Во-первых, это ИС моделирования знаний. В рамках этого направления решаются задачи, связанные с формализацией, представлением и оперированием знаниями в памяти ИИС. Для этого разрабатываются специальные модели представления знаний и языки описания знаний, внедряются различные типы знаний и разрабатываются способы пополнения знаний на основе их неполных описаний, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели мышления, опирающиеся на знания и имитирующие особенности человеческого мышления [Маркарян, Хараберюш, 2018].
Во-вторых, ИС интерпретации. Это направление включает разработку методов представления информации о зрительных образах в базе знаний, создание методов перехода от зрительных сцен к их текстовому описанию и методов обратного перехода, создание средств, порождающих зрительные сцены на основе внутренних представлений в ИС [Маркарян, Хараберюш, 2018].
В-третьих, ИС распознавания электронных текстов. Это направление связано с работой человека по автоматизированному переводу научных текстов с иноязычных источников информации. Очевидно, что грамотный перевод текста с сохранением авторского слога и специальной терминологии это творческая, кропотливая и достаточно трудоемкая работа в плане редактирования. Автоматизированный перевод (machine-assisted, computer-assisted, computer-aided translation или CAT) сопровождает и облегчает данный процесс за счет охвата широкого диапазона инструментальных средств, от довольно простых до весьма сложных: например, программы проверки орфографии, менеджеры терминологии, одноязычные или двуязычные словари на CD-ROM, средства полнотекстового поиска, составления списков ассоциированных слов (выражений) на различных языках, программы согласования, предназначенные для обработки законченных переводов.
В-четвертых, ИС извлечения знаний из ресурсов открытой среды. Алгоритмы text mining (ответвление data mining) широко используются в направлениях извлечения знаний из слабоструктурированной текстовой информации: автоматизации и оценки новостных статей, продукции, идентификации персоналий, реферирования и аннотирования и т. д. Цель проводимых исследований – повышение эффективности применения технологий в области анализа (распознавания, классификации, поиска) научно-образовательной текстовой информации, за счет выбора и/или разработки программ и алгоритмов извлечения данных из слабоструктурированной текстовой информации и получение более высокой точности и качества при обработке отдельных информационных кластеров. За последние десятилетия многие ведущие производители программного обеспечения развили свои решения в области text mining, перейдя от уровня узконаправленных функциональных программ (классификации, реферирования, статистического и лингвистического анализа и др.) до уровня больших аналитических информационных систем с встроенными модулями (библиотеками) машинного обучения и интеллектуального анализа данных. Как правило – это масштабируемые системы, функционирующие в архитектуре клиент-сервер, с развитым графическим интерфейсом, в которых интегрированы различные методы и алгоритмы анализа текстовых данных, инструменты визуализации и манипулирования с данными, их форматами представления.
В-пятых, ИС анализа и обработки больших массивов данных (big data). Интеллектуальные системы предназначены для анализа больших объемов информации в интерактивном режиме и создания данных, позволяющих принимать обоснованные решения и целенаправленно улучшить качество образовательного процесса. Обеспечивается это за счет: многомерного анализа данных по множеству параметров, выполнения аналитических операций с помощью различных статистических методов, агрегирования и детализации данных по запросу, осуществления произвольных срезов данных и анализ их источников и др. Благодаря новым интеллектуальным инструментам деятельности в образовательный процесс вовлекаются данные, которые всегда циркулировали в сфере образования, но не сохранялись и не подвергались детальному анализу. Например, в образовательных учреждениях с помощью информационных систем собираются данные по всем направления деятельности: учебная, научно-методическая, организационно-управленческая, прогностическая, контрольно-оценочная, общекультурная, включая поведенческую.
Любое действие человека в сети Интернет оставляет свой «цифровой след». Например, взаимодействие пользователя с образовательным контентом цифровой среды протоколируется информационной системой и может быть проанализировано (затраченное время, систематичность взаимодействия с ресурсом, результаты, количество попыток при выполнении заданий, количество и тип ошибок и пр.). Постоянный сбор данных о работе пользователя с образовательным контентом и интеллектуальный анализ этих данных позволяет не только поддерживать решения субъектов образовательного взаимодействия, но и совершенствоваться самой информационной системе.
Преимущество таких взаимодействий – возможность многоаспектного анализа образовательных процессов и явлений в автоматизированном, самообучающемся режиме. Получение новых данных и формирование информационных объектов, необходимых субъектам учебного процесса в конкретной образовательной ситуации. Как следствие, построение эффективных моделей персонализации учебно-познавательной деятельности при реализации вариативных учебных стратегий, в различных образовательных практиках.
Новое – автоматизированные действия с информационными массивами и моделирование сложных процессов, действий с большими данными.
«Человек-интеллектуальная технология-объект изучения». Это взаимодействие, основанные на базе человеко-машинного интеллекта, когда решение задач происходит за счет активной мыслительной деятельности человека и работы искусственного интеллекта. Это взаимодействия в аспекте интеллектуальной автоматизации процессов исследования и изучения. В результате такого взаимодействия человек получает данные, информацию, которая будет использована для дальнейшей работы, усовершенствования определенных процессов. Например, получение данных с космического корабля, гидростанции, ядерной установкой. В сфере образования, например, данные по работе цифрового университета, платформам цифрового обучения, цифровым лабораториям, о работе экспертной системы.
Интеллектуальная автоматизация помогает непрерывно решать трудоемкие, отнимающие у человека много времени, задачи, осуществлять сложные многокомпонентные процессы. Интеллектуальные технологии способны не только быстро справляться с поставленными сложными и повторяющимися задачами, но и адаптировать процессы автоматизации под конкретные потребности пользователя и организации в целом. Помогая в рутинных операциях и сложных задачах, они высвобождают время для сопровождения, координации текущей деятельности, критического осмысления происходящих процессов, индивидуальной работы с пользователями (участниками рабочего процесса), реализации творческих идей и замыслов.
В составе многофункциональных программных комплексов учебного назначения интеллектуальные технологии находят применение в представлении знаний, планировании деятельности, организации тренингов, консультировании, диагностике, контроле усвоения знаний и др., что составляет основу технологий цифрового обучения. Для субъектов образования интеллектуальные технологии становятся новыми средствами, обеспечивающими особый характер инновационной деятельности как важное условие формирования перспективных профессионально значимых компетенций.
Новое – формирование новых (передовых) компетенций с объектами интеллектуального производства.
«Человек-интеллектуальная технология-объект преобразования». Это взаимодействия в аспекте интеллектуальной автоматизации процессов создания, разработки, управления цифровыми и нецифровыми объектами. В широком плане, в качестве примеров могут быть: управление космической станцией, виртуальной корпорацией, технологическим процессом и производством на предприятии, сопровождение и поддержка киберсред; в аспекте образования – работа с интеллектуальной когнитивной графикой, интеллектуальной лабораторией, интеллектуальными объектами.
