Международный
научный журнал

Модель знаний системы определения инновационного потенциала и перспективности наукоемких проектов


Knowledge model of the system for evaluating innovative potential and prospects of the science-intensive projects

Цитировать:
Саркисян К.Р. Модель знаний системы определения инновационного потенциала и перспективности наукоемких проектов // Universum: Технические науки : электрон. научн. журн. 2018. № 7(52). URL: http://7universum.com/ru/tech/archive/item/6181 (дата обращения: 12.12.2019).
 
Прочитать статью:


АННОТАЦИЯ

Для определения инновационного потенциала и перспективности наукоемких проектов необходим учет большого комплекса параметров, который охватывает всю систему взаимодействия конкретного проекта с окружающей средой. Цель исследования состоит в разработке моделей, методов, алгоритмов и программного обеспечения процессов, направленных на повышение эффективности управления научными и инновационными проектами. В работе обоснована необходимость использования методов интеллектуального анализа данных о внутренней и внешней среде для расчета комплексной оценки перспектив реализации наукоемких проектов. Представлена, разработанная в рамках исследования модель системы поддержки принятия решений, основанная на применении нечеткой пирамидальной модели сети для диагностики характеристик проекта и нечетко-логического вывода для их агрегирования.

ABSTRACT

In order to determine the innovative potential and prospects of science-intensive projects, it is required to account for a large number of parameters that covers the whole interaction system of the specific time with the environment. The purpose of the study is developing models, methods, algorithms and software for processes aimed at improving the efficiency of management of research and innovation projects. As a result, developed a procedure based on the use of fuzzy pyramidal model of network for diagnostic characteristics of the project and fuzzy inference to aggregate them.

 

Ключевые слова: неоднородная сеть фреймов, нечеткие пирамидальные сети, нечеткий вывод.

Keywords: heterogeneous frames network, fuzzy pyramidal networks, and fuzzy inference.

 

Введение

Для определения потенциала и перспективности наукоемких проектов необходим учет большого комплекса параметров, которые охватывают всю систему взаимодействия конкретного проекта с окружающей средой. Таким образом, встает задача системного подхода к оценке потенциала наукоемких проектов. Применение на практике существующих методических рекомендаций осложнено высокой степенью обобщения критериев и отсутствием учета специфики конкретной предметной области проекта.

Проведенный анализ особенностей реализации наукоемких проектов выявил невозможность применения существующих подходов проектного менеджмента ввиду уникальности таких проектов, обусловленной спецификой производственной и управленческой деятельности организаций, а также наличием функционирующего программного комплекса, автоматизирующего различные технологические и бизнес-процессы. Данные факт накладывает существенные ограничения на процессы проектирования, разработки и реализации наукоемких проектов, а также на выбор применяемых инструментальных средств и организацию эффективной интеграции.

Разработкой подходов и методов к формированию критериев и многокритериальной оценки проектов занимались многие ученые, среди них [1-8].

Цель исследования состоит в разработке моделей, методов, алгоритмов и программного обеспечения процессов, направленных на повышение эффективности управления научными и инновационными проектами.

Представления знаний неоднородной сетью фреймов

Модель знаний в настоящей работе представляется неоднородной сетью фреймов. Две позиции в этом определении требуют уточнения. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире. Многообразие отношений между фреймами и свойствами фреймов определяется такими же фреймовыми структурами. Эти фреймы-отношения могут играть роль ссылок или передачи управления. Фреймовая модель привлекательна тем, что структура фрейма-образца хранится в базе знаний, и так же, как и хранимые процедуры в памяти места не занимает.

В рамках исследования разработано представления знаний неоднородной сетью фреймов, адекватного отображения неоднородной сети фреймов предикатами I порядка. Индуктивный метод вывода на фреймах основан на F-Logic. Однако непосредственное его использование невозможно применительно к модели сети фреймов. Синтаксис формируемой системы обусловлен спецификой построения сети фреймов. Для перевода фреймового представления в форму предикатов I порядка преобразуем его идентификатор в один из специальных слотов, а всем фреймам присвоить один общий идентификатор, например, frame. В этом случае все фреймы системы приобретают вид: frame [id идентификатор, остальные слоты . . . ].

Представление знаний на сети фреймов должно предполагать семантические связи между фреймами. Такая связь может обеспечиваться ссылкой, представляющей также фрейм. Сетевая организация знаний в форме совокупности семантически объединенных фреймов накладывает определенные трудности в реализации процедур вывода. Процедуры логического вывода являются ключевыми процедурами при автоматизации процессов обучения. В связи с этим является актуальной языковая формализация фреймового представления. Для реализации возможности логического вывода на сети фреймов представим адекватное отображение фреймовой модели знаний в модель предикатов I порядка.

Оценка проектов

Различия в оценке проекта экспертами и оценке, полученной по описанной выше методике, могут заключаться в неформальном представлении каждым экспертом потенциала реализации проекта при данных параметрах и существующих политических, социальных, экономических и других условиях, а также эффективности презентации руководителем проекта перспектив его развития.

Понятие потенциала наукоемкого проекта довольно размытое и является скорее субъективной характеристикой проекта, которая задается не только его параметрами, но и соотношением имеющихся ресурсов и технологий и их коммерческой привлекательности, изменяющимся со временем. Однако полнота информационной анкеты проекта и методика расчета его оценки, учитывающая системные взаимосвязи всех параметров, позволяют принять тот факт, что данная характеристика находит свое отражение в полученной оценке.

На основе факторного анализа из всей совокупности параметров выделено 8 факторов, описывающих состояние наукоемких проектов (табл. 1), а в экспертных оценках факторов состояния проекта выделено несколько диапазонов значений и введены соответствующие лингвистические переменные (табл. 2). Границы диапазона значений факторов получены из расчета средних значений, полученных на основе экспертного опроса.

Каждому элементу множества задана своя функция принадлежности, отражающая вероятностную нагрузку каждого элемента в зависимости от степени его принадлежности нечеткому множеству. Функции принадлежности также заданы экспертами данной предметной области на основе накопленного профессионального опыта и не носят случайного характера. 

Таблица 1.

Факторы, отражающие состояние проекта

 

Факторы

F1

Руководитель проекта обладает соответствующими профессиональными навыками и опытом ведения подобных проектов

F2

По проекту имеются публикации, научный задел и интеллектуальная собственность

F3

Проект обеспечен всеми необходимыми ресурсами

F4

Имеются адекватная оценка условий, в которых ведется проект, и четкий план его реализации

F5

Проект имеет высокую коммерческую проработанность

F6

Потенциальные результаты проекта являются новыми для соответствующей научной дисциплины
(продукт является новым для рынка)

F7

Результаты проекта могут быть использованы в других проектах
(продукт может быть выведен на международный рынок)

F8

В реализации проекта и его результатах заинтересованы предприятия (государство, инвесторы)

 

Поскольку множество фактора F1 конечно и содержит 6 элементов, нечеткое множество в общем виде для F1 будет записано так (1):

                                                            (1)

 - степень принадлежности элемента F1 нечеткому множеству Ā, степень принадлежности задано числом из диапазона [0;1].

Для выходного параметра задан трапециевидный вид функции принадлежности для задания неопределенности типа «расположен в интервале», данный вид функции дает возможность представить определенную область вокруг среднего значения лингвистической переменной (рис. 1).

 

Таблица 2.

Задание диапазона значений факторов

Наименование фактора

Значение фактора

Лингвистическая переменная

Нечеткое
множество

Лингвистическая переменная

Нечеткое
множество

Лингвистическая переменная

Нечеткое
множество

Профессиональные навыки руководителя проекта

низкие

0…15

средние

10…45

высокие

30…64,6

Научная часть проекта

слабая

0…20

средняя

11…65

высокая

50…79,2

Обеспеченность проекта
ресурсами

недостаточно

0…38

достаточно

для начала

проекта

10…70

достаточно

для начала

реализации

55…93,4

План и условия реализации проекта

нет плана

0…25

общий план

17…40

четкий план

35…49,5

Коммерческая часть проекта

слабая

0…30

средняя

19…55

высокая

50…60,3

Результаты проекта

незначительные

0…30

значительные

13…57,8

Потенциал применения
результатов проекта

низкий

0…12

средний

6…60

высокий

40...80

Актуальность и перспективность проекта

неактуальный

0…50

актуальный

20…95,1

-

-

Оценка проекта

низкая

0…40

средняя

15…80

высокая

60…100

 

Рисунок 1. Схема оценки наукоемкого проекта

 

Использование оценки, рассчитанной на основе нечеткого логического вывода, является целесообразным для последующего использования в экспертных системах управления научными проектами в силу следующих преимуществ данного метода:

  • формулирование условий и правил оценки проекта в категориях, близких рассуждениям специа­листа данной области;
  • относительная простота перенастройки алгоритмов при учете новых системных закономерностей и требований пользователя;
  • относительная простота учета накопленного опыта для корректировки правил базы данных.

Оценка проекта отражает его состояние в конкретный момент времени и является частью экспертной системы, в рамках которой также реализована специальная база правил для учета других нюансов отбора проектов отдельными фондами, а также формирования экспертных рекомендаций по работе с проектом.

Заключение

Представленная методика оценки привлекательности проекта используется в составе экспертного модуля системы управления наукоемкими проектами. Предложенный в статье подход, основанный на применении нечеткой пирамидальной модели неоднородной сети фреймов, формирует основу для построения эффективных и технически проработанных наукоемких проектов. В силу универсальности данной модели и ее настройки на научную предметную область, результаты, полученные на ее основе, могут более значительно отличаться от результатов оценки инвестиционных и бизнес-проектов специализированными фондами.

 

Список литературы:
1. Моисеев H.H. Численные методы теории оптимального управления. – М., 1968. – 163 с.
2. Yemelyanov S.V., Burovoi I.F., Levada F.Yu. Control of Indefinite Nonlinear dynamic systems. Induced internal feedback. Lecture Notes in Control and Information Sciences, 231, Springer, 1998. 196 p.
3. Мелихов А.Н., Кодачигов В.И. Теория алгоритмов и формальных языков: учеб. пособие. – Таганрог: 1983. – 69 с.
4. Ulyanov S.V., Ghisi F., Kurawaki I. and Litvintseva L. Simulation of quantum algorithms on classical computers. Universita degli Studi di Milano, Polo Didattico e di Ricerca di Crema Publ., 1999. Vol. 32. 92 p.
5. Благодатский Г.А., Горохов М.М., Тененев В.А. Программно-инструментальные средства повышения эффективности внутренних бизнес-процессов предприятий. – Ижевск: Изд-во ИжГТУ им. М.Т. Калашникова, 2015. – 188 с.
6. Матвеев Н.В. Методы комплексной оценки инвестиционных проектов экономике: дис. канд. экон. наук. – СПб., 2007. – 182 с.
7. Шульпин А.Б. Показатели эффективности в системе управления инновационной и инвестиционной дея-тельностью предприятия: дис.канд.экон.наук. – М., 2010. – 171 с.
8. Юрковская Г.И. Инструменты оценки исполнения проектов промышленных предприятий: дис. канд. экон. наук. – Красноярск, 2008. – 143 с.

 

Информация об авторах:

Саркисян Кристина Робертовна Kristina Sargsyan

канд. тех. наук, рук. группы «Глубокое рассуждение для передовой аналитики», «Центр инновационных решений и технологий», 0025, Республика Армения, г. Ереван, Алека Манукяна, 1

candidate of technical sciences, Team lead “Deep Reasoning for Advanced Analytics”, “Innovative Solutions and Technologies Center”, 0025, Republic of Armenia, Yerevan, Alex Manoogian 1


Читателям

Информация о журнале

Выходит с 2013 года

ISSN: 2311-5122

Св-во о регистрации СМИ: 

ЭЛ №ФС77-54434 от 17.06.2013

ПИ №ФС77-66236 от 01.07.2016

Скачать информационное письмо

Включен в перечень ВАК Республики Узбекистан

Размещается в: 

doi:

The agreement with the Russian SCI:

cyberleninka

google scholar

Ulrich's Periodicals Directory

socionet

Base

 

OpenAirediscovery

CiteFactor

Поделиться

Лицензия Creative CommonsЯндекс.Метрика© Научные журналы Universum, 2013-2019
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Непортированная.