Вопросы создания машинопонимаемых SMART-стандартов на основе графов знаний
Ключевые слова:
SMART-стандарт, нормативный документ, машинопонимаемое представление, граф знаний, двухуровневое представление, LLM моделиАннотация
Развитие цифровой трансформации требует широкого использования новых технологий в документах по стандартизации. Одной из задач является создание стандартов с машинопонимаемым содержанием, которые позволят использовать цифровые документы на различных этапах разработки и производства без необходимости участия человека-оператора. Целью данной работы является описание подхода для создания и перевода в машинопонимаемое представление нормативных документов отрасли для дальнейшего их использования в программных сервисах и системах. Содержимое SMART-стандарта бывает трех видов: машиночитаемое, машиноинтерпретируемое и машинопонимаемое. Для формализации данных и знаний при решении различных задач активно используются графы знаний. Предложен новый двухуровневый подход для создания и перевода в машинопонимаемое представление нормативных документов как графов знаний. Подход определяет два вида интерпретации такого документа (человекочитаемость и машинопонимаемость) через два связанных формата: граф, каждый семантический узел которого представляет текст на естественном языке, и сеть понятий и строгих связей. Каждому узлу «человекочитаемого» графа соответствует (в общем случае) поддерево машинопонимаемого графа знаний. В качестве основы для обеспечения преобразования одной формы представления SMART-стандарта в другую форму служат LLM модели, дополняемые специализированным адаптером, полученным в результате дообучения с помощью подхода Parameter-Efficient Fine-Tuning. Установлены требования к набору проблемно- и предметно-ориентированных инструментальных средств формирования графов знаний. Показана концептуальная архитектура системы поддержки решения комплекса задач на основе SMART-документов в виде графов, установлены принципы реализации программных компонентов, работающих со знаниями, для интеллектуальных программных сервисов.
Литература
2. Елагин Ф.Н. Цифровые технологии стандартизации // Инновации и инвестиции. 2023. № 8. С. 243–246.
3. Денисова О.А., Дмитриева С.Ю. SMART-стандарты: нормативные документы для цифровой экономики будущего // Стандарты и качество. 2023. № 6. С. 42–44.
4. Предварительный национальный стандарт российской федерации. ПНСТ 864-2023. Умные (SMART) стандарты. Общие положения. Издание официальное. Москва: Российский институт стандартизации, 2023. URL: https://docs.cntd.ru/document/728306620 (дата обращения: 18.03.2024).
5. Van de Kaa G., Stoccuto S., Calderón C.V. A battle over smart standards: Compatibility, governance, and innovation in home energy management systems and smart meters in the Netherlands // Energy Research & Social Science. 2021. vol. 82.
6. Mutule A., Antoskova I., Papadimitriou C., Efthymiou V., Morch A. Development of Smart Grid Standards in View of Energy System Functionalities // 6th International Conference on Smart and Sustainable Technologies (SpliTech). IEEE, 2021. pp. 1–6. DOI: 10.23919/SpliTech52315.2021.9566337.
7. Peleg M. Computer-interpretable clinical guidelines: A methodological review // Journal of biomedical informatics. 2013. vol. 46. № 4. pp. 744–763.
8. Young O., Shahar Y., Liel Y., Lunenfeld E., Bar G., Shalom E., Martins S., Vaszar L., Marom T., Goldstein M.K. Runtime application of Hybrid-Asbru clinical guidelines // Journal of biomedical informatics. 2007. vol. 40. no. 5. pp. 507–526.
9. Novais P., Oliveira T., Satoh K., Neves J. The Role of Ontologies and Decision Frameworks in Computer-Interpretable Guideline Execution // Synergies between Knowledge Engineering and Software Engineering. 2018. vol. 626. pp. 197–216.
10. Головин С.А., Лоцманов А.Н., Тихомиров С.Г. Цифровая трансформация стандартизации требует системного подхода и практических действий // ИТ-Стандарт. 2023. № 3. С. 4–22.
11. Liu J., Peng G. Designing a Smart Standards Information Service: A Research Framework // International Conference on Human-Computer Interaction. Cham: Springer Nature Switzerland. 2023. pp. 348–365.
12. Luttmer J., Ehring D., Pluhnau R., Kocks C., Nagarajah A. SMART Standards: Modularization Approach for Engineering Standards // Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. 42nd Computers and Information in Engineering Conference. 2022. vol. 2(42). DOI: 10.1115/DETC2022-88206.
13. Zhong L., Wu J., Li Q., Peng H., Wu X. A Comprehensive Survey on Automatic Knowledge Graph Construction // ACM Computing Surveys. 2023. vol. 56. no. 4. pp. 1–62.
14. Qu J. A Review on the Application of Knowledge Graph Technology in the Medical Field // Scientific Programming. 2022. vol. 2022. 12 p.
15. Sezgin E., Hussain S.A., Rust S., Huang Y. Extracting medical information from free-text and unstructured patient-generated health data using natural language processing methods: feasibility study with real-world data // JMIR Formative Research. 2023. vol. 7.
16. Melnyk I., Dognin P., Das P. Knowledge graph generation from text // arXiv preprint. 2022. arXiv:2211.10 511v1. 13 p.
17. Ibáñez L-D., Domingue J., Kirrane S., Seneviratne O., Third A., Vidal M-E. Trust, Accountability, and Autonomy in Knowledge Graph-Based AI for Self-Determination // arXiv preprint. 2023. arXiv:2310.19503. 33 p. DOI: 10.48550/arXiv.2310.19503.
18. Sajid H. Combining Large Language Models and Knowledge Graphs. URL: https://www.wisecube.ai/blog/combining-large-language-models-and-knowledge-graphs/ (дата обращения: 15.03.2024).
19. Грибова В.В., Москаленко Ф.М., Тимченко В.А., Шалфеева Е.А. Платформа IACPaaS для разработки систем на основе онтологий: десятилетие использования // Искусственный интеллект и принятие решений. 2022. № 4. С 55–65.
20. Временные методические рекомендации. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19). Версия 18. URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/064/610/original/ВМР_COVID-19_V18.pdf (дата обращения: 15.03.2024).
21. Клинические рекомендации. Острый инфаркт миокарда с подъемом сегмента ST электрокардиограммы. 2020. 157 с. URL: https://cardioweb.ru/files/glavny-kardiolog/rekomendation/%D0%9A%D0%BB%D0%B8%D0%BD_%D1%80%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%86%D0%B8%D0%B8_%D0%9E%D0%9A%D0%A1_%D1%81_%D0%BF%D0%BE%D0%B4%D1%8A%D0%B5%D0%BC%D0%BE%D0%BC_ST_2020.pdf (дата обращения: 18.03.2024).
The Issues of Creation of Machine-Understandable Smart Standards Based on Knowledge Graphs
Abstract
The development of digital transformation requires the widespread use of digital technologies in standardization documents. One of the goals is to create standards with machine-understandable content that will allow the use of digital documents at various stages of development and production without the need for a human operator. The purpose of this work is to describe an approach for creating and translating industry normative documents into a machine-understandable representation for their further use in software services and systems. There are three types of SMART standard content: machine-readable, machine-interpretable, and machine-understandable. Knowledge graphs are actively used to formalize data and knowledge when solving various problems. The new two-level approach is proposed for the creation and translation into a machine-understandable representation of regulatory documents as knowledge graphs. The approach defines two types of interpretation of a smart document (human readability and machine understandability) through two related formats: a graph, each semantic node of which represents text in a natural language, and a network of concepts and strict connections. Each node of a human-readable graph corresponds (in general) to a subtree of a machine-readable knowledge graph. As the basis for ensuring the transformation of one form of smart standard representation into another form, LLM models are used, supplemented by a specialized adapter obtained as a result of additional training using the Parameter-Efficient Fine-Tuning approach. Requirements have been established for a set of problem- and subject-oriented tools for generating knowledge graphs. The conceptual architecture of the system for supporting the solution of a set of problems based on knowledge graphs is shown, and the principles for implementing software components that work with smart knowledge for intelligent software services are established.
Опубликован
Как цитировать
Раздел
Copyright (c) Елена Арефьевна Шалфеева, Валерия Викторовна Грибова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).