |
Банк данных = БД+СУБД |
|
|
Информационная база (ИБ) |
Информационная (аналитическая) система (система управления информационными базами - СУИБ) |
Информационный банк = ИБ+СУИБ |
|
|
База знаний (БЗ) |
Интеллектуальная система (система управления базами знаний - СУБЗ) |
Банк знаний = БЗ+СУБЗ |
Поэтому неверно говорить о базах данных, понимая под этим по существу банки данных, т.к. база данных - это просто данные на носителях, а банк данных включает кроме самой базы данных еще и программную систему управления этими базами данных. Автор предлагает «узаконить», т.е. стандартизировать термины, отмеченные в таблице 2 красным цветом. Это позволит упорядочить все эти термины в единой стройной системе, построенной на основе соотношения содержания понятий «данные», «информация» и «знания». Это актуально, т.к. в настоящее время существуют явная путаница в использовании этих понятий, встречающая даже в названиях соответствующих дисциплин: «Управление знаниями», «Интеллектуальные информационные системы», «Представление знаний в информационных системах». Например, дисциплина «Управление знаниями» является гуманитарной и в ней изучаются слабо формализованные, не основанные на применении автоматизированных интеллектуальных систем, этапы, формы и методы управления знаниями Типичные вопросы, изучаемые в этой дисциплине: стратегия управления знаниями предприятия; организационная культура в контексте управления знаниями; измерение интеллектуального капитала; корпоративные знания: как ими управлять; интеграция знаний предприятия; бизнес держится на знаниях, сам того не зная; новые программы корпоративного обучения в среде управления знаниями: опыт зарубежных компаний; менеджмент знаний: подход к внедрению; общепринятых заблуждений об управлении знаниями (knowledge management). Вместе с тем название этой дисциплины явно соотносится с названием дисциплины «Управление данными». Интеллектуальные системы часто некорректно называются интеллектуальными информационными системами, с тем же успехом их можно было бы называть: «Интеллектуальные СУБД», но лучше и правильнее было бы называть их как предложено: «Системы управления базами знаний». Дисциплина «Алгоритмы и структуры данных» соотносится с дисциплиной «Представление знаний в информационных системах», хотя ясно, что они представляются не в информационных, а в интеллектуальных системах, т.к. в информационных системах представляется информация, а не знания, а знания представляются в интеллектуальных системах. В настоящее время дисциплина «Интеллектуальные информационные системы» по своему содержанию включает «Представление знаний в информационных системах», тогда как из вышеизложенного ясно, что они должны соотносится по своему содержанию также, как СУБД и «Модели баз данных» (в которых обычно подробно преподается лишь одна реляционная модель).
Отметим также, что если применить данное выше определение знаний к моделям, описываемым в дисциплине «Представление знаний в информационных системах», то обнаруживается, что иногда в ней описываются не модели баз знаний, а модели баз данных или информационные модели. В частности это видно на примере семантических сетей, которые, по сути, представляют собой не более чем инфологическую модель реляционной базы данных. Дисциплины «Управление знаниями» и «Представление знаний в интеллектуальных системах» по сути, представляют собой две части одной дисциплины и должны отражать не способы управления знаниями различной степени формализации (как в настоящее время), а описание автоматизированных интеллектуальных систем и баз знаний. Существует дисциплина: «Алгоритмы и структуры данных». Предлагается ввести аналогичные дисциплины: «Алгоритмы и информационные структуры» (в АСК-анализе - это формализация предметной области и синтез модели) и «Алгоритмы структурирования знаний» (по содержанию близко к когнитологии, инженерии знаний, представлению знаний)».
Конечно интеллектуальные системы являются и информационными (аналитическими) системами, и системами управления базами данных (рисунок 1). Информационные (аналитические) системы, являются системами управления базами данных (рисунок 1). Но не всякая система управления базами данных является информационной (аналитической) системой, а лишь такая, в которой в результате анализа данных выявляется их смысл и они преобразуются в информацию. И не всякая информационная (аналитическая) система является интеллектуальной, а лишь такая, в которой в результате постановки цели и решения задачи управления (т.е. достижения цели) информация преобразуется в знание. Поэтому об авторах образовательных стандартов, в которых предлагается вести дисциплину: «Информационные интеллектуальные системы» можно сказать, что они не вполне понимают, о чем говорят. Факт наличия причинно-следственных зависимостей может быть установлен методом хи-квадрат, а ее вид - многофакторным анализом. Однако факторный анализ позволяет обрабатывать данные лишь очень небольших размерностей (по числу факторов) и предъявляет чрезвычайно жесткие требования к наличию полных повторностей всех вариантов сочетаний факторов в исходных данных (т.е. данные не должны быть фрагментарными), что на практике выполнить удается крайне редко. Поэтому большой интерес представляют другие подходы, обеспечивающие в различных предметных областях, в частности в ветеринарии, применение информационных и когнитивных технологий для выявление силы и направления причинно-следственных зависимостей в эмпирических данных.
При этом будут возникать новые направления науки. Широкое применение математических методов в экономике привело к возникновению такого направления науки и специальности ВАК РФ, как 08.00.13 - Математические и инструментальные методы экономики». Аналогично, ветеринария, широко применяющая информационные и когнитивные технологии для выявление силы и направления причинно-следственных зависимостей в эмпирических данных, станет когнитивной ветеринарией.
2.4 Информационные системы как аналитические системы
Выше в разделе «6.3.2. Информация» мы подробно рассматривали процесс преобразования данных в информацию путем автоматизированного осмысления данных. Процедура преобразования данных в информацию называется «Анализ».
Анализ данных включает следующие этапы:
1. Выявление событий в данных:
- разработка классификационных и описательных шкал и градаций;
- преобразование исходных в базу событий - эвентологическую базу, путем кодирования исходных данных с применением классификационных и описательных шкал и градаций, т. е. по сути путем нормализации исходных данных.
2. Выявление причинно-следственных зависимостей между событиями в эвентологической базе данных.
Системы, обеспечивающие анализ данных, есть все основания называть информационными, т.к. они обеспечивают работу с информацией, и аналитическими, т.к. информация получена в результате анализа данных.
Таким образом термины «Информационная система» и «Аналитическая система» являются синонимами, а термин «Информационно-аналитическая система» является хотя и корректным по смыслу, но избыточным (переопределенным) и поэтому нежелательным. Приведем другие примеры подобных переопределенных терминов: бутерброд с маслом, CD-диск, диссертационное исследование, комплексный системный анализ.
Применение подобных сочетаний слов может указывать на то, что те, кто его допускает не вполне понимают, что говорят. В частности применение термина: «Информационно-аналитическая система» может указывать на то, что применяющие его не понимают, что информационные системы являются аналитическими, а аналитические информационными по определению.
2.5 Интеллектуальные системы как системы управления. Развитый алгоритм принятия решений с применением SWOT- и кластерно-конструктивного анализа, ФСА и метода Директ-костинг
Выше мы уже видели, что знания - это информация, полезная для достижения цели. Знания содержат путь, способ или технологию (в т.ч. ноу-хау) достижения цели. А управление определяется как деятельность по достижению цели. Таким образом, все системы управления должны содержать модель, в которой отражены знания о том, как достичь цели в той или иной ситуации.
Методы Функционально-стоимостного анализа и «Директ-костинг» общеизвестны и популярны. По своим идеям и принципам Функционально-стоимостной анализ и метод «Директ-костинг» очень сходны, если не сказать тождественны. С одной стороны эти идеи весьма разумны, хорошо обоснованы теоретически и доказали свою эффективность на практике.
Однако широкому применению этих методов препятствует сложность получения больших объемов детализированной технологической и финансово-экономической информации, а также необходимость ее тщательного исследования компетентными специалистами, хорошо и содержательно разбирающимися в предметной области.
В этом и состоит противоречие между желанием применить методы ФСА и «Директ-костинг» сложностью это сделать на практике. Это противоречие представляет собой реальную проблему и часто обескураживает и вызывает разочарование этими методами.
В данной работе предлагается простое и эффективное решение данной проблемы, хорошо обоснованное теоретически, оснащенное всем необходимым методическим и программным инструментарием и широко и успешно апробированное на практике.
Предлагаемое решение основано на двух простых идеях:
1) вместо сбора и проведения содержательного исследования большого объема технологической и финансово-экономической информации применить подходы, приятные в теории управления;
2) для создания системы автоматизированного управления натуральной и финансово-экономической эффективностью затрат применить автоматизированный системно-когнитивный анализ и его программный инструментарий - интеллектуальную систему «Эйдос».
В названии специальности 08.00.05 - Экономика и управление народным хозяйством, есть такие слова: «управление предприятиями, отраслями, комплексами, инновациями». Использование термина «Управление» предполагает, что есть модель, отражающая силу и направление влияния факторов на объект управления, и есть управляющая система, принимающая решения на основе этой модели. Однако, как правило, не только в научных статьях, но и в диссертациях по этой специальности мы ничего этого не видим, а видим лишь финансово-экономические расчеты. Если даже управляющие факторы и упоминаются, то обычно вопрос об их силе и направлении влияния на объект управления не только не решается, но даже и не ставится. Соответственно обычно вообще не упоминается какой-либо способ определения этой силы и направления влияния.
В данной работе предлагается подход, основанный на теории управления, снимающий этот недостаток [22].
2.5.1 Общая структура интеллектуальной автоматизированной системы управления
В теории управления известно, что в состав системы управления входят: объект управления, управляющая система, управляющие факторы, воздействующие на объект управления, информация обратной связи о состоянии объекта управления (рисунок 3).
Управляющая система принимает решения о значениях управляющих факторов на основе модели объекта управления.
Проблема состоит как в разработке этой модели на основе эмпирических данных (это скорее научная проблема), так и в ее применении в режиме реального времени в составе управляющей системы для поддержки принятия управляющих решений (это практическая проблема).
Обе эти проблемы решаются на основе автоматизированного системно-когнитивного анализа (АСК-анализ) и реализующей его интеллектуальной системы «Эйдос» [22].
Рисунок 3. Цикл управления в замкнутой системе управления
2.5.2 Алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»
На рисунке 4 приведен алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос», использующий результаты SWOT-анализа классов и кластерного анализа значений факторов.
Алгоритм принятия решений
Шаг 0-й. Когнитивно-целевая структуризация и формализация предметной области, синтез и верификация модели.
Шаг 1-й. Решаем задачу поддержки принятия решений путем применения автоматизированного когнитивного SWOT-анализа.
Шаг 2-й. Оцениваем технологические и финансовые возможности применения на практике предлагаемых значений факторов.
Шаг 3-й. Если такая возможность имеется для всех значений факторов, то принимаем их для реализации на практике и выходим из алгоритма принятия решений. Если же такой возможности нет, то исключаем из системы значений факторов те из них, которые по каким-либо причинам нет возможности применить и переходим на шаг 4..
Шаг 4-й. Прогнозирование результатов применения на практике сокращенной системы значений факторов в которой есть только те, которые есть реальная возможность применить.
Шаг 5-й. Если прогнозируемый результат применения на практике сокращенной системы значений факторов устраивает, то принимаем их для реализации на практике и выходим из алгоритма принятия решений. Если же прогноз показывает, что целевое состояние при использовании сокращенной системы значений факторов не будет достигнуто, то переход на шаг 6.
Рисунок 4. Алгоритм принятия управляющих решений
в АСК-анализе и системе «Эйдос»
Шаг 6-й. Заменяем рекомендованные на шаге 1, но удаленные на шаге 3 значения факторов другими, сходными по влиянию на объект моделирования и управления, но такие, которые есть возможности применить. Эти значения факторов для замены выбираются с использованием результатов кластерно-конструктивного анализа факторов.
Шаг 7-й. Прогнозирование результатов применения на практике системы значений факторов, сформированной на шаге 6.
Шаг 8-й. Если прогнозируемый результат применения на практике системы значений факторов, сформированной на шаге 6, устраивает, то принимаем их для реализации на практике и выходим из алгоритма принятия решений. Если же прогноз показывает, что целевое состояние при использовании этой системы значений факторов не будет достигнуто, то переход на шаг 0.
2.5.3 Эксплуатация интеллектуальной АСУ в адаптивном режиме
Обратим внимание на то, что приведенный на рисунке 4 алгоритм принятия решений используется непосредственно в цикле управления (рисунок 3) и предусматривает постоянную адаптацию модели, а случае необходимости и ее пересинтез, что обеспечивает учет динамики моделируемой предметной области, т.е. как самого объекта управления, так и окружающей среды.
2.6.Понятие системы и системного эффекта (эмерджентности). Сущность и содержание системного эффекта
В данной работе мы постоянно говорим о различных видах систем:
- банках данных;
- информационных (аналитических) системах;
- интеллектуальных системах (системах искусственного интеллекта).
Поэтому целесообразно кратко теоретически рассмотреть, что такое вообще система, а затем что конкретно дает системный подход в понимании сущности и источников эффективности перечисленных видов систем.
Система есть совокупность взаимосвязанных элементов. Система имеет свойства, которых нет у ее элементов. Эти свойства называются системными или эмерджентными. Наличие у системы системных свойств обеспечивает ей преимущества в достижении цели или даже саму возможность достижения цели по сравнению с ее элементами. Системные свойства тем ярче выражены у системы, чем сильнее взаимосвязи между ее элементами. Элементы системы также являются системами, более низкого уровня иерархии, чем сама система. Кроме систем различных уровней иерархии во Вселенной ничего не существует. Все свойства всех объектов, процессов и явлений природы, общества и человека имеют системное происхождение и основаны на уровнях иерархии, этими свойствами не обладающих. Это касается даже таких свойств как существование и не существование, движение и пространство-время [14, 15, 16, 19].
Автор посвятил большое количество работ информационным мерам сложности, уровня системности и степени детерминированности систем, количественным подходам к их измерению с помощью предложенных коэффициентов эмерджентности [16]. Однако в данной работе подробно рассматривать эти работы нецелесообразно, т.к. они все находятся в полном открытом бесплатном доступе [16] https://www.researchgate.net/profile/Eugene_Lutsenko.
Таблица 2 - Состав и источник эффективности различных видов систем
|
Наименование вида системы |
Элементы системы |
Связи между элементами системы |
Системные (эмерджентные свойства) системы |
|
|
Банки данных |
Базы данных (БД), системы управления базами данных (СУБД) |
Даталогическая модель баз данных, инфологическая логическая модель баз данных (отношения между таблицами баз данных) |
Возможность манипулирования данными, ведения баз данных, выполнения различных операций с данными в базах данных, поиск, физические и логические сортировка, фильтрация, группировки, выборки, формирование запросов и отчетов |
|
|
Информационные (аналитические) системы |
Информационные базы (ИБ), программное обеспечение информационной (аналитической) системы (системы управления информационными базами - СУИБ) |
Классификационные и описательные шкалы и градации; база событий (эвентологическая база), базы причинно-следственных зависимостей между событиями в эвентологической базе данных ... |
Подобные документы
Методы радиоиммуноанализа и иммунорадиометрического анализа. Сферы применения иммуноанализа в ветеринарии, потребители иммунодиагностических наборов. Диагностика фертильности и фекундильности крупного рогатого скота. Развитие иммуноанализа в ветеринарии.
реферат [1,7 M], добавлен 06.08.2009История китайской медицины. Развитие ветеринарии в Индии. Ветеринарные врачи Древней Персии. Развитие ветеринарии в Месопотамии (долина рек Тигра и Ефрата, XX-XVII вв. до н.э.). Приемы врачевания в Египте. Главная заслуга Гиппократа в развитии медицины.
реферат [26,2 K], добавлен 26.11.2010Военная ветеринария в Древней Руси и русском централизованном государстве. Развитие и усовершенствование структуры русской армии в XVIII веке. Создание центрального аппарата для руководства военно-ветеринарным делом. Ветеринарная служба во время ВОВ.
реферат [25,6 K], добавлен 19.01.2013Основные физико-химические свойства кетамина. Влияние препарата на сердечно-сосудистую систему и дыхательный центр. Практические рекомендации к применению кетамина. Общее анестезирующее и анальгезирующее действие. "Кетаминовая проблема" в ветеринарии.
реферат [26,1 K], добавлен 03.11.2015Применение ионизирующих излучений в сельском хозяйстве, ветеринарии и животноводстве. Использование ионизирующих излучений для диагностики и лечения животных. Использование нейтронов наряду с другими тяжелыми заряженными частицами для лечения опухолей.
контрольная работа [168,6 K], добавлен 30.01.2009Ветеринария - наука, изучающая здоровое и безболезненное состояние домашних животных. История развития науки, ее основные направления и достижения: открытие микроскопа Левенгуком, открытие кровообращения Гарвеем и роль данных исследований в медицине.
реферат [23,0 K], добавлен 17.08.2010Этика научных исследований в ветеринарии. Современные проблемы и будущее ветеринарной медицины. Особенности и пути интенсификации науки. Основные научные проблемы ветеринарной медицины и направления ее развития. Особенности этики научных работников.
реферат [32,9 K], добавлен 10.06.2010Диагностические учреждения государственной ветеринарии. Бактериологические, серологические, паталогоанатомические, биохимические, токсикологические, капроскопические и другие лабораторные методы исследования. Проведение диагностики заболеваний животных.
реферат [22,2 K], добавлен 08.12.2011В задачу токсиколога-химика входит не только установление наличия того или иного вещества относимого к категории «ядов», но и количество последнего. Существование качественных и количественных методов токсикологического исследования в ветенарии.
контрольная работа [25,2 K], добавлен 21.04.2009Характеристика скелетной мышцы животного, которая представляет собой сложное образование, способное выполнять роль активного органа аппарата движения. Химический состав мышц. Условия, улучшающие работу мышц и вспомогательные приспособления для их работы.
реферат [755,5 K], добавлен 22.06.2011Значение ветеринарно-профилактических мероприятий в выполнении задач по интенсификации животноводства. Ветеринария и ветеринарное обслуживание животноводческих комплексов, крупных ферм и птицефабрик. Правовая база выполнения ветеринарных мероприятий.
контрольная работа [53,6 K], добавлен 30.01.2009Развитие ветеринарных учреждений в Российской империи. Открытие первых ветеринарных амбулаторий. Основные цели губернских ветеринарных совещаний и съездов. Анализ первых декретов советского правительства по ветеринарии и журнала "Белорусская ветеринария".
реферат [87,9 K], добавлен 10.04.2012Первые формирования лосиных, перепелиных и страусиных ферм. Собака как первое приученное животное. Особенности развития народной ветеринарии у восточных славян. Луций Колумелла как первый ученый, использовавший в своих трудах термин "ветеринар".
реферат [44,4 K], добавлен 09.04.2012Клиническая диагностика как важнейший раздел клинической ветеринарии, предмет и методы ее изучения. Порядок клинического исследования сердечнососудистой системы собаки, порода Американский Стаффордширский терьер. Взятие крови и методика ее анализа.
курсовая работа [23,3 K], добавлен 09.11.2009Группы медикаментов, порядок их хранения. Наиболее употребляемые дезинфицирующие химические средства и способы их применения. Основные болезни органов дыхания сельскохозяйственных животных. Воспаление легких и плеврит. Распространение заразных болезней.
контрольная работа [700,4 K], добавлен 30.01.2009Витаминная питательность кормов. Классификация витаминов на жирорастворимые и водорастворимые. Применение антибиотиков и витаминов в ветеринарии и животноводстве. Витамины с индуктивным и биокаталитическим действием: последствия их недостаточности.
реферат [24,2 K], добавлен 23.03.2010Нитрофурал как антисептическое средство местного действия. Биофармацевтические аспекты фурацилина. Токсическое действие нитрофурановых препаратов. Способ получения фурацилина. Особенности применения его в ветеринарии. Лекарственные формы фурацилина.
презентация [841,4 K], добавлен 07.11.2012Болезни обмена веществ. Профилактика и лечение остеомаляции у сельскохозяйственных животных. Туберкулез крупного рогатого скота. Методы диагностики и профилактики. Пироплазмидоз сельскохозяйственных животных. Ветеринарная дезинфекционная техника.
контрольная работа [108,0 K], добавлен 18.01.2014Статистика в медико-биологическом исследовании, выбор метода анализа в соответствии с типом распределения данных. Анализ времени жизни в ППО Statistica, сравнение коэффициентов корреляции. Порядок осуществления проверки типа распределения данных.
реферат [1,2 M], добавлен 03.06.2011История открытия и описание препарата "Новокаин" - одного из лучших местных анестетиков, которые применяются в ветеринарии. Механизм действия новокаиновых блокад. Противопоказания к применению. Виды новокаиновых блокад. Общие положения при их выполнении.
курсовая работа [49,2 K], добавлен 06.04.2017
