Iv халықаралық Ғылыми-практикалық конференция еңбектері

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
88
 
 
Рисунок 1 - Составляющие базы знаний интеллектуальной обучающей системы 
Методы 
интеллектуальной 
деятельности 
составляют 
техническую 
сторону 
использования  опорных  знаний,  которая  вместе  с  содержательной  стороной  обеспечивают 
способность  ученика  к  получению  знаний  своими  силами  путем  самостоятельного 
осуществления  конкретных  форм  познавательной  деятельности.  Комплексная  диагностика 
базы  знаний  обеспечивает  адаптацию  каждого  обучающегося  с  момента  начало  работы  с 
ИОС,  включают  в  себя  всевозможные  методы  тестирования  для  определения 
психологического типа личности и возможности восприятия учебного материала. 
Техническая составляющая базы знаний отражает формы познавательной деятельности 
(познавательные 
акты, 
познавательные 
операции, 
познавательные 
действия); 
технологический элемент составляют методы искусственного интеллекта, умения, приемы и 
способы познавательной деятельности.  
Таким  образом,  интеллектуальная  обучающая  система  состоит  из  предметной, 
методической, технической составляющих, которые позволяют осуществить автоматизацию 
процесса  контроля  и  управления  учебно-познавательной  деятельностью  обучающего. 
Составляющие ИОС предоставляют опорные знания и интеллектуальные  умения. Владение 
способами и приемами делает работу экономной – освобождает от повторного установления 
хода  решения,  позволяет  переносить  его  порядок,  уверенно  конструировать  сходные 
познавательные действия и операции. Усвоенные способы и приемы подсказывают не только 
ход решения задания, но и характер нужных для задания опорных знаний. 
Список использованных источников: 
1.  Бессмертный  И.А.  Методы,  модели  и  программные  средства  для  построения 
интеллектуальных  систем  на  продукционной  модели  знаний.-  Автореф.  дис...  д.  тех.  наук.  –  Санкт-
Петербург, 2014. - 32 с. 
2.  Жуковская,  Н.К.  Исследование  и  разработка  моделей  рассуждений  в  интеллектуальных 
обучающих  системах:  автореф.  дис….кандидата  технических  наук:  05.13.17/Н.К.  Жуковская.  – 
Таганрог, 2004. – 26с. 
3. Кибзун, А.И. Электронный учебно-методический комплекс по курсу «Теория вероятностей и 
математическая  статистика»  для  дистанционного  обучения/А.И.  Кибзун,  А.В.  Наумов//  Вестник 
компьютерных и информационных технологий. – 2008. - №8. – С.36-42. 
4.  Семенова,  Н.Г.  Функциональная  схема  база  знаний интеллектуальной  обучающей  системы/ 
Н.Г.  Семенова//  Энергетика:  состояние,  проблемы,  перспективы:  материалы  Всеросийского  научно-
технической конференции/ Оренбург.гос.ун-т.-Оренбург, 2012. – С. 482-486. 
5.  Мухамедиева  К.М.  Структура  познавательной  самостоятельности  будущих  учителей 
информатики  //  «Аймаутов  тағылымы»  атты  халықаралық  ғылыми-практикалық  конференцияның 
материалдар жинағы – Павлодар: С.Торайғыров атындағы ПМУ, 2007.- 153-159 б.  
 
 
ӘОЖ 621.865.8:004.32.26 
 
НАЗЫРОВА А.Е., СЕКСЕНБАЕВА А.Қ. 
 
КҮРДЕЛІ ТЕХНОЛОГИЯЛЫҚ КЕШЕННІҢ ДАМУЫН БАСҚАРАТЫН 
ЭКСПЕРТТІК ЖҮЙЕНІ ӘЗІРЛЕУ 
 
(Л.Н.Гумилев атындағы Еуразия Ұлттық Университеті, Астана) 
 
Кез  келген  басқарушылық  әрекет  қандайда  бір  мөлшерде  тәуекелдік  сипатқа  ие.  Бұл 
тәуекелдік 
көптеген 
шарттарға, 
атап 
айтқанда:басқару 
объектісінің 
көпфакторлы 
динамикасына  және  оның  қоршаған  ортасына,  сонымен  қатар  әрекеттесу  үрдісіндегі  адам 
факторының рөліне байланысты болады. 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
89
 
 
«Тәуекел»  ұғымы  –  өте  күрделі  ұғым,  оның  мәнін  «анықсыздық»,  «ықтималдық», 
«тәуекел шарты» және т.б. ұғымдармен қосарлап қана анықтау мүмкін. 
Сонымен  бірге  «тәуекел»  мәселесі  өндірістік  кәсіпорын  деңгейінде  де  толыққанды 
зерттелмеген. 
Кәсіпорын үшін тәуекел әртүрлі мәнге ие, болмашы мәннен оның статусын толығымен 
өзгертетін  мәнге  дейін  түсініледі.  Бұл  жағдай  тәуекелдің  толығымен  зерттелуін  және 
мүмкіндігінше  оның  теріс  салдарларын  мүмкіндігінше  азайтуды,    яғни   минимизациялауды 
талап етеді.  
Сондықтан  да,  тәуекелді  басқару  кәсіпорынды  басқарудың  неғұрлым  маңызды 
элементтерінің  бірі  болып  табылады,  ал  бизнес-ортаның  өзгермелі  жағдайында  кәсіпорын 
іскерлігінің экономикалық тиімділігін тәуекелді басқару функцияларын арттырады. 
Жобалық тәуекелдерді басқару жүйесі кәсіпорынның алдына қойған мақсатына жетуіне 
әсер етуі мүмкін барлық «қауіп-қатерлер» кешенін ескеруі керек. 
Жобалық  тәуекелдерді  басқару  жүйесі  қызметі  жағынан  кәсіпорынның  ағымдағы 
қаржылық-шаруашылық  іскерлігін  бақылау  үшін  де,  кәсіпорынның  дамуын  түрлі  уақыт 
интервалдарында  болжау  үшін  де  әмбебап  құрал  болуы  тиіс.  Мұндай  тәуекелдерді  басқару 
жүйесі өз қызметін атқару үшін тәуекелді сандық тұрғыда бағалай алу қажет.  
Тәуекелді  сандық  мөлшерде  бағалау  үшін  XOI  (ағылш.  «exposure,  occurrence, 
impact»немесе қауіп-қатер, ықтималдық, салдар)[1] әдісін қолдану ұсынылады. 
Бұл  жағдайда  қауіп-қатер  дегеніміз  берілген  уақыт  аралығында  тәуекелге  ұшырайтын 
объектілердің саны;  ықтималдық– берілген уақыт аралығында берілген оқиғаның болуының 
ықтималдығын бағалау; ал салдар – берілген оқиғаның жүзеге асуы нәтижесіндегі шығынды 
бағалау болып табылады. 
Жобалық тәуекелді сандық бағалау үш кезеңнен тұрады: 
1. 
Қауіп-қатер моделін әзірлеу. 
2. 
Қауіп-қатердің пайда болуы ықтималдығының моделін әзірлеу. 
3. 
Қауіп-қатер  салдарының,  яғни  олардың  жүзеге  асу  салдарының  моделін 
әзірлеу. 
Берілген 
модельдерді 
әзірлеу 
үрдісі 
бірдей 
және 
сәйкесінше 
«қауіп-
қатер/ықтималдық/салдарға»  әсер  ететін  кездейсоқ  шамаларды  анықтаудан,  осы  кездейсоқ 
сандардың таралуларын анықтаудан және шартты ықтималдықтарды есептеуден тұрады. 
Модельдерді әзірлеу нәтижесінде әрқайсысы үшін әсер ету диаграммасы құрылады. Әрі 
қарайәсер  ету  диаграммасы  барлық  үш  модельді  қамтитын  жалпы  диаграммаға 
түрлендіріледі(1-сурет). 
 
 
 
1-сурет. Әсер ету диаграммасы 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
90
 
 
 
Жалпы диаграммаға осы үш модельден басқа тәуекелді төмендету әрекеттері қосылуы 
мүмкін  (мысалы:  қауіпсіздік  дәрістері,  қауіп-қатерден  қорғайтынқосымша  құралдар  және 
т.б.),сонымен қатар тәуекелді үшінші жаққа ауыстыру шешімі де кіреді, жалпы жағдайда бұл 
сақтандыру  түрінде  болады.  Мұнда  тәуекелді  алмастыру  шығындары  берілген  уақыт 
аралығындағы сақтандыру салымдарының санына тең болады.   
Тәуекелдер  жиынын  бағалаған  кезде  әр  тәуекелдің  диаграммасы  бір  жалпы 
«глобальды»  тәуекелді  басқару  диаграммасына  біріктіріледі.  Нәтижесінде  алынған  Байес 
желісінде барлық қажетті айнымалыларды тарату және шығару жүзеге асады.  
Кездейсоқ шамалар мен шартты ықтималдықтарды таратуды бағалау әдетте үш әдіспен 
жүзеге асады:  
1. 
Эмпирикалық бағалау. 
2. 
Теориялық бағалау. 
3. 
Эксперттік бағалау. 
Эмпирикалық  бағалау  дегеніміз  қандай  да  бір  оқиғаның  пайда  болу  жиілігі  және 
кәсіпорынның  осы  оқиғанын  пайда  болуы 
туралы 
(тарихи) 
мәліметтері 
негізінде 
есептелуі мүмкін. 
Теориялық  бағалау    берілген  оқиғаның 
жүзеге  асуы  туралы  сыртқы  мәліметтерден 
(мысалы: мемлекеттік статистика мәліметтері) 
алынады.  
Эксперттік  бағалау  эксперттерден  сұрау 
құралдарынан 
оқиғаның 
пайда 
болу 
ықтималдығын анықтаудан тұрады. 
Тәуекелдерді  нақты  сандық  бағалау 
үшін  Монте-Карло  әдісін  пайдаланылады 
және  қойылымдар  жиынын  модельдеу  керек 
болады. [1,2,3]. 
Нәтижесінде 
іздеудегі 
кездейсоқ 
шаманың  таралуын  аламыз  (жалпы  жағдайда 
пайданы),  математикалық  күтімді  есептей 
аламыз,  ортақвадраттық  ауытқу  мен  үлкен 
сандар заңы негізіндегі дисперсияны да есептей аламыз. 
Күрделі  технологиялық  кешеннің  дамуын  басқаратын  эксперттік  жүйеніәзірлеудің 
нәтижесі  –    білімге  негізделген    интегралданған  эксперттік  жүйені  жасау  болып  табылады 
[4].  Білімдер  дегеніміз  өзара  әрекеттесу  диаграммасы  болуы  мүмкін,  сәйкесінше  білімнің 
неғұрлым  сәйкес  келетін  моделі  –  бұл  желілік  модель.  Әрекеттер  диаграммасын  әзірлеу 
үрдісінде  деректер  жиыны  керек  болғандықтан    (олар  әртүрлі  деректер  қорынан  болуы 
мүмкін)  деректерді  біріктіру  үшін  білімдерді  бейнелеу  құралы  ретіндеонтологияларды 
сипаттау    тілдері  OWL/RDF[5]  пайдаланған  тиімді  (2-сурет).  Ұзақ  есептеу  операцияларын 
жүзеге  асыру  үшін,  (мысалы:  деректер  қорымен  жұмыс  істегенде)  JADEплатформасы 
FIPA[7]  спецификасын  пайдаланатын  интеллектуалды  агенттерге[6]  негізделген  әдіс 
қолданылады.   
Жоғарыда  аталған  технологиялар  (интеллектуалды  агенттер,  онтологиялар)  Java 
платформасына  әзірленгендіктен,  күрделі  технологиялық  кешеннің  дамуын  басқаратын 
эксперттік жүйені әзірлеу осы бағдарламалау тілінде жүзеге асырылды.  
Әдебиеттер тізімі. 
1. Condamin, L. Risk Quantification: Management, Diagnosis and Hedging/ L. Condamin, J. Louisot, 
P. Naim. – England.: John Wiley & Sons, Ltd, 2006. – 288 p. 
2-сурет.Түрлі деректер қорын біріктіру 
үшін онтологияларды сипаттау  тілдері 
OWL/RDF қолдану. 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
91
 
 
2. Vose, D. Risk Analysis: A quantitative guide/D. Vose. – England.: John Wiley & Sons, Ltd, 2008. – 
729 p. 
3. Mun, J. Modeling Risk: Applying Monte Carlo Simulation, Real Options Analysis, Forecasting and 
Optimization Techniques/J. Mun. – Hoboken.: John Wiley & Sons, Ltd, 2006. – 623 p. 
4.  Джарратано,  Д.  Экспертные  системы:  принципы  разработки  и  программирование/Д. 
Джарратано,  Г.  Райли.  –  4-е  издание.  Пер.  с  англ. –  М.:  ООО  "И.Д.  Вильямс",  2007. –  1152  с.  :ил.  – 
Парал. Тит. англ.\ 
5. Hebeler, J. Semantic Web Programming/J. Hebeler, M. Fisher, R. Blace. – USA.: Wiley Publishing, 
2009. – 650 p. 
6. Рассел, С. Искусственный интеллект: современный подход/ C. Рассел, П. Норвиг. – 2-е изд..: 
Пер. с англ. Издательский дом "Вильямc", 2006. — 1408 с.: ил. — Парал. тит. англ. 
7. Fabio, B. Developing Multi-Agent Systems with JADE /B. Fabio, C. Giovanni, G. Dominic. – UK.: 
Wiley Publishing, 2007. – 303 p. 
 
 
УДК 004.891 
 
НУРГАЗИНОВА Г.Ш.
1
, МУХАМЕДИЕВА К.М.
2 
 
К ВОПРОСУ ПРОЕКТИРОВАНИЯ БАЗЫ ЗНАНИЙ 
 
(
1
ЕНУ им. Л.Н. Гумилева, Астана, Казахстан, 
2
ПГПИ, Павлодар, Казахстан) 
 
На  сегодняшний  день  бесспорным  остается  факт  востребованности  мощных 
компьютерных  средств  обучения  и  контроля  знаний,  особенно,  в  период  повсеместного 
внедрения в систему образования Республики Казахстан стандартов e-leaning.  
Наряду  с  весьма  впечатляющими  достижениями  в  рамках  внедрения  электронного 
обучения  необходимо  приложить  огромные  усилия  для  создания  квалифицированного 
учебного  контента,  отвечающего  возможности  организации  эффективного  поиска 
необходимых  знаний;  возможностям  интеллектуального  анализа  обработки  результатов 
контроля знаний, а также создания систем, поддерживающих процесс обучения на всех его 
этапах.  В  общем  случае  контент  –  любое  информационно  значимое  наполнение 
информационного  ресурса  –  тексты,  графика,  мультимедиа  и  т.  д.  [1].  Под  учебным 
контентом  будем  понимать  знания  некоторой  предметной  области,  представленные  в 
электронном виде. 
На  современном  этапе,  когда  объемы  информации  стремительно  возрастают, 
появляется  необходимость  в  создании  таких  средств  поддержки  электронных  учебников, 
которые позволили пользователю не только просматривать интересующую его информацию 
путем  навигации  по  гипермедийным  структурам,  но  и  задавать  различные  более  сложные 
вопросы[2].  
Таким образом, актуальны вопросы создания квалифицированного учебного контента, 
формализованного  самыми  современными  методами  искусственного  интеллекта,  с  целью 
дальнейшего более эффективного и полноценного использования в учебном процессе. 
В  данной  статье  мы  будем  говорить  о  создании  учебного  контента  для 
интеллектуальных  средств  обучения  и  контроля  знаний,  на  основе  семантического  их 
представления. 
В  современных  условиях  создание  такого  контента  связано  с  самыми  последними 
достижениями  в  области  искусственного  интеллекта,  в  частности,  со  способами 
формализации  знаний,  т.е.  использованием  современных  методов  их  представления  и 
организации.  Поэтому  принимаясь  за  разработку  интеллектуальных  средств  обучения  и 
контроля  знаний,  особое  внимание  нужно  уделить  представлению  знаний.  Именно 
выбранные  методы  представления  знаний  определяют  правила  структуризации  и 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
92
 
 
систематизации  учебного  материала,  реализации  навигационно-поисковых  алгоритмов, 
организации управления обучением. 
Существует  множество моделей  представления  знаний.  Наиболее  распространены  три 
модели представления знаний:  
- фреймовая модель;  
- продукционная модель;  
- семантическая модель. 
Достоинством  семантических  сетей  является  то,  что  они  обеспечивают  наглядность 
отображения объектов, связей и отношений, а также гибкость представления знаний за счет 
ассоциативности  и  иерархичности.  Графическое  представление  связей  между  понятиями 
позволяет  пользователям  эффективнее  усваивать  и  запоминать  информационную  структуру 
предметной области. Основной отличительной особенностью и преимуществом этой модели 
и  языка  описания  учебного  материала  является  то,  что  они  построены  на  теоретико-
множественной  основе  и  ориентированы  на  семантическое  описание  и  обработку 
информации. Еще одним важным достоинством предлагаемых средств представления знаний 
является то, что в основу реализации механизмов переработки знаний изначально заложена 
возможность параллельной обработки информации [3]. 
В нашей работе по проектированию интеллектуальной обучающей системы по алгебре 
мы  опираемся  на  комплексную  открытую  технологию  проектирования  интеллектуальных 
систем  OSTIS  (Open  Semantic  Technology  for  Intelligent  Systems),  ориентированную  на 
семантическую  модель  представления  знаний  [4].  Из  всего  курса  алгебры  рассмотрим 
предметную область «числовые модели», в которой рассмотрим теории натуральных, целых, 
рациональных,  действительных  и  комплексных  чисел.  В  соответствии  с  технологией одной 
из  главных  задач,  с  которой  начинается  разработка  интеллектуальных  обучающих  систем, 
является разработка базы знаний интеллектуальной обучающей системы. 
Выбранная  предметная  область  «числовые  модели»  является  статичной  предметной 
областью,  хорошо  описана  в  различных  источниках,  а  также  имеет  возможности 
представления иллюстративного материала. 
Согласно [5] семантическую структуру нашей базы знаний, описывающую некоторую 
предметную  область,  в  нашем  случае  предметную  область  «числовые  модели»  можно 
рассматривать  как  иерархическую  систему  предметных  областей  различного  специального 
вида,  надстраиваемых  над  заданной  предметной  областью.  Поэтому  для  более  четкого  и 
детального  структурирования  и  наполнения  базы  знаний  предметной  области  «числовые 
модели»  мы  абстрактно  поделим  ее  на  несколько  предметных  областей,  включающих  одна 
другую (рисунок 1). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Рисунок 1 - Структура предметной области «Числовые модели» 
−1,
1
2
, 0.12, 3 + 2,
/
 …
 
 
 
 
 
 
 
 
1, −1,
1
2
,
2
3
, 0.12, , √2 …
 
 
 
 
 
 
1, −1,
1
2
,
2
3
, 0.12, …
 
1, −1,
1
,
2
, 0.12, …
 
 
 
 
 
 
0, 1, -1, … 
1, 2, … 
Предметная область натуральных чисел 
Предметная область целых чисел 
Предметная область рациональных чисел 
Предметная область действительных чисел 
Предметная область комплексных чисел 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  IV ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 
 
 
93
 
 
 
Пусть  нам  дан  раздел  предметной  области  «натуральные  числа».  Объектами 
исследования которой являются числа. Это предметная область, которая включается в состав 
(является подобластью) предметной области «числовые модели» и объектами исследования 
которой  являются  натуральные  числа.  Опираясь  на  труды  профессора  Голенкова  В.В.  [5] 
проектирование  базы  знаний,  в  частности  по  числовым  моделям,  которая  является 
описанием, например, предметной области натуральных чисел  условно можно разделить на 
следующие части:  
- Структурная  спецификация  (содержит  перечень  максимального  класса  объектов, 
подклассы, отношения) 
- Предметная  область  теоретико-множественных  связей  между  понятиями  предметной 
области 
=Теоретико-множественная онтология предметной области натуральных чисел 
- Предметная область терминов предметной области натуральных чисел 
=Терминологическая онтология предметной области натуральных чисел 
- Предметная область определения понятий предметной области натуральных чисел 
=Логическая система определения понятий предметной области 
- Предметная  область  логических  формул  и  высказываний  о  предметной  области 
натуральных чисел 
=Логическая онтология предметной области натуральных чисел 
- Предметная область доказательств высказываний о предметной области натуральных 
чисел 
=Логическая система доказательств о предметной области натуральных чисел 
- Предметная область задач и решений задач предметной области натуральных чисел 
=Сборник задач с решениями в предметной области натуральных чисел 
- Предметная  область  классов  задач  и  способов  решения  задач  предметной  области 
натуральных чисел 
=Онтология задач в предметной области натуральных чисел 
Построив  каждую  из  этих  предметных  областей  мы  получим  описание  предметной 
области натуральных чисел, т.е. базу знаний предметной области натуральных чисел. Далее 
мы описываем аналогичным образом предметные области целых чисел, рациональных чисел, 
вещественных  чисел  и  комплексных  чисел,  которые  будут  надстраиваться  над  предметной 
областью  натуральных  чисел.  В  итоге  получаем  четко  структурированную  модель  базы 
знаний предметной области «числовые модели», т.е. семантическую сеть данной предметной 
области.  Для  кодирования  семантической  сети,  представляющую  различные  виды  знаний 
указанной 
предметной 
области, 
используется 
универсальный 
абстрактный 
язык 
семантических сетей SC-код (Semantic Computer Code). 
Таким образом, в основе проектирования интеллектуальных средств обучения  должна 
быть  четкая  модель  представления  и  организации  учебного  контента,  которая  будет  четко 
согласована с методами автоматизации процессов его создания и обработки. 
Список использованных источников: 
1. Проект «Википедия» [Электронный ресурс]. – Режим доступа: http://ru.www.wikipedia.org. 
2.  Голенков  В.В.,  Гулякина  Н.А.  Применение  технологий  искусственного  интеллекта  в 
обучении.  Сборник  научных  статей:  материалы  Международной  научной  конференции  “Четвёртые 
чтения, посвященные 70-летию со дня рождения В.А. Карпова” (19 – 20 марта 2010 г.). В 2-х частях. 
Минск, РИВШ, 2010, Ч.1. - Минск: РИВШ, 2010. 
3.  Кабак  Е.В.  Методы  и  средства  автоматизации  разработки  компьютерных  обучающих 
программных модулей: дис. … канд. техн. наук: 05.13.11/ Е.В. Кабак. – Минск, 2008. – 168 л. 
4. Проект OSTIS [Электронный ресурс]. Минск, 2010. – Электронный адрес: http://ostis.net/ 
5.  Голенков  В.В.,  Гулякина  Н.А.  Принципы  построения  массовой  семантической  технологии 
компонентного  проектирования  интеллектуальных  систем.  //  Материалы  международной  научно-

жүктеу/скачать 19,29 Mb.

Достарыңызбен бөлісу: