СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРОДУКЦИОННЫХ СИСТЕМ ДЛЯ РАБОТЫ С БОЛЬШИМИ ДАННЫМИ. КОМБИНАЦИЯ ДВУХ ПОДХОДОВ

А.Г. Гурин, А.В. Григорьев

Об авторах

А.Г. Гурин, А.В. Григорьев

Гурин А.Г. – соискатель, аспирант, ФГБОУ ВО ДонНТУ, кафедра «Программная инженерия им. Л.П. Фельдмана», 283001, Донецк, ул. Артема, 58. Область научных интересов: моделирование интеллектуальных систем, онтологии, тензорные исчисления, полугруппы, нейронные сети.

Григорьев А.В. – к.т.н. доцент, ФГБОУ ВО ДонНТУ, кафедра «Программная инженерия им. Л.П. Фельдмана», 283001, Донецк, ул. Артема, 58. Область научных интересов: интеллектуальные системы автоматизации проектирования, формальные грамматики, онтологии, нейронные сети.

Скачать PDF

УДК: 004.825
DOI: 10.24412/2413-7383-2025-4-39-15-26
Язык: Русский

Аннотация: Проведен анализ логического вывода в продукционных системах для задач обработки боль-ших данных. Несмотря на эффективность классических продукционных систем, недостаточно изученной остается комбинация двух подходов: использование И-ИЛИ-деревьев для нагляд-ного представления логики и применение тензорных представлений для повышения произ-водительности. Исследование демонстрирует взаимодополняемость данных подходов, что обосновывает возможность создания адаптивного мета-алгоритма, динамически выбираю-щего метод в зависимости от характеристик решаемой задачи. Для образовательных систем подобный гибридный подход особенно перспективен, так как позволяет сочетать высокую производительность при обработке данных с полной интерпретируемостью принимаемых решений.

Ключевые слова: продукционные системы, И-ИЛИ-дерево, тензорные представления, онтологии, образовательные системы.

Список литературы

1. Григорьев, А. В. Алгоритм выполнения теоретико-множественных операций над грамматиками в среде специализированной оболочки для создания интеллектуальных САПР // Научные труды Донецкого государственного технического университета. Серия: Проблемы моделирования и автоматизации проектирования динамических систем (МАП-2002). 2002. № 52. С. 83–93.
2. Григорьев, А. В. Упорядочивание обликов в семиотической модели САПР // Искусственный интеллект. 2005. № 4. С. 465–477.
3. Григорьев, А. В. Специфика выполнения теоретико-множественных операций над контекстно- свободными грамматиками в условиях различных форм дополнительных семантических правил в семиотической модели интеллектуальных САПР // Научные труды Донецкого национального технического университета. Серия «Проблемы моделирования и автоматизации проектирования динамических систем» (МАП — 2006). 2006. Вып. 5 (116). С. 91–104.
4. Khan M. F. Syntactic Transformation in Large Language Models (LLMs): A Transformational Generative Grammar (TGG) Perspective // Dibon Journal of Languages. 2025. Vol. 1, Issue 1. P. 24–43. DOI: https://doi.org/10.64169/djl.23.
5. Portelance E. Jasbi M. On the compatibility of generative AI and generative linguistics // Nature Computational Science. 2025. Vol. 5, No. 9. DOI: 10.1038/s43588-025-00861-2.
6. Pullum G. K. Creation Myths of Generative Grammar and the Mathematics of Syntactic Structures // The Mathematics of Language: collection of works / ed. by C. Ebert, G. Jager, J. Michaelis. – Berlin; Heidelberg: Springer, 2010. P. 238–254. (Lecture Notes in Computer Science; vol. 6149). DOI: 10.1007/978-3-642-14322-9_18. ISBN 978-3-642-14321-2.
7. Атакищев, А. О. Продукционные сети как модели генерации и анализа вариантов принимаемых управ- ленческих решений / А. О. Атакищев, С. А. Макаренков, И. М. Круглов, Д. О. Соколов // T-Comm. 2008. № 4. С. 23-24.
8. Савушкин С. А. Бородин В. А. Цыганов В. В. Информационно-логическая компонента сценарного моделирования // Информационные технологии в науке, образовании и управлении. 2021. № 1. С. 70–76. DOI: 10.47501/ITNOU.2021.1.70-76.
9. Гурин, А. Г. Обзор методов представления онтологий с физической семантикой / А. Г. Гурин, А. В. Григорьев // Современные информационные технологии в образовании и научных исследованиях: материалы VIII Всерос. науч.-техн. конф. (СИТОНИ-2023). Донецк, 2023. С. 87-92.
10. Анцыферов, С. С. Методология развития интеллектуальных систем / С. С. Анцыферов, А. С. Сигов, К. Н. Фазилова // Проблемы искусственного интеллекта. 2022. № 2 (25). С. 42–47.
11. Харламов, А. А. Перспективы развития семантических представлений, основывающиеся на тенденциях нейроинформатики // Проблемы искусственного интеллекта. 2020. № 3 (18). – С. 3–17.
12. Андриевская, Н. К. Обобщенная модифицированная модель представления текстовых информа- ционных ресурсов // Информатика и кибернетика. 2020. № 4 (22). С. 21–30.
13. Николаев, А. А. Международный опыт и перспективы использования искусственного интеллекта в образовании / А. А. Николаев, М. Ю. Кузнецов, В. А. Николаев // Управление образованием: теория и практика. 2024. Т. 14, № 5-1. DOI 10.25726/e8567-8724-8003-k. – EDN ZNISEA. Сравнительный анализ методов повышения эффективности…
14. Чудина, Е. Ю. Решение задачи оптимизации уровня учебной успеваемости и самоактуализации обучающихся на основании двухфакторной регрессии с применением метода идеальной точки // Проблемы искусственного интеллекта. 2023. № 1 (28). С. 60–68.
15. Андриевская, Н. К. Онтологический подход в системах обработки данных научных и научно- образовательных организаций // Проблемы искусственного интеллекта. 2020. № 1 (16). С. 23–36.
16. Гаркуша, Д. А. Функциональные особенности реализованных онтологических платформ // Проблемы искусственного интеллекта. 2023.№ 4 (31). С. 4–11.
17. Дорохина Г.В. Формализованные онтологии и задачи построения компьютерной информационной технологии цифрового сбора, обработки и анализа данный. Искусственный интеллект: теоретические аспекты, практическое применение: материалы Донецкого международного научного круглого стола. Донецк: ГУ ИПИИ, 2020. С. 229–234.
18. Waterman, D. A. Pattern-Directed Inference Systems / D. A. Waterman, F. Hayes-Roth. Academic Press, 1978. 680 p. ISBN 978-0-12-737550-0.
19. Shortliffe, E. H. Computer-Based Medical Consultations: MYCIN. Elsevier, 1976. 264 p. ISBN 978-0-444-00183 -0.
20. Brachman, R. J. Knowledge Representation and Reasoning / R. J. Brachman, H. J. Levesque. Morgan Kaufmann, 2004. 381 p. ISBN 978-1558609327.
21. Russell, S. Artificial Intelligence: A Modern Approach / S. Russell, P. Norvig. 4th ed. Pearson, 2020. 1136 p. ISBN 978-0134610993.
22. Люгер, Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж. Ф. Люгер; пер. с англ. М.: Вильямс, 2003. 864 с.
23. Baier, C. Principles of Model Checking / C. Baier, J. -P. Katoen. MIT Press, 2008. 975 p. ISBN 978 -0262026499.
24. Model checking [Электронный ресурс] // Wikipedia. URL: https://en.wikipedia.org/wiki/Model_checking (дата обращения: 25.09.2024).
25. Метод генерации тестовых заданий на основе деревьев И/ИЛИ и его программная реализация [Электронный ресурс] // Habr. URL: https://habr.com/ru/articles/198068/ (дата обращения: 25.09.2024).
26. Nilsson, N. J. Principles of Artificial Intelligence. Springer, 1982. 476 p. ISBN 978-3-540-11340-1.
27. Полетаев А.Ю. Парамонов И.В. Бойчук Е.И. Алгоритм построения дерева синтаксических единиц русскоязычного предложения по дереву синтаксических связей // Информатика и автоматизация. 2023. Т. 22. № 6. С. 1323-1353. DOI: 10.15622/ia.22.6.3.
28. Румянцев, В. В. Моделирование физических объектов / В. В. Румянцев, С. А. Федоров, А. Е. Рыбалка // Проблемы искусственного интеллекта. 2023. № 1 (28). С. 50–59.
29. Андриевская, Н. К. Гибридная интеллектуальная мера оценки семантической близости / Н. К. Андриевская // Проблемы искусственного интеллекта. 2021. № 1 (20). С. 4–17.
30. Newell, A. Human Problem Solving. The state of the theory in 1970 / A. Newell, H. A. Simon // American Psychologist. 1971. Vol. 26, no. 2. P. 145–159.
31. Laird, J. E. SOAR: An Architecture for General Intelligence / J. E. Laird, A. Newell, P. S. Rosenbloom // Artificial Intelligence. 1987. Vol. 33, no. 1. P. 1–64.
32. Rocktäschel, T. End-to-End Differentiable Proving / T. Rocktäschel, S. Riedel // Advances in Neural Information Processing Systems 30 (NIPS 2017). 2017. P. 3788–3800.
33. Salton, G. Introduction to Modern Information Retrieval / G. Salton, M. J. McGill. McGraw-Hill, 1983.
34. p. – ISBN 0070544840.
35. Strang, G. Linear Algebra and Its Applications. 4th ed. Thomson Learning, 2006. 487 p. ISBN 978 -0030105678.
36. Maida, A. S. Intensional Concepts in Propositional Semantic Networks / A. S. Maida, S. C. Shapiro // Cognitive Science. – 1982. – Vol. 6, no. 4. – P. 291–330.
37. Agrawal, R. Fast algorithms for mining association rules in large databases / R. Agrawal, R. Srikant // Proceedings of the 20th International Conference on Very Large Data Bases (VLDB). 1994. P. 487–499.
38. Kolda, T.G. Tensor Decompositions and Applications / T.G. Kolda, B.W. Bader // SIAM Review. 2009. – Vol. 51, no. 3. P. 455–500.
39. Дзебоев, Д. И. Тензориальная алгебра / Д. И. Дзебоев // Проблемы искусственного интеллекта. 2025. № 3 (38). С. 11–18.
40. Воробьева Г. Р. Воробьев А. В. Орлов Г. О. Концепция обработки, анализа и визуализации гео- физических данных на основе элементов тензорного исчисления // Информатика и автоматизация. 2024. Т. 23. № 2 С. 572–604. DOI: 10.15622/ia.23.2.10.
41. Рыбалов А. Н. О генерической сложности проблемы вхождения для полугрупп целочисленных

Выпуск: 4(39)'2025
Раздел: Искусственный интеллект и машинное обучение
Как цитировать: А.Г. Гурин, А.В. Григорьев. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРОДУКЦИОННЫХ СИСТЕМ ДЛЯ РАБОТЫ С БОЛЬШИМИ ДАННЫМИ. КОМБИНАЦИЯ ДВУХ ПОДХОДОВ // Проблемы искусственного интеллекта. - 2025. - № 4 (39). - С. 15-26. - https://paijournal.guiaidn.ru/ru/2025/4(39)-2.html

Назад к выпуску 4(39)'2025