НОВЕ (ДРУГЕ) НАРОДЖЕННЯ МОВИ «ПРОЛОГ» (PROLOG) В КОНТЕКСТІ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ
DOI:
https://doi.org/10.32689/maup.it.2022.1.2Ключові слова:
штучний інтелект, мова «Пролог», система підтримки рішень, дедуктивне, індуктивне, гібридне машинне навчанняАнотація
Анотація. Штучний інтелект і машинне навчання мають вагому частку в сучасних інформаційних технологіях і надають широкий набір інструментів: від експертних систем до нейромереж. Їх реалізація потребує специфічного середовища та відповідного програмного забезпечення. Однією із мов програмування для цього підходить мова «Пролог». В той же час існують серйозні ризики щодо помилок при використання цього забезпечення. Обговорено диференціацію завдань з управління у таких складних соціальнота організаційно-технічних системах як штучний інтелект. В статті надано всебічний аналіз і осмислення значення мови «Пролог» в системі підтримки рішень (DSS) та проведено встановлення його місця в цій агломерації. В зв’язку з цим обґрунтовано необхідність створення DSS нового покоління. В контексті поставленої мети показано перспективність використання DSS для прийняття стратегічних рішень в дедуктивному навчанні в порівнянні з індуктивним. Доведено, що саме такою стратегічною технологією стає DSS. Воно використовує дедуктивне навчання, яке при використанні мови «Пролог» в процесі формування систем штучного інтелекту створює максимальну прозорість і надає обґрунтованість при прийнятті рішень. Акцентовано увагу на тому, чому мова «Пролог» має стати перспективною мовою систем AI/ML. Пропонується також концепція гібридної DSS, що поєднує в собі переваги обох систем. Така система дозволяє приймати рішення на різних рівнях, отримуючи вигоди від систем з індуктивним навчанням на тактичному рівні та дедуктивних систем на стратегічному рівні прийняття рішень.
Посилання
Caprotti F., Liu D. Platform urbanism and the chinese smart city: The co-production and territorialisation of hangzhou city brain // GeoJournal. – Springer, 2020. – P. 1–15.
Василенко М. Д., Шевченко Т.В. Застосування штучного інтелекту в публічному управлінні, судочинстві та правоохоронній діяльності: міждисциплінарне дослідження. Право і суспільство. 2021. № 5. С. 148-154.
Wu X., Kumar V., Quinlan J. R., Ghosh J., Yang Q., Motoda H., McLachlan G. J., Ng A., Liu B., Philip S. Y., others. Top 10 algorithms in data mining // Knowledge and information systems. – Springer, 2008. – Vol. 14, no. 1. – P. 1–37.
Settouti N., Bechar M. E. A., Chikh M. A. Statistical comparisons of the top 10 algorithms in data mining for classification task // International Journal of Interactive Multimedia and Artificial Intelligence. – 2016. – Vol. 4, no. 1. – P. 46–51.
Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects // Science. – American Association for the Advancement of Science, 2015. – Vol. 349, No. 6245. – P. 255–260.
Jackson P. Introduction to expert systems. – Addison-Wesley Pub. Co., Reading, MA, 1986.
Kuwajima H., Yasuoka H., Nakae T. Engineering problems in machine learning systems // Machine Learning. – Springer Science; Business Media LLC, 2020. – Vol. 109, no. 5. – P. 1103–1126.
McCallum Q. E. Bad data handbook: Cleaning up the data so you can get back to work. – " O’Reilly Media, Inc.", 2012.
Hadi Amini M., Shafie-khah M. Cyberphysical smart cities infrastructures: Optimal operation and intelligent decision making / 1st ed. – Wiley, 2022.
Ahmad K., Maabreh M., Ghaly M., Khan K., Qadir J., Al-Fuqaha A. Developing future human-centered smart cities: Critical analysis of smart city security, data management, and ethical challenges // Computer Science Review. – Elsevier BV, 2022. – Vol. 43. – P. 100452.
Jazzyear. The Chronicles of Cloud Building in Hangzhou: Part 2 / Alibaba Cloud Community. – 2020.
Usman M., Jan M. A., He X., Chen J. A survey on big multimedia data processing and management in smart cities //ACM Computing Surveys (CSUR). – ACM New York, NY, USA, 2019. – Vol. 52, no. 3. – P. 1–29.
Pérez A. T. E., Camargo M., Rincón P. C. N., Marchant M. A. Key challenges and requirements for sustainable and industrialized biorefinery supply chain design and management: A bibliographic analysis // Renewable and Sustainable Energy Reviews. – Elsevier BV, 2017. – Vol. 69. – P. 350–359.
Ignatiev A. Towards trustable explainable AI / IJCAI. – 2020.
Szegedy C., Zaremba W., Sutskever I., Bruna J., Erhan D., Goodfellow I., Fergus R. Intriguing properties of neural networks // arXiv preprint arXiv:1312.6199. – 2013.
Bommasani R., Hudson D. A., Adeli E., Altman R., Arora S., et,al.On the opportunities and risks of foundation models. – 2021.
Gunning D., Aha D. DARPA’s explainable artificial intelligence (XAI) program // AI Magazine. – Association for the Advancement of Artificial Intelligence (AAAI), 2019. – Vol. 40, no. 2. – P. 44–58.
Honda H., Hagiwara M. Analogical reasoning with deep learning-based symbolic processing // IEEE Access. – Institute of Electrical; Electronics Engineers (IEEE), 2021. – Vol. 9. – P. 121859–121870.
Flach P., Sokol K. Simply logical: Intelligent reasoning by example – online edition. – Zenodo, 2018.
Wielemaker J., Schrijvers T., Triska M., Lager T. SWI-Prolog // Theory and Practice of Logic Programming. – 2012. – Vol. 12, no. 1-2. – P. 67–96.
