что такое онтологическая модель

Онтологическое моделирование: цели и средства

Компьютер и мыслительные задачи

Эта страница представляет собой главу из нашего методического пособия
«Введение в онтологическое моделирование» (нажмите для перехода к полной версии в формате PDF).

Писателям-фантастам XX века казалось, что развитие вычислительных машин приведет к появлению интеллектуальных помощников человека, которые будут решать за него многие мыслительные задачи. Возможности сегодняшней техники превышают самые смелые прогнозы многих из этих авторов: компьютер умещается на ладони, всемирная сеть доступна практически везде. При этом для решения аналитических задач мы в большинстве случаев по-прежнему пользуемся в лучшем случае электронными таблицами вроде Excel. Это особенно заметно в бизнес-среде, где цена (не)правильно принятого решения имеет совершенно осязаемый эквивалент в виде многомиллиардных прибылей или убытков. Тем не менее, развитие информационной инфраструктуры бизнеса завязло на пути создания крупных «трехбуквенных систем» (ERP, CRM и т.д.), на которые тратятся огромные средства, но которые не способны дать организации-владельцу ничего особенно «интеллектуального». Современные системы «бизнес-аналитики» (BI) в основном заняты вычислением значений количественных показателей, часто имеющих весьма слабое отношение к описанию реальности, и манипулированию ими.

Отличным примером служит любимый бизнесом показатель EBITDA: он характеризует прибыль, и по этой причине часто используется, например, в качестве базы для начисления бонусов топ-менеджерам. Однако он не характеризует эффективность работы менеджера в том смысле, в каком ее интуитивно оценивает собственник: ведь путем уменьшения расходов можно увеличить значение EBITDA. Это всегда интересно менеджеру, но не всегда верно с точки зрения стратегического развития предприятия. А уж при расчете этого показателя по подразделениям компании возможности манипуляции открываются широчайшие. В большинство статей доходов и расходов вносят вклад сразу несколько подразделений, настройкой алгоритма расчета можно легко «награждать» фаворитов и «наказывать» неугодных. Разумеется, подобные маневры не имеют ничего общего с достижением реальной эффективности работы предприятия.

Еще рельефнее видны методологические проблемы при попытках решать оптимизационные задачи количественными методами. Типичный подход к этому вопросу состоит в формулировании «целевой функции», которая представляет собой описание какого-либо качественного состояния системы, представленного в виде числа – например, «обеспеченность населения такими-то услугами». Далее, также в количественной форме, задаются ограничения, варьируемые параметры, и после вычислений получается некий набор «оптимальных» решений. Однако их практическое воплощение часто приводит к результатам, противоположным поставленным целям, или имеет серьезные побочные последствия. Например, легко может оказаться, что «средняя температура по больнице» – обеспеченность услугами – достигла нужных значений, но определенным группам населения они стали вовсе недоступны. Или же качество этих услуг снизилось настолько, что они практически потеряли смысл для потребителей. Легко понять, что корень проблемы лежит в слишком серьезных модельных допущениях, которые были сделаны при формализации целевого параметра.

Указанные методические проблемы напрямую связаны с вычислительными возможностями – точнее, с ограниченностью той их части, которую освоило бизнес-сообщество. Ведь если более сложный и достоверный алгоритм расчета какого-либо показателя нельзя, по мнению бизнес-заказчика, реализовать в информационной системе – это обосновывает применение неверного, грубого, но технологически понятного способа расчета. Таким образом, в сущности, в сфере бизнеса человек пока по-настоящему доверил компьютеру только одну функцию – складывать и вычитать числа. Все остальное он по-прежнему делает сам, и делает, в большинстве случаев, не слишком качественно.

Разумеется, мы говорим только об общей тенденции; есть немало контрпримеров реализации по-настоящему эффективных систем, помогающих оптимизировать те или иные процессы, но почти все такие системы имеют узкую отраслевую направленность, и содержат жестко запрограммированные алгоритмы решения задач. Таким образом, системного влияния на положение дел они не оказывают.

Что же нужно сделать для того, чтобы компьютер стал по-настоящему помогать нам в решении интеллектуальных бизнес-задач, смог поддерживать принятие решений в любых сферах? Необходимо вдохнуть в него «искру разума», то есть научить его «думать», как мы. Фактически, для этого нужно воспроизвести в цифровом представлении те информационные структуры и процессы, которыми мы сами пользуемся в процессе мышления: понятийный аппарат, логические рассуждения. Тогда мы сможем реализовать и процессы обработки этих структур, то есть имитировать на компьютере отдельные фрагменты наших когнитивных способностей. После этого, получив определенные результаты, мы сможем критически посмотреть на смоделированные структуры и процессы, и улучшить их. В сочетании с недоступной человеку способностью вычислительных машин к быстрой обработке огромных объемов информации, такой подход обещает дать небывало высокий уровень качества поддержки принятия решений со стороны информационных систем.

Мы не случайно привели именно логическое мышление в качестве примера когнитивного процесса, который можно воспроизвести в вычислительной среде. Существуют и другие подходы, наиболее популярным из которых является использование нейросетей – то есть имитация процессов, происходящих при взаимодействии нейронов в головном мозгу. При помощи такого рода средств успешно решаются задачи распознавания образов, речи и т.д. Можно «обучить» нейросети и для применения в качестве средства поддержки принятия решений. Однако с ростом числа факторов, требуемых для оценки ситуации, сложности их структуры, способов влияния на ситуацию, возможности нейросетей становятся все менее убедительными: на обучение требуется больше времени, получаемые результаты носят вероятностный характер, не обеспечивают логической доказуемости. Выход за пределы заранее ограниченного круга ситуаций приводит к невозможности получить от нейросети результат, пригодный для практического использования. Имитация же логического мышления свободна от большинства этих недостатков, а коррекция логической схемы при изменении условий требует куда меньше усилий, чем переобучение нейросети. Зато при составлении логических моделей принципиально важным становится их корректность, непротиворечивость, релевантность, зависящая от человека – автора модели.

Одна из главных особенностей человеческого сознания состоит в том, что оно лениво. Наш мозг отсекает все «лишнее», сводя наше представление о событиях и явлениях к довольно простым определениям. Мы видим только черное и белое, и принимаем решения, исключив из рассмотрения подавляющее большинство объективной информации.

Этим же грехом человек страдает при анализе бизнес-процессов и сред. Вместо того, чтобы воспринимать бизнес как сложную систему, не поддающуюся упрощению дальше определенного предела без критической потери достоверности результатов аналитики, человек старается свести все критерии оценки и управления к нескольким числовым показателям. Таким образом удается упростить получаемую модель, снизить затраты на ее создание. Но поступающим так не следует удивляться, когда их прогнозы не оправдываются, а решения, принятые на основании моделирования оказываются неверными.

Главный принцип качественной аналитики, управления, основанного на знаниях, звучит так: НЕ УПРОЩАТЬ модель без необходимости.

Онтологическое моделирование: цели и средства

К сожалению, распространенные сегодня компьютерные технологии не благоприятствуют реализации этого принципа. Если в качестве инструмента анализа нам доступен только Excel или реляционные базы данных – описание бизнеса неизбежно придется сводить к ограниченному набору числовых показателей. Поэтому одной из наиболее актуальных проблем развития ИТ в настоящий момент является доведение до широкой промышленной эксплуатации таких технологий, которые позволяют строить действительно сложные и комплексные информационные модели, и решать с их помощью те оптимизационные, аналитические, оперативные задачи, перед которыми другие технические средства оказываются бессильны.

Многообещающим, но несколько недооцененным на сегодняшний день направлением решения этой задачи является использование так называемых семантических технологий. Идеи автоматизированной обработки концептуализированного знания неоднократно выдвигались мыслителями начиная с эпохи Возрождения, ограниченно использовались в лучшие годы советской плановой экономики, но до действительно функционального воплощения доросли только сейчас. На сегодняшний день созданы все необходимые компоненты методики и технологий, необходимых для работы с онтологическими моделями, которые являются предметом обработки с помощью семантических технологий. Слово «онтология» означает совокупность знаний; термин «семантические технологии» подчеркивает тот факт, что они обеспечивают работу со смыслом информации. Таким образом, переход с традиционных ИТ на семантические технологии является переходом от работы с данными к работе со знаниями. Разница между этими двумя терминами, которые здесь мы используем исключительно в применении к содержанию информационных систем, подчеркивает отличие в способе использования информации: для восприятия и использования данных необходим человек, субъект, которому приходится выполнять при этом операцию осмысления, выявления смысла данных, и его переноса на интересующую часть реальности. Знания же могут восприниматься непосредственно, так как они уже представлены при помощи того понятийного аппарата, которым пользуется человек. Кроме того, с представленными в электронном виде знаниями (онтологиями) могут выполняться и полностью автоматические операции – получение логических выводов. Результатом этого процесса являются новые знания.

Аналитики Gartner называли семантические технологии одним из наиболее многообещающих ИТ-трендов 2013 года, однако их оптимизм оказался преждевременным. Почему? Все по той же причине – человек ленив, а создание семантических моделей требует серьезных умственных усилий. Тем больше выгод и преимуществ перед конкурентами получат те, кто предпримет эти усилия, и трансформирует их в реальный бизнес-результат.

Говоря об оптимизации, достижении оптимального результата мы всегда имеем в виду, что этот результат является таковым только с точки зрения определенного субъекта, который совпадает для нас с владельцем или пользователем информационной системы. Могут быть реализованы средства балансирования интересов разных субъектов, но только в том случае, если этот баланс сам по себе отвечает интересам владельца системы. Именно по этой причине мы в основном будем рассматривать примеры и ситуации из бизнес-контекста, где интересы субъектов предельно понятны и общеприняты.

По нашему мнению, ни одна информационная система не должна претендовать на замещение волевых актов людей или групп – таких, как принятие политических решений, выбор личной судьбы, формулирование или популяризацию ценностных установок.

Источник

Онтологии в информационной безопасности

Как онтологии могут помочь быстрее и лучше защищать мир от угроз — и не только.

В «Лаборатории Касперского» мы регулярно анализируем новые технологии и ищем им применение в сфере кибербезопасности. В этом посте я хочу рассказать о том, как для нужд безопасности можно использовать онтологии — и что это вообще такое. Пусть этот подход пока не очень популярен (это лишь вопрос времени), однако он способен существенно упростить и ускорить многие процессы.

Что такое онтология — с точки зрения информационных систем

Чем могут быть полезны онтологии в информационных системах? Тем, что, используя специальный язык (например, OWL, Web Ontology Language), можно разработать инструменты описания и анализа онтологий для выявления скрытых связей, недостающих деталей или других неочевидных вещей. Если вернуться к примеру с комиксами: с помощью анализа онтологии вселенной «Марвел» мы сможем найти наилучшую команду из супергероев и одержать победу над врагом с минимальными усилиями.

Например, для этого нам подошла бы платформа Protégé, разработанная в Стэнфордском университете. Изначально она предназначалась для анализа биомедицинских данных, а в настоящее время это бесплатный проект с открытым исходным кодом для создания онтологий любых областей знаний.

В чем разница между онтологиями и машинным обучением?

Вам может показаться, что у инструментов для работы с онтологиями много общего с алгоритмами машинного обучения, но есть существенное различие. Модели машинного обучения анализируют большой массив данных — и на его основе делают прогноз относительно новых объектов. Например, модель просматривает 100 вредоносных писем и выделяет в них конкретные параметры. Когда модель видит новое электронное письмо с некоторыми из этих параметров, она делает вывод, что оно тоже вредоносное.

Онтология тоже анализирует данные, но вместо прогнозов она указывает на информацию, которая логически вытекает из заданных параметров. Она не учится и не использует предыдущий опыт для анализа информации. Если мы укажем в онтологии, что письмо А — фишинговое и что все фишинговые письма вредоносные, а затем заявим, что письмо В — фишинговое, то онтология предложит единственный логический вывод: письмо В — вредоносное. Если мы предложим проанализировать письмо С, но не дадим никаких характеристик, результат будет нулевым.

Онтологии и машинное обучение могут отлично дополнять друг друга: например, онтологии позволяют оптимизировать и ускорять модели машинного обучения. Благодаря имитации логических рассуждений и способности автоматически классифицировать и связывать информацию они значительно упрощают процесс обучения моделей. А использование онтологических аксиом — правил, описывающих взаимоотношение понятий, — помогает сузить область поиска решения, тем самым сэкономив время.

Как еще можно использовать онтологии в кибербезопасности?

В кибербезопасности онтологии также используются для выявления скрытых возможностей или слабых сторон. При помощи онтологий можно проанализировать инфраструктуру компании с точки зрения защищенности от конкретной киберугрозы, например программ-вымогателей. Для этого на платформе создаем онтологию (подробное описание) мер защиты от вымогателей и синхронизируем со списком действующих защитных мер организации.

Точно таким же образом, как и в примере с анализом героев «Марвел», онтология покажет, достаточно ли защищена инфраструктура и требуются ли доработки. Аналогично можно протестировать, отвечает ли система ИТ-безопасности стандартам IEC, NIST или другим. Это же можно делать и вручную, но такая проверка будет гораздо дольше и затратнее.

Также онтологии упрощают жизнь специалистов по информационной безопасности еще и в том плане, что они позволяют им говорить друг с другом на одном языке. Онтология кибербезопасности поможет узнать о проблемах и атаках, с которыми сталкивались другие специалисты, и грамотно внедрить защитные меры. Кроме того, онтологии полезны при создании архитектуры информационной безопасности с нуля — имея систематизированное представление обо всех уязвимостях, атаках и их связях, эксперты могут эффективней выстраивать защиту.

Может показаться, что онтологии — это что-то далекое и сложное, но поверьте, вы сталкиваетесь с ними почти каждый день. Например, когда ищете что-то в Интернете. Именно онтологии лежат в основе семантического поиска. Проще говоря, они позволяют обрабатывать запрос целиком, а не через значение отдельных слов, что значительно улучшает качество поисковой выдачи. Аналогичные технологии использует Pinterest — социальная сеть для обмена изображениями. Она анализирует действия и реакции своих пользователей, а затем использует эти данные для совершенствования рекомендаций и таргетированной рекламы.

Это далеко не все примеры использования онтологий — они могут применяться в самых разных областях. Мы в «Лаборатории Касперского» заинтересованы не только перспективой развития онтологий в кибербезопасности, но и за ее пределами — это огромные возможности для бизнеса.

Источник

Ключ к гиперавтоматизации: онтологические модели

Всепроникающая цифровизация, о которой сегодня много говорят применительно к корпоративному сектору, требует новых подходов и архитектур поддержки работы с информацией, среди которых — онтологические модели и графовые базы данных.

Все, что можно автоматизировать, должно быть автоматизировано с одновременной оптимизацией бизнес-процессов. Однако нишевая автоматизация не может стать основой интеграции, необходима гиперавтоматизация, получившая реальное подкрепление в виде онтологического подхода к описанию предметной области и графовых баз, как адекватный инструмент реализации масштабных проектов.

Современные корпоративные ИТ представляют собой множество методов и инструментов обработки одних и тех же корпоративных данных. Различные модные технологии и методологии направлены на улучшение существующего состояния дел путем автоматизации определенных операций. Например, для решения меняющихся бизнес-задач активно развиваются модульные подходы к автоматической компоновке и перекомпоновке прикладных систем (Kubernetes — автоматизация развертывания, масштабирования и управления контейнеризованными приложениями), а специалисты в области машинного обучения стремятся внести элементы автоматизации в выполнение рутинных операций в зависимости от условий решаемых задач. Однако нишевая автоматизация не может стать основой интеграции, и именно такая разрозненность стала сегодня основной стратегической проблемой корпоративных ИТ. Аналитики Gartner назвали гиперавтоматизацию одной из ключевых современных технологических тенденций: все, что можно автоматизировать, должно быть автоматизировано с одновременной оптимизацией бизнес-процессов. Иными словами, аналитики объявили бой унаследованным, неоптимальным для поддержки меняющихся бизнес-процессов системам, не указав, правда, как его выиграть.

Дата-центрическая архитектура

Корпоративные данные имеют ряд свойств, которые необходимо учитывать при создании ИТ-архитектуры цифрового предприятия.

Комплексная информатизация и цифровые бизнес-процессы коренным образом меняют парадигму обработки корпоративных данных. Если раньше было достаточно экономично хранить данные и обеспечивать доступ к ним, то сегодня ключевым становится повторное использование уже имеющихся данных, причем в разных контекстах.

Компании собирают все более крупные и детализированные массивы сведений о своих операциях, клиентах, участниках внутренних и внешних бизнес-процессов, объектах бизнес-операций и их характеристиках, в том числе с учетом всей истории. Однако об эффективности использования этих данных говорить не приходится, хотя и имеются попытки работать с обезличенными данными, накопленными сторонними организациями и компаниями, что предполагает экспоненциальный рост количества внутренних интеграций между различными прикладными системами. Отсюда вытекает другое ключевое свойство современных корпоративных данных — связанность. Связи между данными порождают, в частности, аналитические умозаключения и новые расчетные характеристики, обогащающие исходные данные и фактически превращающие корпоративные данные в корпоративные знания.

Переиспользование и связанность меняют представления о необходимой ИТ-архитектуре: важными становятся не сами данные, а их модель.

Наилучшим образом требованиям гиперавтоматизации отвечает дата-центрическая архитектура [1] поддержки логической связанности всех данных и обеспечения работы с ними разнообразных приложений, включая прогнозную аналитику и ПО машинного обучения.

Для создания единого описания данных, обеспечивающего поддержку их связанности и повторного использования, отлично подходят семантические модели [2], фактически добавляющие в структуру корпоративной информационной системы новый уровень — виртуальные сущности (образы сущностей реального мира: деталь, прибор, сотрудник и т. д.) и связи между ними.

Онтологические модели — наиболее развитый сегодня вариант семантического описания предметной области, формализующий знания о ней. В общем случае они включают словарь терминов предметной области и множество их логических взаимосвязей. В этом качестве онтологии претендуют на роль универсальной модели представления знаний для различных предметных областей. Критически важно, что онтологические модели пригодны для машинной обработки и поэтому обеспечивают возможность автоматической работы со знаниями (логический вывод) с целью получения нового знания в стиле, подобном логическим рассуждениям человека-эксперта.

Яркий представитель семантической парадигмы компьютерных ресурсов — Semantic Web, который базируется на онтологических ресурсах и специально разработанном для них консорциумом W3C языке онтологий Web Ontology Language (OWL), ставшем стандартом для многих технологических направлений (информационный поиск в больших массивах неструктурированных данных, обработка текстов на естественном языке и пр.), где используются специальные лингвистические онтологии. Онтологические модели также применяются в корпоративных информационных системах, в которых остро стоит проблема интеграции данных из разнородных источников.

Средством интеграции данных в виде логически организованной структуры для облегченного доступа и обмена в распределенной среде является матрица данных (data fabric) — с ней бизнес-пользователи встречаются при работе с «графом знаний» (knowledge graph) [3], визуализирующим объекты и отношения, описывающие знания той или иной онтологической модели. По сути, в корпоративной информационной системе появляется новый уровень абстракции — семантический, что открывает следующие возможности:

В целом онтологии выполняют функцию интеграции, обеспечивая общий семантический базис в процессах принятия решений и интеллектуального анализа данных, а также единую платформу для объединения разнообразных информационных систем. При этом появляется возможность естественным образом решать ряд актуальных для ИТ-подразделения задач.

Обеспечение системного подхода к накоплению данных. Не секрет, что сегодня огромные усилия ИТ-департаментов тратятся на очистку сырых данных, их проверку и валидацию. Мышление в терминах моделей принципиально меняет ситуацию: появляется унификация при описании различных данных с учетом их семантики.

Создание отраслевых и типовых корпоративных моделей данных. Такие модели модифицируют при появлении новых бизнес-задач путем добавления необходимых атрибутов, сущностей и связей.

Реализация простых и удобных механизмов работы с данными, доступных из единой витрины, формируемой из распределенного децентрализованного хранилища для поддержки разнообразной аналитической обработки и обогащения данных новыми аналитическими признаками. Это открывает возможности для создания прогнозных моделей любой сложности в интуитивно понятной форме, доступной бизнес-пользователям.

Обеспечение естественной среды консолидации и обмена опытом сотрудников. Эта задача приобретает особую значимость по мере роста мобильности бизнеса.

Рис. 1. Элементы семантической структуры дата-центрического корпоративного хранилища

Иными словами, онтологические модели становятся посредниками между бизнес-пользователями и информационной системой. В частности, функции описания и управления бизнес-логикой могут перейти к бизнес-сотрудникам, а это не что иное, как один из вариантов реализации подхода Low-code к передаче функции автоматизации бизнес-процессов от ИТ-специалистов к бизнес-пользователям. Онтологии позволяют устранить искусственное разделение функционала бизнес-аналитиков и ИТ: первые могут теперь сами управлять структурой данных, внося изменения в онтологию, которая описывает и структуру данных, и логику их обработки.

Так на основе онтологических моделей создается семантическая структура единого дата-центрического корпоративного хранилища, ориентированного на совместное использование единого пространства данных. На базе этого хранилища могут быть сформированы цифровые образы сущностей реального мира (цифровые клиенты, цифровые продукты и сервисы, цифровые «вещи», цифровые бизнес-процессы) и объединены в цифровые комплексы и экосистемы (рис. 1).

Роль бизнес-процессов

Цифровые бизнес-процессы в семантической архитектуре играют роль связующего звена отдельных «вещей» и прочих объектов (сущностей), участвующих в цифровой бизнес-деятельности предприятий. Эта роль становится еще более важной по мере роста детализации информационных объектов — например, при создании цифрового двойника предприятия.

Рис. 2. Эволюция BPMS

Современная цифровая платформа управления бизнес-процессами включает, в частности, управление регламентами бизнес-процессов, поручениями и кейсами (Adaptive Case Management, ACM), документооборотом, задачами и ресурсами и обеспечивает интеграцию с механизмами Интернета вещей и RPA, а также быстрое создание и изменение цифровых решений для любых предметных областей, в том числе за счет механизмов Low-code. В результате ядром гиперавтоматизации становится BPMS (рис. 2).

Семантические подходы становятся ключом к реализации концепции гиперавтоматизации, интегрируя в единое целое различные технологии на базе единого семантического поля (онтологические модели и графовые базы).

Практическая реализация

Рис. 3. ИТ-архитектура на основе графовой базы с децентрализованной логикой back-end

Для реализации онтологической модели используются графовые базы данных, такие как HyperGraphDB — модель мультиграфа, ArangoDB и OrientDB — мультимодельные СУБД, GraphX — распределенный фреймворк для работы с графами в экосистеме Hadoop, использующий вычислительный механизм Spark. Все графовые базы обеспечивают поддержку децентрализованной структуры данных и распределенных структур (рис. 3). Если логика работы бизнес-приложений децентрализована, то NP-полные (позволяющие решить любую вычислительную задачу) смарт-контракты, такие как Ethereum, EOS или Cardano, могут ее поддерживать на нативном языке. Кроме того, в таких базах реализованы связанность данных через семантический слой ИТ-архитектуры и хранение как структурированной, так и неструктурированной информации. Все эти свойства — ключевые для онтологических моделей.

Поскольку главная особенность графовой базы данных — описание связей (отношений) между объектами предметной области, в ней могут размещаться данные любых типов, а также любые базовые интеллектуальные комплексы онтологий. По этой причине графовые базы достаточно гибкие и позволяют автоматически осуществлять логический вывод — решать на основе данных онтологического хранилища такие интеллектуальные задачи, как управление цепочкой розничных поставок или поддержка принятия решений при обслуживании цифровых месторождений.

Идея гиперавтоматизации, связанная с тотальной цифровизацией объектов и процессов в корпоративных информационных системах, получила реальное подкрепление в виде онтологического подхода к описанию предметной области и графовых баз как адекватного инструмента реализации масштабных проектов. Как подход, так и инструменты станут набирать популярность по мере того, как бизнес будет двигаться к гиперавтоматизации. Графовые базы применяются в Facebook — для управления социальной сетью, а в Amazon — для работы рекомендательного сервиса. В «Сбере» экспериментируют с прототипом бизнес-решения на основе сверхбольших графов, рассчитывая с их помощью решать в интерактивном режиме задачи с миллиардами связей: от поиска аффилированных лиц и организаций, до продуктовых рекомендаций. На основе графовой базы и онтологической модели данных работает российская BPMS-система Comindware Business Application Platform категории Low-code, которая позволяет бизнес-аналитикам создавать без посредников отраслевые решения на базе семантического содержания и менять их бизнес-логику с минимальным привлечением ИТ-специалистов.

Источник

• ← что такое маловесный плод
• что такое гинекологическое зеркало →