Труды КНЦ вып. 11 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ) вып. 8/2020 (11)

целом, эвристический, а с другой - остальные шаги СКО в программной среде Snorkel выполняются автоматически. Для упрощения процесса формирования маркировочных функций, предлагается использование знаний, формализованных в онтологии предметной области. С этой целью в архитектуру МПИС, использующей слабо-контролируемое обучение, вводится дополнительный компонент, реализующий мета-модель решаемой задачи в виде набора правил генерации маркировочных функций, сформулированных в терминах используемой мульти- предметной онтологии. Применение СКО в рамках МПИС существенно изменяет «модельный ландшафт» системы (рис.1). В совокупности, дискриминативная и генеративная ML-модели, множество маркировочных функций и формируемые с их помощью обучающие выборки характеризуют (с разной детализацией, в разной нотации и с разной целевой направленностью) решаемую задачу, то есть являются различными представлениями модели задачи. При этом обеспечивается возможность разделить в модельном ландшафте перспективы предметной области и задачи, и отказаться от априорного моделирования всех возможных задач (например, в виде алгоритмов и программных модулей для их решения) в пользу формирования их моделей по необходимости (on-demand) на основе формализованных знаний о предметной области, зафиксированных в информационной базе МПИС. Рис. 1. «Модельный ландшафт» МПИС, использующей слабо-контролируемое обучение Предложенная концепция применения методов слабо-контролируемого обучения при построении мультипредметных ИС, кроме решения проблем гетерогенности и изменчивости, характерных для МПИС, обеспечивает достижение компромисса между «статистическим» и «научно-познавательным» подходами к реализации и использованию искусственного интеллекта в 174