РОЛЕВЫЕ МОДЕЛИ АГЕНТОВ СИСТЕМЫ МОДЕЛИРОВАНИЯ ПРОЦЕССА ОБНОВЛЕНИЯ УЧЕБНЫХ ДИСЦИПЛИН С УЧЁТОМ ТРЕБОВАНИЙ ПРЕДПРИЯТИЙ

О журнале

Новости

Цели и сфера

Основатель и издатель

Редакционная коллегия

Условия лицензирования

Конфиденциальность

Отношение к плагиату

Публикационная этика

Политика архивирования

Подписка

Для авторов

Инструкции для авторов

Процесс рецензирования

Авторские права

Договор о передаче прав

Редакционные сборы

Архив

Все выпуски

Поиск

Контакты

Контакты

Федяев Олег Иванович
к.т.н., доцент
Федеральное государственное бюджетное образовательное учреждение «Донецкий национальный технический университет», г.Донецк.
Область научных интересов: искусственный интеллект, нейронные сети, компьютерное зрение, многоагентные системы.

Мелещенко Николай Владимирович
аспирант
Федеральное государственное образовательное учреждение «Донецкий университет», г. Донецк.
Область научных интересов: искусственный интеллект, машинное обучение, многоагентные системы.

Скачать pdf

УДК 4.853
DOI 10.24412/2413-7383-12-25
Язык: Русский
Аннотация: Формализован процесс извлечения новых компетенций из текстов рекомендаций предприятий к выпускникам университета. Это позволит своевременно обновлять учебные программы дисциплин выпускающей кафедры университета с учётом требований рынка труда. Постав- ленная задача решена путём компьютерной обработки текстов рекомендаций на естест- венном языке методами машинного обучения. Алгоритм её решения реализует специальный программный агент с BDI-архитектурой во взаимодействии с другими агентами, имитирую- щими роли предприятий и преподавателей на основе принципа ограниченной рациональ- ности. Проведены экспериментальные исследования разработанных алгоритмов и программ.
Ключевые слова: кафедра университета, требования предприятий, учебные программы дисциплин, извлечение знаний из текста, машинное обучение, программные агенты.

Список литературы:
1. Федяев, О. И. Машинное обучение агентов для моделирования процесса обновления рабочих программ дисциплин с учётом требований предприятий / О. И. Федяев, Н. В. Мелещенко // Инжиниринг предприятий и управление знаниями (ИП&УЗ-2024) : сборник научных трудов XXVII Российской научной конференции : в 2 т., Москва, 28–29 ноября 2024 года. – Москва: Российский экономический университет имени Г.В. Плеханова, 2024 – С. 337-344. – EDN PFRTKS.
2. Мелещенко, Н. В. Определение семантической эквивалентности текстов требований предприятий и рабочих программ дисциплин / Н. В. Мелещенко, О. И. Федяев // Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС-2024) : V Международная научно-практическая конференция, сборник материалов и докладов, Т.1, г. Донецк, 27-28 ноября 2024 г. – Донецк, ФГБОУ ВО «ДонНТУ», 2024.- С. 158-165.
3. Андриевская, Н. К. Гибридная интеллектуальная мера оценки семантической близости / Н. К. Андриевская // Проблемы искусственного интеллекта. – 2021 – № 1(20). – С. 4-17. – EDN ZDZKGK.
4. Бурлаева, Е. И. Проект построения алгоритма классификации текстовых документов / Е. И. Бурлаева, В. Н. Павлыш // Проблемы искусственного интеллекта. – 2017 – № 4(7). – С. 24-31. – EDN YWZSON.
5. Бурлаева, Е. И. Сравнение некоторых методов машинного обучения для анализа текстовых документов / Е. И. Бурлаева, С. А. Зори // Проблемы искусственного интеллекта. – 2019 – № 1(12). – С. 42-51. – EDN WAKKYA.
6. Пикалев, Я. С. Разработка системы нормализации текстовых корпусов / Я. С. Пикалев // Проблемы искусственного интеллекта. – 2022 – № 2(25). – С. 64-78. – EDN CNHKBN.
7. Построение графов знаний нормативной документации на основе семантического моделирования и автоматического извлечения терминов / Д. И. Муромцев, И. А. Шилин, Д. А. Плюхин [и др.] // Научно- технический вестник информационных технологий, механики и оптики. – 2021 – Т. 21, № 2 – С. 256- 266 – DOI 10.17586/2226-1494-2021-21-2-256-266. – EDN KCXQLE.
8. Методы и модели извлечения знаний из медицинских документов / Р. Х. Зулкарнеев, Н. И. Юсупова, О. Н. Сметанина [и др.] // Информатика и автоматизация. – 2022 – Т. 21, № 6 – С. 1169-1210. – DOI
10.15622/ia.21.6.4. – EDN ASOOVS.
9. Semantic Text Analysis Using Artificial Neural Networks Based on Neural-Like Elements with Temporal Signal Summation / A. Kharlamov, E. Samaev, D. Kuznetsov, D. Pantiukhin // Problems of Artificial Intelligence. – 2023 – No. 3(30). – P. 4-27. – DOI 10.34757/2413-7383.2023.30.3.001. – EDN YDFBKG.
10. Кленин, Ю. Д. Активное обучение для извлечения знаний из описаний образовательных курсов в условиях малых объёмов данных / Ю. Д. Кленин // Онтология проектирования. – 2019 – Т. 9, № 4(34). – С. 522-535. – DOI 10.18287/2223-9537-2019-9-4-522-535. – EDN NOWPRQ.
11. Кобышев, К. С. Анализ и классификация алгоритмов извлечения отношений из текстовых данных / К. С. Кобышев, С. А. Молодяков // Современная наука: актуальные проблемы теории и практики. Серия: Естествен- ные и технические науки. – 2021 – № 5 – С. 71-79. – DOI 10.37882/2223-2966.2021.05.15. – EDN KXLLZK.
12. Мусаев, А. А. Обзор современных технологий извлечения знаний из текстовых сообщений / А. А. Мусаев, Д. А. Григорьев // Компьютерные исследования и моделирование. – 2021 – Т. 13, № 6 – С. 1291- 1315 – DOI 10.20537/2076-7633-2021-13-6-1291-1315. – EDN HDOMZN.
13. Николаев, И. Е. Метод извлечения знаний и навыков/компетенций из текстов требований вакансий / И. Е. Николаев // Онтология проектирования. – 2023 – Т. 13, № 2(48). – С. 282-293. – DOI 10.18287/2223- 9537-2023-13-2-282-293. – EDN DLDZBI.
14. Герасименко, Е. М. Алгоритм поиска и приобретения знаний на основе технологий обработки и анализа текстов на естественном языке / Е. М. Герасименко, Ю. А. Кравченко, Д. А. Шаненко // Известия ЮФУ. Технические науки. – 2024 – № 5(241). – С. 88-102. – DOI 10.18522/2311-3103-2024-5-88-102. – EDN GMUMBY.
15. Словохотов, Ю. Л. Распределенный интеллект мультиагентных систем. Ч. 1 Основные характеристики и простейшие формы / Ю. Л. Словохотов, Д. А. Новиков // Проблемы управления. – 2023 – № 5 – С. 3- 22 – DOI 10.25728/pu.2023.5.1. – EDN CFQKJZ.
16. Словохотов, Ю. Л. Распределенный интеллект мультиагентных систем. Ч. 2 Коллективный интеллект социальных систем / Ю. Л. Словохотов, Д. А. Новиков // Проблемы управления. – 2023 – № 6 – С. 3-21. – DOI 10.25728/pu.2023.6.1. – EDN FYEXEW.
17. Листопад, С. В. Архитектуры интеллектуальных агентов сплоченных гибридных интеллектуальных многоагентных систем / С. В. Листопад, И. А. Кириков // Системы и средства информатики. – 2022 – Т. 32, № 2 – С. 81-91. – DOI 10.14357/08696527220208. – EDN HXTARF.
18. Листопад, С. В. Базовая архитектура рефлексивно-активных систем искусственных гетерогенных интеллектуальных агентов / С. В. Листопад // Информатика и ее применения. – 2024 – Т. 18, № 3 – С. 89-96. – DOI 10.14357/19922264240311. – EDN UNTQBV 19. Чернышев, С. А. Классификация общих шаблонов проектирования мультиагентных систем / С. А. Чернышев // Программные продукты и системы. – 2022 – № 4 – С. 670-679. – DOI 10.15827/0236- 235X.140.670-679. – EDN XYYQOG.
20. Макаренко, С. И. Семантическая совместимость человеческих агентов при обеспечении интеро- перабельности в сетецентрических системах / С. И. Макаренко // Журнал радиоэлектроники. – 2022 – № 1 – DOI 10.30898/1684-1719.2022.1.1. – EDN TQGBHN.
21. Шилов, Н. В. Алгоритмы для BDI-агентов, основанные на знаниях / Н. В. Шилов, Н. О. Гаранина // Моделирование и анализ информационных систем. – 2020 – Т. 27, № 4 – С. 442-453. – DOI 10.18255/1818-1015-2020-4-442-453. – EDN NRGOSJ.

Выпуск: 1(36)'2025
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Федяев О. И., Мелещенко Н.В. РОЛЕВЫЕ МОДЕЛИ АГЕНТОВ СИСТЕМЫ МОДЕЛИРОВАНИЯ ПРОЦЕССА ОБНОВЛЕНИЯ УЧЕБНЫХ ДИСЦИПЛИН С УЧЁТОМ ТРЕБОВАНИЙ ПРЕДПРИЯТИЙ // Проблемы искусственного интеллекта. 2025. №1.

Назад к выпуску 1(36)'2025