Системне проєктування штучного інтелекту

Системне проектування штучного інтелекту

Системне проектування є міждисциплінарним напрямком та методологією побудови інтелектуальних середовищ, призначених для розв’язання наукових та практичних задач оптимізації життєвого циклу складних систем різної природи з використанням ресурсоємних комп’ютерних технологій та експертного аналізу. Питання про використання технологій штучного інтелекту в організаційному розвитку слід розглядати двояко: з одного боку, організація повинна бути підготовлена до технологічних нововведень, а з іншого боку, рішення щодо штучного інтелекту повинні відповідати вимогам процесів організаційного розвитку і таким чином задовольняти потреби підприємства. На цей час відомо багато способів застосування штучного інтелекту в компанії. Деякі вчені роблять спроби концепційно описати штучний інтелект для організаційних процесів. Звісно такі підходи ще не задовольняють потреби сучасних організацій, але мають великий потенціал для майбутнього. Ця книга описує концепцію штучного інтелекту для вирішення проблем та покращення процесів організаційного розвитку. При цьому основною метою концепції є надання обрису загальної структури, а не пропозиція використання окремих технологій та методів. Є аналіз основних етапів розвитку засобів навчання з елементами штучного інтелекту, а також відповідних їм підходів до моделювання знання. Виявлено системні особливості сучасного стану впровадження засобів навчання, що ґрунтуються на знаннях, тенденції їх розвитку та застосування.

Ключові слова: математичний вигляд концепції, організаційний розвиток, підприємство, штучний інтелект

Вступ. Характерною рисою сьогодення є неймовірна кількість інформації. Без можливості отримувати, зберігати та обробляти необхідну інформацію не можливо уявити сучасне життя та бізнес. З розвитком інтернету, надзвичайно великої й постійно зростаючої кількості інформаційних ресурсів виникла потреба розробки засобів, інтелектуальних систем аналізу інформації з урахування семантики (змісту) цієї інформації. Наприкінці минулого століття, коли проблеми обробки інформації стали критичними, на перетині інформатики та менеджменту компаній з’явились нові напрямки досліджень для підтримки процесів отримання, розподілу, обробки та використання знань. Бурхливий розвиток отримали технології розробки комп’ютерних засобів, заснованих на використанні знань (knowledge based systems - KBS).

ПОСТАНОВКА ПРОБЛЕМИ

Штучний інтелект (Artificial Intelligence, AI) – рушійна сила технічного прогресу в сучасному цифровому світі. Керуючись цим постулатом, Міністерство цифрової трансформації України ініціює покращення та розвиток освітніх програм в галузі систем штучного інтелекту.Згідно із даними провідної світової дослідницької і консалтингової компанії у сфері інформаційних технологій «Gartner, Inc», дослідження та досягнення в галузі штучного інтелекту зараз визначають основні тенденції розвитку суспільства. Зокрема, за словами експертів, AI став рушієм Четвертої промислової революції.Тож Львівський національний університет імені Івана Франка, науковці якого проводять низку досліджень у сфері штучного інтелекту, не може залишатися осторонь розвитку систем штучного інтелекту. Найбільше уваги дослідженню АІ присвячують науковці факультету електроніки та комп’ютерних технологій.Так, 3-4 лютого 2021 року в рамках зимової школи з інформаційних технологій «DES-2021»Львівського університету відбудуться два тематичні дні, присвячені штучному інтелекту. Молоді викладачі кафедри системного проєктування факультету електроніки та комп’ютерних технологій ознайомлять слухачів з найбільш перспективними технологіями AI, проведуть майстер-класи, а також представлять власні розробки. Зокрема, Петро Кулик розповідатиме про нереляційні (NoSQL) бази даних, їхнє застосування та основні тенденції розвитку, а Олег Каськун проведе лекцію, що ознайомить учасників школи з Data Warehouse. На майстер-класах кожен учасник матиме змогу навчитися створювати та налаштовувати віртуальне середовище розробки, формувати та навчати власну нейронну мережу й аналізувати отриманий результат.«Темі штучного інтелекту буде присвячена і літня школа «IT Summer 2021», яка відбудеться на базі Львівського університету», – розповів організатор школи, завідувач кафедри системного проектування Університету Роман Шувар.Крім того, нещодавно Вчена рада Університету прийняла рішення про заснування освітньо-наукової лабораторії технологій штучного інтелекту. Метою роботи лабораторії є розвиток досліджень в галузі AI, зокрема машинного навчання, комп’ютерного зору, опрацювання природньої мови, інженерії знань, представлення знань, аналізу та аналітики даних.«Ми ставимо собі амбітні цілі – у перспективі лабораторія сприятиме реалізації прикладних проблем міста, регіону та навіть країни. Завдяки їй сподіваємося поглибити співпрацю з індустріями, отримати нові науково-дослідні проєкти», – наголосив проректор Університету з науково-педагогічної роботи та інформатизації Віталій Кухарський. В сучасному світі спостерігається все більше розповсюдження елементів штучного інтелекту, під чим ми розуміємо інтелектуальну поведінку комп’ютерних систем, роботу з великими обсягами даних, інформаційну інтеграцію знань, пошук та видобування інформації, навчання та адаптацію цих систем. Застосування онтологій відіграє специфічну роль в розв’язанні названих проблем. Онтологія дозволяє задавати складну структуру, що може містити дані різних типів, забезпечити просте для розуміння представлення структурованих знань, можливість їх автоматичного аналізу, виявлення та доповнення відсутніх логічних зав’язків та відносно нескладне їх сумісне використання та оновлення. Внутрішня структура сучасних комп’ютерних систем є відображенням певних знань, які потрібно виразити явно у формальному вигляді. Це може полегшити опис задачі проектування складних систем з компонентів та впровадити програму, яка робить таку конфігурацію незалежною від продукту і самих компонентів, дає можливість повторного використання. Необмежені непізнані можливості людського інтелекту та обмежена ресурсна база сучасного світу є причинами прагнення до найбільш ефективного використання ресурсів як людських, матеріальних або сировинних, так і обчислювальних. Тому створюються територіально рознесені або віртуальні підприємства, здійснюється міжнародний поділ праці та кооперація. Певною надстройкою над підприємствами матеріального виробництва та інфраструктурою є інформаційні системи різного призначення. У блоці спеціалізації «Системне проектування» вивчаються елементи архітектури таких систем; процеси їх комп’ютерного проектування та оптимізації життєвого циклу; процеси управління якістю функціонування інформаційних систем. Більшість таких систем призначена для автоматизації рутинних виробничих та організаційних процесів, але є і системи вищого ієрархічного рівня, що призначені для експертного аналізу та підтримки прийняття рішень. Саме такі системи і аспекти їх створення вивчаються в даному блоці. Кожне використання штучного інтелекту в компанії оцінюється шляхом досягнення ним поставлених цілей. Відповідно, індивідуальні рішення розроблені таким чином, щоб вони відповідали певним функціональним вимогам і забезпечували досягнення мети підприємства або його окремої ланки. Підхід штучного інтелекту базується на машинному та глибокому навчанні. Машинне навчання - це математичні методи, які дозволяють інтелігентній машині генерувати знання залежно від досвіду. Глибоке навчання навпаки - це імітація процесів людського мозку комп'ютерами [8]; [10]. Технологія добре відома через автономних роботів, автономних транспортних засобів, розумних пристроїв, засобів і середовищ, когнітивних помічників [6]. Бургесс А. розбиває вже створені підходи штучного інтелекту на вісім основних груп: розпізнавання зображень, розпізнавання мови, пошук, кластеризація, розуміння природної мови, оптимізація, прогнозування, розуміння та їх комбінації. Розпізнавання зображення, розпізнавання мови, пошук, кластеризація – це техніки на основі збору інформації та структурування хаотичних даних [2]. Ця категорія є найбільш зрілою сьогодні. Розуміння природної мови, оптимізація, прогнозування та розуміння інформації використовують тільки зібрану корисну інформацію і оперують нею. Вони трохи менш зрілі, але незважаючи на це застосування в нашому повсякденному житті. Розвиток будь-якої системи штучного інтелекту змінюється в залежності від мети, яку людина за допомогою нього прагне досягти, та від стану технічних методів інформаційних технологій. Щодо напрямків штучного інтелекту, найважливішими з них є: раціональний інтелект - системи, що базуються на знаннях (експертні системи), які, спираються на свої знання; аналіз і розпізнавання образів: візуальний інтелект - шаблон, розпізнавання образів і форм; мовний інтелект - текст, розпізнавання мови; маніпулятивний інтелект - робототехніка. Поки штучний інтелект має лише ситуаційне використання в організаційному розвитку. Індивідуальні рішення, такі як керовані жестами пристрої, смарт-пристрої в робочому місці, персональні віртуальні помічники, консультанти-когнітивні експерти тощо, охоплюють лише операційні процеси. Засоби та підходи до моделювання знання, розроблені в галузі штучного інтелекту (ШІ), у наш час знаходять все більш широке застосування в освіті [4, 11]. Це і впровадження новітніх систем та програмних засобів навчання з елементами ШІ, і розробка методів управління процесами діяльності зі знаннями у межах сучасного інформаційно-освітнього простору [4]. Відмічається тенденція до подальшої інтелектуалізації програмного забезпечення навчального призначення [6, 10, 11]. З урахуванням цього, ефективність використання комп’ютерноорієнтованих систем навчання суттєво визначається адекватністю моделей знання, закладених в їх основу або передбачених у процесі їх проектування. Постає необхідність системного аналізу засобів та підходів до моделювання знання, що досить глибоко розроблені на наш час. У зв’язку з цим, у сферу аналізу потрапляють системи навчального призначення, що ґрунтуються на знаннях, проблеми їх розвитку та впровадження. Метою роботи є виявлення етапів розвитку комп’ютерно-орієнтованих засобів навчання з елементами штучного інтелекту, їх ролі й місця у загальній системі засобів навчання, з’ясування тенденцій та можливих шляхів застосування підходів ШІ у майбутньому. Етапи розвитку комп’ютерно-орієнтованих систем навчання у галузі ШІ Хоча концепція систем, що ґрунтуються на знаннях, постала засадничою у галузі штучного інтелекту, і на базі цієї концепції були згодом розроблені головні підходи до моделювання знань та міркувань у сфері навчання, вона виникла не одразу. Її формування стало закономірним етапом удосконалення комп’ютерних технологій та відповідних спроб їх упровадження. Системи, розроблені на перших етапах, навряд чи можна вважати такими, що містять елементи штучного інтелекту, але їх слід розглянути як еволюцію ідеї застосування комп’ютера для організації та керування процесом навчання. Ідея полягала у розробці алгоритму навчання, що мав можливість реалізації за допомогою певних засобів, починаючи від друкованих носіїв (програмованих посібників) та найпростіших пристроїв до комп’ютерів [5, 7, 15]. Ці рішення базуються на різних підходах, вони спрямовані на зміцнення організаційного потенціалу і допомагають у вирішенні простих завдань. У порівнянні з використанням організаційної бізнес-аналітики, технології організаційного розвитку не зосереджуються на ефективності збору та оцінці даних для управлінських рішень, вони насамперед спрямовані на самостійне вирішення загальних і конкретних проблем [3]. АНАЛІЗ ОСТАННІХ ДОСЛІДЖЕНЬ І ПУБЛІКАЦІЙ Чим далі, тим важливішим стає підхід штучного інтелекту. Багато компаній вже впроваджують цю технологію: для відбору та підготовки заявників (Promato AI [12], Unilever [9], TextRecruit [13]), для aндеррайтингу (Zest Automated Machine Learning) та обслуговування клієнтів (KLM, 1-800-flowers, KAYAK, Jobmehappy) [7], для оптимізації логістичних шляхів (Zalando [19]) та контролю якості (Continental [17]). Такі застосунки варіюються від мовних помічників до складних оптимізаційних програм. Оскільки штучний інтелект знаходиться у стані масової експансії, він і надалі буде актуальною темою. Зрештою, можна знайти багато наукових підходів, які спрямовані на розширення використання штучного інтелекту або пропонують нові методи та підходи. Вони часто націлені на обдумування, зважування, відбір та вирішення різноманітних бізнес-завдань. У сфері стратегічного розвитку підприємства наукові підходи розвиваються в різних напрямках: Джаррахі M. X. робить акцент на підтримці прийняття рішень штучного інтелекту в організаціях, підкреслюючи допомогу та підтримку прийняття рішень штучного інтелекту в організаціях (не замінюючи при цьому людську пізнавальну діяльність). Jarrahi пропонує свій підхід для подолання невизначеності, складності та питань еквівалентності через людський і штучний інтелект [15]. Клашанов Ф. визначає використання штучного інтелекту як однієї з ключових новітніх управлінських рішень у будівельному бізнесі. Він виступає за розробку організаційних і технічних застосунків для управління будівництвом шляхом використання штучного інтелекту для досягнення кращих переваг організації процесу. Його підхід полягає в можливості заміни різноманітних баз знань у будівельних компаніях технологією штучного інтелекту та її здатністю до вивчення певних поведінкових алгоритмів [16]. Лі Ц. та інші дослідили поведінку в організаційних мережах у співвідношенні з внутрішніми організаційними структурами з використанням нейронних мереж. Ці дослідження було реалізовано через ефективну, засновану на класифікації, систему виявлення змін на основі подій, яка поєднує в собі методи системної мережевої архітектури, аномалії та технічні засоби навчання методу зворотного поширення помилки нейронної мережі. Результати досліджень довели, що запропонований підхід є набагато ефективнішим, ніж базові методи для визначення зовнішніх подій організації як частини мережі. На практиці підхід, запропонований авторами, може бути особливо корисним у реагуванні на позитивну та негативну організаційну поведінку та визнання динамічних моделей соціальної організації. Ця модель довела, що цей метод набагато більш надійний і точний, ніж відомі раніше рішення [18]. Джекієла Дж. пропонує свою модель штучного інтелекту для віртуальних розподілених організаційних одиниць на основі рольових експертних агентів. Такий підхід допомагає при стратегічному прийнятті рішень. Координаційна підсистема контролює діяльність агентів на основі розподілених методів пошуку і теорії зобов'язань і умовностей. Така модель штучного інтелекту підходить для організаційного проектування та аналізу [14]. Беренс Д. А. та інші розробили імітаційну модель на основі агентів, яка вивчає тимчасовий розподіл інформації в організаціях відносно загальної продуктивності організації. Отримані дані покликані допомогти керівникам приймати рішення. Було встановлено, що непересічні незначні питання мають позитивний вплив на загальну ефективність організації, тоді як підвищення рівня вирішення міжвідомчих проблем впливає на продуктивність досить несприятливо. Позитивне надання інформації та використання нещодавно прийнятих рішень позитивно впливають на загальну ефективність організації, їхній ефект є більш тривалим. Результати імітаційного моделювання ставлять критичне питання щодо того, чи необхідно прийняти рішення як можна більш раціонально [1]. Дуріч Б. О. у своїй дисертації розглядає перші кроки у моделюванні організаційної динаміки з використанням великомасштабних багатоагентних систем [4]. Холл Р. І. надає концептуальний підхід до візуалізації взаємодії між корпоративними та стратегічними системами компанії за допомогою простого штучного інтелекту. Ця модель відображає тактику управління і вплив на продукт компанії, ринок і фінансові процеси у вигляді когнітивної карти [5]. МЕТА Головною метою цієї статті є розробка концептуальної моделі системи штучного інтелекту для організаційного розвитку. Основна ціль полягає в удосконаленні сучасних процесів організаційного розвитку та їх прискоренні за допомогою відповідних застосунків штучного інтелекту в компаніях. Системи або одиночні застосунки штучного інтелекту, які використовуються для організаційного розвитку, повинний мати такі характеристики, як адаптація, гнучкість і адаптивність, масштабованість, розширюваність. Ці вимоги можуть змінюватися. Головне завдання даної концепційної моделі полягає у знаходженні відповідних способів вирішення проблеми, зважуванні цих способів та їх застосування залежно від вибраного цільового пріоритету. Наряду з цим зконцепована система має володіти навичками адаптивного самонавчання. Запропонованв концепційна модель штучного інтелекту має три об'єктно-пов'язані і три суб'єктивні фази. Об'єктно-орієнтовані фази націлені на організаційні зміни і включають аналіз організаційних параметрів (структурні детермінанти, поведінкові закономірності, специфікації цінностей тощо), модулювання (підбір та компіляція) відповідних рішень та застосування вибраних моделей. Водночас з об'єктивними протікають процеси суб'єктивних фаз, орієнтованих на саму систему штучного інтелекту: навчання (вивчення власного досвіду та спільного досвіду інших компаній), покращення (вдосконалення власних знань), використання (впровадження нових знань у моделі рішень) Оскільки даний підхід означає безперервне збагачення нових знань і водночас розширення областей застосування, можна розглядати систему штучного інтелекту як ДНК з двома взаємопов'язаними спіралями: одна спіраль відповідає лінії об'єктнопов'язаної спіралі, інша - лінії суб'єкт-орієнтованих компонентів. Кут нахилу витка у разі об'єктно-пов'язаної спіралі вказує на ступінь зміни знань, пов'язану з організаційним розвитком. Кут нахилу витка у разі суб‘єктивноорієнтованої спіралі вказує на ступінь зміни системи. Ступінь зміни знань не обов'язково відповідає ступеню зміни системи, оскільки навіть при розширенні об'єктно-пов'язаних знань для штучного інтелекту використання існуючих суб'єктноорієнтованих механізмів не обов'язково збільшується. Розмір витку відображає тривалість циклу: чим більше відстань, тим довше відбуваються фази, пов'язані з системою штучного інтелекту або змінами організаційного розвитку. Ширина витка спіралі вказує на ступінь зміни: чим ширше виткок спіралі, тим краще поліпшення.


ВИСНОВКИ

Описується концептуальна модель штучного інтелекту для організаційного розвитку. Її основним положенням є зв’язок між саморозвитком системи штучного інтелекту за рахунок накопичення знань в процесі постійного циклічного організаційного розвитку. На прикладах різних циклічних спіралей показуються можливі варіанти фазового розвитку штучного інтелекту та організації. Запропонована концепція системи штучного інтелекту для організаційного розвитку може слугувати основою для подальшої розробки моделей штучного інтелекту. Ключові переваги включають навчання, масштабність і сумісність з іншими системами штучного інтелекту (голосові помічники для спілкування, чатботи тощо). Штучний інтелект, заснований на цій концепції може бути використаним різними компаніями для різноманітних організаційних цілей, тому що здатність системи до навчання та її повноваження при прийнятті рішень можуть вирішити безліч організаційних проблем. Професійна діяльність фахівця з системного проектування полягає у виявленні проблем, постановці задач, зборі та попередній обробці даних, побудові моделей об’єктів та процесів, розробці методів їх аналізу та оптимізації, формуванні структур та елементного базису проектних рішень, супроводом створюваних систем по етапах життєвого циклу.До об’єктів дослідження у системному проектуванні належать ціленаправлені складні системи, інформаційні середовища, об’єкти наукових досліджень, бізнес-процеси тощо.Випускники зможуть працювати на різних посадах, пов’язаних із розробкою складних проектів та значними обсягами обчислень, зокрема, керівниками проектів та системними аналітиками, оскільки будуть здатні до наскрізного супроводження виробничих процесів: від постановки проблеми – до розробки та супроводу інструментальних засобів її вирішення.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ


1. Behrens D. A., Berlinger S., Wall F. Phrasing and Timing Information Dissemination in Organizations: Results of an Agent-Based Simulation. / Edit.board: S. Leitner and F. Wall (eds.). Artificial Economics and Self Organization, Lecture Notes in Economics and Mathematical Systems. 2014. № 14. 179-190. 2. Burgess, A. The Executive Guide to Artificial Intelligence. How to identify and implement applications for AI in your organization. Springer International Publishing. 2018. P. 3. 3. Business Intelligence. Kompakt-Lexikon Wirtschaftsinformatik. Wiesbaden: Springer Fachmedien. 2013. P. 1-10. 4. Ðurić B. O. Organisational Metamodel for Large-Scale Multi-Agent Systems: First Steps Towards Modelling Organisation Dynamics. ADCAIJ: Advances in Distributed Computing and Articial Intelligence Journal. Regular Issue. 2017. Vol. 6, № 3. P. 17-27 5. Hall R. I. A Study of Policy Formation in Complex Organizations: Emulating Group Decision-Making with a Simple Artificial Intelligence and a System Model of Corporate Operations. Journal of Business Research. 1999. № 45. P. 157–177. 6. Hecker D., Döbel I., Petersen U., Rauschert A., Schmitz V., Voss A. Zukunftsmarkt künstliche Intelligenz. Potenziale und Anwendungen. Fraunhofer-Allianz Big Data. 2017. URL: https://www.iais.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/KI-Potenzialanalyse_2017.pdf (дата звернення 20.03.2019) 7. ZestFinance Introduces Machine Learning Platform to Underwrite Millennials and Other Consumers with Limited Credit History. 2017. URL: https://www.businesswire.com/news/home/20170214005357/en/ZestFinance- Introduces-MachineLearning-Platform-Underwrite-Millennials (дата звернення 20.03.2019) 8. Pigge E., Tzudnowski I. Kuenstliche Intelligenz: Continental staerkt weltweites Experten-Netzwerk bis 2021. Press release. 2018. URL: https://www.continental-corporation.com/de/presse/pressemitteilungen/artificialintelligence-and-robotics-149666 (дата звернення 20.03.2019) 9. Marr, B. The Amazing Ways How Unilever Uses Artificial Intelligence To Recruit & Train Thousands Of Employees. 2018. URL: https://www.forbes.com/sites/bernardmarr/2018/12/14/the-amazing-ways-how-unileveruses-artificial-intelligence-to-recruit-train-thousands-of-employees/#1dc0386e6274 (дата звернення 20.03.2019) 10. Artificial Intelligence (AI). URL: https://www.gartner.com/it-glossary/artificial-intelligence (дата звернення 20.03.2019) 11. Spiralen. URL: https://mathepedia.de (дата звернення 20.03.2019) 12. Software for IT recruiting. URL: http://www.pomato.com (дата звернення 20.03.2019) 13. Speed is your greatest recruiting asset. URL: https://www.textrecruit.com (дата звернення 20.03.2019) 14. Jakiela J. A Distributed Artificial Intelligence Approach to Computational Organization Theory. International Advances in Economic Research. 1999. Volume 5, Issue 4. P. 515–515. 15. Jarrahi M. H. Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons. 2018. № 61. P. 577—586 16. Klashanov F. Artificial intelligence and organizing decision in construction. Procedia Engineering. 2016. № 165. P. 1016 – 1020. 17. Künstliche Intelligenz in der Logistik. Begriffe, Anwendungen und Perspektiven. (2018) SSI Schäfer. Whitepaper. 2018. P. 18. 18. Li Z., Sun D., Zhu R., Lin Z. Detecting event-related changes in organizational networks using optimized neural network models. PLoS ONE. 2017. № 12(11). 19. Wilde Th. Customer Engagement mit Chatbots und Collaboration Bots: Vorgehen, Chancen und Risiken zum Einsatz von Bots in Service und Marketing. / Edit.board: P. Gentsch, Kuenstliche Intelligenz für Sales, Marketing und Service. Springer Fachmedien Wiesbaden GmbH. 2018. P. 138-149.


20. Бобровский С. Перспективы и тенденции развития искусственного интеллекта // PC Week/RE. – 2001. – № 32. – С. 32 – 33. 21. Верлань А.Ф., Пастух О.А. (27 травня). Обучающие системы от классических форм до современных информационных технологий и их использование в образовании // Тези Міжнародної науково-практичної конференції «Інформатизація освіти України: Європейський вимір» травень, 2007 [WWW документ]. URL http://labconf.ic.km.ua/tezy/docs/21.pdf (21 вересня 2007). 22. Гаврилов А.В., Новицкая Ю.В. (26 апреля 2003). Гибридные интеллектуальные системы // Труды Международной конференции «Информационные системы и технологии». – Россия, Новосибирск, 2003 [WWW документ]. URL http://ermak.cs.nstu.ru/ist2003/papers/gavrilov_novitskaya.pdf (21 вересня 2007). 23. Гриценко В.И., Кудрявцева С.П., Колос В.В., Веренич Е.В. Дистанционное обучение: теория и практика. – Киев: Наукова думка, 2004. – 375 с. 24. Компьютерная технология обучения. Словарь-справочник / Под ред. В.И. Гриценко, А.М. Довгялло. – Киев: Наукова думка, 1992. – 650 с. 25. Надточий И.Л., Кафтанников И.Л. Методология и средства повышения степени интеллектуализации ИТ-учебного процесса // Educational Technology & Society. – 2003. – vol.6(3). – Pр. 154 – 163. 26. Оганесян А.Г. Дистанционное обучение программированное // Educational Technology & Society. – 2003. – 6(2). – Рp. 84 – 94. 27. Шишкіна М.П. Імітаційне моделювання наукового знання. (Методологічний аналіз). Дис. … канд. філос. наук: 09.00.09. – Київ, 1999. – 210 с.

Авторський науково освітній цифровий музей

Студентські роботи з інформаційних технологійРедагувати

Інформаційна технології в наукових дослідження Методи і моделі дистанційної освіти Коротка енциклопедиція з прикладної математики

https://beta.wikiversity.org/wiki/Авторський_цифровий_музей

https://artificial-intelligence-blog.web.app

https://uk.wikipedia.org/wiki/Огірко_Ігор_Васильович

https://www.facebook.com/groups/184010529971547/?multi_permalinks=184989306540336&notif_id=1616324033451662&notif_t=group_post_no_comment&ref=notif

http://pkhelp.net.ua/novosti/soft-novosti/photomath-virishit-matematichny-zadachy.html