Конструирование целевых информационных ресурсов
Аннотация
В обзоре представлены основы обновленной концепции конструирования целевых информационных ресурсов для современных систем управления организационно-техническими системами, научными исследованиями и образовательными процессами. Целевой информационный ресурс (infr) имеет заданные свойства и область применимости и рассматривается как информационный конструктивный объект (infr-объект), аналогичный задачным конструктивным объектам, введенным в методологии символьного моделирования (S-моделирования). Каждый infr наделен спецификацией (infr-спецификацией), которая содержит формализованное описание области применения, языка сообщений, даты создания, места и способа хранения, механизма интерпретации, требований к информационной безопасности и других данных. На основе infr-спецификации программно формируется его память (infr-память). Целевые нформационные ресурсы с непустым пересечением по памяти образуют infr-конструкцию. Сконструированная система информационных ресурсов (infr-система) представлена специальным infr-графом, на котором интерпретируются запросы, составленные на языке infr-сообщений. Расширение infr-системы предполагает рост множества принадлежащих ей infr-объектов и семейства связей по infr-памяти между элементами этого множества. Infr-спецификация системы формируется путем обработки спецификаций infr-объектов, вошедших в систему. Процессы применения infr-системы включают составление пользователями запросов на языке infr-сообщений, автоматическую интерпретацию запросов на infr-графе и выдачу результатов интерпретации. Формирование и применение целевых информационных ресурсов построены как процессы манипулирования infr-спецификациями и программной обработки infr-содержимого в соответствии с заданным набором правил. Рассмотрен пример формирования и применения целевых информационных ресурсов для решения задач выработки и исполнения решений в системе ситуационной информатизации государственного управления.
Литература
2. Singh S., Sharma G.D., Radulescu M., Balsalobre-Lorente D., Bansal P. Do natural resources impact economic growth: An investigation of P5 + 1 countries under sustainable management. Geoscience Frontiers. 2023:101595. https://doi.org/10.1016/j.gsf.2023.101595
3. Shneps-Shneppe M.A., Sukhomlin V.A., Namiot D.E. On interfaces of information networks of the digital economy. Modern Information Technologies and IT-Education. 2017;13(3):198-207. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.2017.3.360
4. Olorunnimbe K., Viktor H. Deep learning in the stock market a systematic survey of practice, backtesting, and applications. Artificial Intelligence Review. 2023;56:2057-2109. https://doi.org/10.1007/s10462-022-10226-0
5. Ajigini O.A., Chinamasa T.J. Modelling Digital Transformation Within the Financial Sector: A South African Perspective. Information Resources Management Journal. 2023;36(1):1-20. http://doi.org/10.4018/irmj.320642
6. Ilyin A.V., Ilyin V.D. E-trade with Direct Lending and Normalized Money. AGRIS on-line Papers in Economics and Informatics. 2015;07(4):57-64. https://doi.org/10.22004/ag.econ.231893
7. Nanda P., Kumar V. Information Processing and Data Analytics for Decision Making: A Journey From Traditional to Modern Approaches. Information Resources Management Journal. 2022;35(2):1-14. https://doi.org/10.4018/IRMJ.291693
8. Dittmer S., Roberts M.,et al. Navigating the development challenges in creating complex data systems. Nature Machine Intelligence. 2023;5:681-685. https://doi.org/10.1038/s42256-023-00665-x
9. Haibe-Kains B., Adam G.A., et al. Transparency and reproducibility in artificial intelligence. Nature. 2020;586:E14-E16. https://doi.org/10.1038/s41586-020-2766-y
10. Kuleto V., Ilic M., Dumangiu M., et al. Exploring opportunities and challenges of artificial intelligence and machine learning in higher education institutions. Sustainability. 2021;13(18):1-16. https://doi.org/10.3390/su131810424
11. Baviskar D., Ahirrao S., Potdar V., et al. Efficient Automated Processing of the Unstructured Documents Using Artificial Intelligence: A Systematic Literature Review and Future Directions. IEEE Access. 2021;9:72894-72936. https://doi.org/10.1109/ACCESS.2021.3072900
12. Kim J.Z., Bassett D.S. A neural machine code and programming framework for the reservoir computer. Nature Machine Intelligence. 2023;5(6):1-9. https://doi.org/10.1038/s42256-023-00668-8
13. Abdollahi A., Pradhan B., Alamri A. et al. VNet: An End-to-End Fully Convolutional Neural Network for Road Extraction From High-Resolution Remote Sensing Data. IEEE Access. 2020;8:179424-179436. https://doi.org/10.1109/ACCESS.2020.3026658
14. Santana B., Campos R., et al. A survey on narrative extraction from textual data. Artificial Intelligence Review. 2023;56:8393-8435. https://doi.org/10.1007/s10462-022-10338-7
15. Hickert C., Tekeoglu A., et al. Trust Me, I'm Lying: Enhancing Machine-to-Machine Trust. In: ACM/IEEE 13th International Conference on Cyber-Physical Systems (ICCPS). Milano, Italy: IEEE Computer Society; 2022. p.01-02. https://doi.org/10.1109/ICCPS54341.2022.00034
16. Shobana S., Radhika N. A Comparative Analysis of Cloudlet Provisioning in Mobile Cloud Computing Environment. In: 6th International Conference on Computing Methodologies and Communication (ICCMC). Erode, India: IEEE Computer Society; 2022. p.48-52. https://doi.org/10.1109/ICCMC53470.2022.9753726
17. Suganya N., Sathiya R., et al. Enhancing the Reliability of Cloud Data by Implementing AES Algorithm. In: 5th International Conference on Intelligent Computing and Control Systems (ICICCS). Madurai, India: IEEE Computer Society; 2021. p.90-95. https://doi.org/10.1109/ICICCS51141.2021.9432070
18. Xiaoyu W., Zhengming G. Research and Development of Data Security Multidimensional Protection System in Cloud Computing Environment. In: International Conference on Advance in Ambient Computing and Intelligence (ICAACI). Ottawa, ON, Canada: IEEE Computer Society; 2021. p. 67-70. https://doi.org/10.1109/ICAACI50733.2020.00019
19. Rojek I., Mikołajewski D., Dostatni E. Digital twins in product lifecycle for sustainability in manufacturing and maintenance. Applied Sciences. 2020;11(1):31. https://doi.org/10.3390/app11010031
20. Semeraro C., Lezoche M., Panetto H., Dassisti M. Digital twin paradigm: a systematic literature review. Computers in Industry. 2021;130:103469. https://doi.org/10.1016/j.compind.2021.103469
21. Nguyen H., Trestian R., To D., Tatipamula M. Digital Twin for 5G and Beyond. IEEE Communications Magazine. 2021;59(2):10-15. https://doi.org/10.1109/MCOM.001.2000343
22. Jia P., Wang X., Shen X. Digital-Twin-Enabled Intelligent Distributed Clock Synchronization in Industrial IoT Systems. IEEE Internet of Things Journal. 2021;8(6):4548-4559. https://doi.org/10.1109/JIOT.2020.3029131
23. Bécue A., Maia E., Feeken L., Borchers P., Praça I. A New Concept of Digital Twin Supporting Optimization and Resilience of Factories of the Future. Applied Sciences. 2020;10(13):4482. https://doi.org/10.3390/app10134482
24. Ilyin V.D. Symbolic Modeling (S-Modeling): an Introduction to Theory. In: Silhavy R. (ed.) Artificial Intelligence Trends in Systems. CSOC 2022. Lecture Notes in Networks and Systems. Vol.502. Cham: Springer; 2022. p.585-591. https://doi.org/10.1007/978-3-031-09076-9_54
25. Ilyin A.V., Ilyin V.D. Updated methodology for task knowledge based development of parallel programs. In: Silhavy R., Silhavy P., Prokopova Z. (eds.) Data Science and Intelligent Systems. CoMeSySo 2021. Lecture Notes in Networks and Systems. Vol.231. Cham: Springer; 2021. p.319-328. https://doi.org/10.1007/978-3-030-90321-3_25
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
