№ 3 (2022)

Наука о данных как самостоятельная наука зародилась в начале 2000-х годов как ответ научного сообщества на проблемы обработки больших данных. Сейчас она достигла того уровня зрелости, который делает ее наукой, которая играет важную и незаменимую роль в кластере наук, занимающихся проблемам сбора, хранения, представления и использования данных. В работе очерчиваются границы науки о данных по отношению к искусственному интеллекту. Описываются многоаспектные двухсторонние взаимосвязи науки о данных с другими смежными науками, которые работают с данными. Дается краткое введение в методологию науки о данных, характеризуются основные направления исследований. Перечисляются некоторые источники трудных проблем, решение которых можно ожидать от науки о данных.

В статье рассмотрены требования к коллаборативным человеко-машинным системам поддержки принятия решений и основные проблемы, возникающие при их создании. Показана роль методов нейро-символического искусственного интеллекта для обеспечения коммуникации между разнородными участниками коллаборативной системы поддержки принятия решений. Проведен анализ современных результатов в области онтолого-ориентированного нейросимволического искусственного интеллекта, в первую очередь, нацеленных на объяснение нейросетевых моделей с помощью онтологий и использование символьных знаний для повышения эффективности нейросетевых моделей. Предложена концептуальная модель коллаборативной человеко-машинной системы поддержки принятия решений на основе онтолого-ориентированного нейро-символического интеллекта.

Рассматривается задача многокритериального выбора в случае, когда предпочтения лица, принимающего решение (ЛПР), задаются нечетким бинарным отношением второго порядка. Предлагается алгоритм сужения множества Парето на основе нечетких квантов информации о предпочтениях ЛПР. Приводится пример его применения.

В статье рассматривается новый подход к многокритериальной оценке публикационной результативности научных подразделений организации с использованием информационных ресурсов, включающих данные о публикациях сотрудников, и метода группового вербального анализа решений АРАМИС. Информационный сервис предназначен для формирования отчетов о результатах научной деятельности организации.

Деревья решений с одномерными разделителями, применяемые при обработке разреженных данных большой размерности, характеризуются низкой вычислительной эффективностью. Деревья решений с многомерными разделителями обладают большей выразительной способностью при классификации данных, но переобучаются на небольших выборках. В статье предложен метод обучения деревьев с многомерными нелинейными разделителями, который повышает точность классификации на наборах изображений и текстов. Это достигается за счёт совместной оптимизации расстояния от объектов обучающей выборки до разделяющей поверхности и критерия неоднородности данных при построении каждого узла дерева. Эффективность метода подтверждается результатами тестов.