Развитие технологий разработки экспертных систем

Введение

     Проблемы принятия решений существуют во всех областях деятельности человека. Люди принимают решения абсолютно во всех жизненных ситуациях. При выборе в какой магазин пойти, при покупке мебели, какую книгу почитать перед сном и во многих других ситуациях. Решение, принимаемое человеком, должно быть самым лучшим из возможных, тем не менее рассмотреть все детали, влияющие на определенный выбор и принять очевидное и в то же время разумное и правильное решение бывает проблематично без стороннего вмешательства.
     Процедура принятия решений очень сложна и связана с обработкой огромных объемов информации, а также её структурированием, в этом, компьютер прекрасно дополняет человека. Например при вычислении большого объема вероятных исходов лучше подойдет компьютер, а человек больше разбирается в целях и конечной идее.
     Рост информационных технологий привел к созданию систем принятия правильных решений, а в частности экспертных систем. В настоящее время, ИИ успешно развивается, в связи с этим появляется возможность получения новых результатов в данной области, а появление новых технических средств позволяет использовать эти возможности.
     Цель работы - проектирование и моделирование экспертной системы для управления антропоморфным персонажем.
     Теоретические задачи:
1. Рассмотреть теоретические основы экспертных систем
2. Рассмотреть теоретические основы баз знаний
3. Изучить технологии разработки экспертных систем
	Аналитические задачи:
1. Принципы проектирования и разработки модели экспертной системы
2. Классификация экспертных систем (функции)
3. Возможные способы логического вывода
4. Требования дружественного интерфейса
5. Средства разработки
	Проектные задачи:


     
Экспертная система управления антропоморфным персонажем.
1. Анализ состояний и проектирование правил вывода.
2. Моделирование персонажа.


Сокращения:
ЭС - экспертная система
ИИ - искусственный интеллект
ИТ - информационные технологии
БЗ - база знаний





Глава 1. 
1.1 Определение понятий экспертных систем
     Экспертная система - система искусственного интеллекта, предназначенная помочь эксперту-человеку в решении узконаправленных задач, которые не имеют четкой логики. Эти системы начали разрабатываться еще в 60-х годах и понимались как искусственный интеллект специального типа.
     Первые разработки экспертных систем содержали в себе исключительно знания эксперта-человека, т.е. знания недоступные для большинства. С течением времени эта концепция постепенно сглаживалась и сейчас под понятием ЭС подразумеваются системы не только наполненные только экспертными знаниями, но и могут быть простые знания доступные всем.
     Главная их особенность в том, что они должны уметь “объяснить” свое решение пользователю, также как и эксперт может рассказать почему он поступил именно так в данной ситуации. Это требуется, когда есть вероятность ошибки в системе при тестировании новых знаний, или когда система находиться в области для которой характерна некая неточность, неполнота начальных данных, требующих решение задачи. Поэтому наличие “дружеского” и “прозрачного” пользовательского интерфейса заметно облегчит работу с такой ЭС.
     Преимущества ЭС перед человеком-экспертом:
1. Они не делают поспешных выводов, которые могли бы привести к нежелательным результатам,
2.  ЭС работают систематизировано, рассматривая вопрос во всех мельчайших деталях, выбирая наилучшую альтернативу из возможных,
3. База знаний может быть достаточно большой и стабильной. После введения в машину один раз, знания сохраняются навсегда.
4. У ЭС нет предубеждений,
     Несмотря на свою привлекательность, в ЭС есть и свои недостатки:
1. ЭС могут оказаться доступными, только тем экспертам, которые создавали их базы знаний,
2. После работы с экспертом, навыки ЭС могут не возрасти,
3. Приведение знаний полученных от эксперта к виду, обеспечивающему эффективную. реализацию,
4. При отсутствии эксперта в определенной предметной области, применение ЭС невозможно.
	

Структура ЭС

Принцип работы экспертной системы(Рисунок 1) состоит в том что пользователь сообщает системе факты или другие знания, а  ответ получает экспертный ответ. Ее структура содержит в себе множество компонентов такие как:
- база знаний;
- машина логического вывода;
- модуль обучения;
- модуль объяснения ответа;
- интеллектуальный интерфейс.
	Рисунок 1. Структура экспертной системы

Однако самыми важными компонентами отличающие любую ЭС от других систем являются: база знаний и машина логического вывода.
Машина логического вывода
Машина логического вывода - программа выполняющая логический вывод из базы фактов и правил, называемой базой знаний. Является центральной частью экспертных систем.  Факт - постоянно истинное утверждение. Правило - утверждение, в котором есть условие и результат.

	Основные элементы машины вывода:
1. Интерпретатор - выполняет последовательно шаги для решения проблемы, основываясь на правилах БЗ.
2. Планировщик - контролирует правильность выполнения шагов, анализируя эффективность с точки зрения приоритетов и остальных критериев существующих в БЗ.

	Машина вывода может выполнять несколько операций:
1. Проверка факта на его истинность
2. Нахождение множества связей и знаний, при которых это правило будет выполняться.
     
     Механизм вывода - процедура поиска решений задачи, использующая БЗ, которая выстраивает цепочку рассуждений и приводит к нужному результату. Он в свою очередь может делиться на два способа: прямой и обратный логический вывод.
     Экспертная система с прямым логическим выводом использует начальные правила и по ним ищет подходящие правила для получения результата.
     С другой стороны, система с обратным логическим выводом начинает отталкиваться от гипотезы которую выдвигает пользователь и экспертная система пытается найти правила с помощью которых сможет объяснить ее.  

     Система объяснений - разъясняет пользователю как экспертная
система пришла к данному выводу. В процессе работы пользователь может спрашивать у системы о промежуточных результатах, если система не может объяснить человеку свои рассуждения, то её метод рассуждения является неудовлетворительным. Также ЭС может объяснить почему произошло именно так, а не иначе, какими правилами БЗ были заблокированы другие пути рассуждений.

     Система приобретения знаний - делает процесс заполнения БЗ более автоматизированным. Именно она предоставляет базе знаний информацию в конкретной предметной области от эксперта.
     
     Рабочая память - функционирует точно так же, как и ОЗУ в компьютере, получает и хранит исходные данные, а также промежуточные результаты по решаемой в данный момент задаче.
В рабочей памяти есть область, называемая доской объявлений, в ней описывается текущая проблема с применением исходных данных. На доске объявлений записываются гипотезы, оптимальный план решения проблемы, а также действия ожидающие выполнения, либо альтернативы решения.

	Система диалога - обеспечивает дружественный интерфейс и поддерживает общение пользователя и компьютера, может использоваться в процессе решения задачи, приобретения знаний и выдачи результатов. Общение может быть реализовано как с помощью естественного языка, так и с помощью графики.




1.2 Базы знаний
	База знаний - база данных, в которой содержится информация о знаниях и опыте человека-эксперта в определенной предметной области, а также правила логического вывода. БЗ может содержать в себе результаты решения прошлых задач, если находится в самообучающейся системе.
	База знаний неотъемлемый компонент ЭС, которые используют записи БЗ для нахождения способов решения проблем определенной предметной области.
	Самыми важными требованиями к записям, хранящимся в БЗ являются:
1. Достоверность сведений.
2. Релевантность информации при выводе.
     Записи в БЗ - они же знания, делятся на два типа, алгоритмические и неалгоритмические.
     Алгоритмические, еще называемые процедурными - это знания решающие конкретные задачи алгоритмы, функции вычислений.
     Неалгоритмические знания - состоят из понятий. Понятия имеют имена, структуру, они связаны связаны между собой и входят в некую систему понятий. Еще один вид не алгоритмических знаний - это связь понятий между собой, иначе называемая утверждением о их свойствах.
     В базе знаний ЭС, могут быть некоторые необязательные особенности:
1. Вывод новых знаний, основанных на уже записанных в БЗ.
2. Доказательство ответа и объяснение её рассуждений по запросу.
3. Контроль за правильной организацией знаний.
4. Самообучение в определенной предметной области.

	Для получения знаний в БЗ используется два метода: приобретение знаний извне и их систематизация. При различных возможностях системы к обучению логического вывода, возможны разные виды приобретения информации. Представление знаний определяется внутри системы, поэтому форма информации, которую система может принять, зависит от способностей системы формализовывать информацию до знаний. Чем лучше в системе реализован логический вывод, тем меньше работы отводится человеку для подготовки информации понятной системе. На рисунке 2 представлена базовая система обработки знаний, она включает в себя БЗ и механизмы логических выводов.

Рис. 2 Базовая структура обработки знаний

     Методы получения знаний разделяются на несколько видов:
1. Обучение без выводов - полученная информация используется в неизменном виде.
2. Обучение на примерах - производится сбор фактов, с последующим их преобразованием и обобщением, затем они становятся знаниями.
3. Параметрическое обучение - самая простая форма обучения по наблюдениям, определяет общий вид правила, которое в результате будет логическим выводом и корректирует параметры входящие в него, в зависимости от данных.
4. Обучение по индукции - обучение использующее выводы высокого уровня, происходит путем обобщения всех имеющихся данных, получая общие правила.
5. Обучение по аналогии - получение знаний, преобразуя уже имеющиеся похожие на те, которые должны получить.

Основная цель создания любой базы знаний - сократить затраты времени и труда на решение типовых задач.



	
	
	


       
1.3 Развитие технологий разработки экспертных систем
     Разработка экспертной системы является одним из самых сложных пунктов в ее создании и начинается далеко до того как программист начнет писать код.  Так как база знаний основана на правилах и для их разработки нужен специалист в области инженерии знаний для сбора информации у эксперта, который в будущем заполнит этими фактами БЗ.
     Инженерия знаний - сбор информации и знаний от эксперта-человека или из других источников и последующее представление знаний в ЭС.
     Сбором знаний для экспертной системы занимается инженер по знаниям. Он представляет их в явном виде для внесения в базу знаний. Далее эксперт проводит оценку ЭС и передает критические замечания инженеру по знаниям. Повторение процесса идет до тех пор пока эксперт не одобрит качество знаний внесенных в БЗ. 
     Сами правила в системе могут представляться разными способами, но самый широко распространенный из них являются правила в формате IF - THEN ещё по другому их называют продукционными правилами.
     
     IF горит красный свет THEN стоять 
     
     Правило соответствует небольшой, модульной коллекции знаний, называемой фрагментом. Фрагменты организованы в свободной форме и снабжены связями, которые ведут к относящимся к ним фрагментам знаний.
     Впервые продукционные системы, которые используют продукционные правила были использованы в символической логике Постом(Post). Он доказал что любая система, будь она математической или логической, может быть оформлена в виде системы продукционных правил. Основная идея Поста была в том что любая математическая или логическая система представляется как набор неких правил, с помощью которых одна строка(начальные данные) может быть преобразована различными алгоритмами в другую строку(выходные данные). Что можно отнести и к ЭС, где входные данные проходя длинный путь изменяются внутри машины логического вывода. Именно эта идея послужила “фундаментом” для отдельной части экспертных систем, но ей не хватало стратегии управления, которая бы позволила установить условия и рамки для обработки начальной информации. Система Поста позволяет применять правила к строкам в любой форме, поскольку отсутствует какая-либо спецификация, определяющая то, как должны применяться те или иные правила, но еще требовалось настроить порядок выполнения этих преобразований.
     Таким шагом было открытие, сделанное Марковым, определившее структуру управления для продукционных систем. Отсюда появился Марковский алгоритм - набор правил, выполняющийся в заданной последовательности. 
     Примером  марковского алгоритма(Таблица 1), который переводит первую букву входной строки в конец выходной строки. Правила упорядочены с учетом того, что правило (1) имеет высший приоритет, правило (2) — приоритет, который следует за высшим приоритетом, и т.д. Приоритет правил задан в соответствии с порядком ввода правил, как показано ниже.
      (1) ?xy ? y?x
      (2) ? ??
      (3) ???
     
Правило
Успех(S), неудача(F)
Результирующая строка
1
F
ABC
2
F
ABC
3
S
?ABC 
1
S
B?AC
1
S
BC?A
1
S
BCA?
2
S
BCA

     На данный момент эти алгоритмы больше используются в приложениях распознавания образов и называются  - скрытые марковские модели (Hidden Markov Model — HMM)
     Rete-алгоритм
     Марковский алгоритм дал хорошее развитие основ экспертных систем, однако, он все же плохо работал с очень большим количеством правил, что делает его неэффективным для реальных рабочих ЭС, которые могут иметь несколько сотен правил или даже тысячи.
     Эта проблема была решена в 1979 году  Чарльзом Л. Форги (Charles L. Forgy) из университета Карнеги–Меллона.  Термин rete-алгоритм происходит от латинского слова rete (по-английски читается “рити”, а по-русски — “рете”), которое означает сеть.
     Rete-алгоритм работает как сеть с динамической структурой данных, которая может меняться для ускоренной обработки запросов в целях оптимизации поиска.
     Скорость работы алгоритма достигается объединения правил, тем самым уменьшая или совсем исключая избыточность. Сохранение частичных соответствий между фактами при их слиянии позволяет избежать вычисления(re-evaluation), что дает возможность Rete-алгоритму работать только с самими изменениями. Также в алгоритм уже было заложено высвобождение памяти при удалении фактов. Единственное что сделало его не таким популярным в те года это - требование больших вычислительных мощностей, которыми тогда компьютеры не обладали, однако сейчас данных факт не может являться значительной проблемой, так как развитие шагнуло далеко вперед.
     Позже, в 1980-х годах была разработана новая версия алгоритма Rete-II. Улучшена общая производительность сети в том числе и хешированная память для больших массивов данных, добавлен алгоритм обратного вывода и его скорость значительно повышена в сравнении с предшественником. Автором новой версии является сам создатель, Чарльз Форги, но деталей алгоритма он разглашать не стал, известно только, что официально реализован в CLIPS/R2.
     И последнее улучшение сделано в 2010 году снова Ч.Форги. Он разработал новое поколение алгоритма Rete, его характеристики в 500 раз превышают быстроту работы по сравнению с первой версией и еще в 10 раз быстрее Rete-II.
     В результате создания быстрых алгоритмов согласования с шаблонами, таких как rete-алгоритм, был полностью подготовлен фундамент для развертывания практических приложений экспертных систем. Ниже приведены общие сведения о технологиях, которые образуют фундамент современных экспертных систем, основанных на правилах.(Рисунок 3)
     
     


      Рисунок 3.  Технологии, образующие фундамент современных экспертных систем, основанных на правилах

     Некоторые технологии экспертных систем позволяют даже создавать системы, изучающие правила на примерах с помощью вывода правил методом индукции, в котором система создает правила на основе данных. 




Движение
	Движение человека - внешние и внутренние двигательные процессы, которые совершает человек. 

	Движения делятся на два вида:
1. Произвольные - имеют сознательную форму, ориентированы по отношению к определенной цели. Быстрота выполнения и их точность зависят от ориентировочной основы, сложившейся в результате неоднократных повторений в определенной ситуации. Сознательные движения с каждым их повторением приобретают механическую форму т.е. могут выполняться без обдумывания человеком.
2. Непроизвольные - рефлекторные акты, осуществляемые бессознательно. Могут быть адаптивные как например моргание глаза и неадаптивные как дрожание рук.

     Движение человека происходит за счет опорно-двигательной системы, она состоит из скелета и мышц. Скелет - пассивная часть опорно-двигательной системы, образуется костями, хрящами и связками. Кости - опора тела, мышцы - мягкие части покрывающие кости. В процессе движения также принимают участие все органы человека, но в меньшей степени. В конечном итоге движение происходит за счет мышц. Мышцы вместе со скелетом выполняют функцию машины, на этом основании И.М. Сеченов вслед за Леонардо да Винчи высказал мысль, что механические движения могут выражаться формулами и могут подвергаться математическому анализу.
     





Глава 2. Анализ
2.1 Принципы проектирования и разработки модели экспертной системы
	Не смотря на маленькую популярность экспертных систем и их небольшую известность в мире они используются во многих сферах нашей жизни. Они могут отличаться между собой по многочисленным и разным параметрам о чем будет рассказано далее, но при этом всех их объединяет общий алгоритм по их проектированию и разработке.
	Разработка экспертных систем включает в себя шесть этапов(Рисунок 4) это - идентификация, концептуализация, формализация, выполнение, тестирование и опытная эксплуатация.

Рисунок 4. Этапы разработки ЭС.

      Все этапы в свою очередь можно разбить на более мелкие задачи. Так первый этап - идентификация, можно поделить на: 
? определение задачи, которую будет решать экспертная система, а также целей, для которых она разрабатывается
? выбор какие нужны эксперты для нее и кто будет пользоваться ЭС. 
     Ошибка на этом этапе может стоить больших потерь ресурсов, как денежных так и временных, а всю работу что успели провести придется начинать с ранних этапов. Для реализации любых проектов следует учесть множество различных факторов таких как: трудозатраты, требуемое время для написания экспертной системы, подготовки базы знания для нее, стоимость разработки, и многое другое. Поэтому только при правильном руководстве возможно эффективное решение задачи. 
     На рисунке 5 краткая схема по руководству проектом. Как показано на рисунке руководство разделяется на три основных этапа: управление деятельностью, управление технической составляющей программного продукта и управление ресурсами.
     Этот этап очень важен от этого зависит будет ли иметь система выигрыш. Данный этап показывает конкретную заинтересованность руководителя во вложенных ресурсах, времени и затраченного труда. Выигрыш может быть не только в виде денег, нередко экспертные системы создают для повышения эффективности и производительности людей работающих на предприятии или ускоренном обучении новых сотрудников.
     
     

      Рисунок 5. Задачи руководства проектированием.
     
     Следующий этап - этап концептуализации. Тут нужно сформировать требования к будущей экспертной системе для этого выполняются необходимые действия:
? глубокий анализ предметной области,
? выделение основных понятий и взаимосвязей между ними,
? определение методов выполнения задачи.
Если рассмотреть более подробно, то на этом этапе конкретизируют следующие особенности проекта по разработке: начальные данные, разбиение на подзадачи, способы решения задачи(стратегии и гипотезы), виды взаимосвязей между объектами предметной области и их тип, процессы образующиеся в ходе поиска решений, качество и состав знаний, ограничения на процессы решения, состав данных для модуля объяснения.
     После этапа концептуализации следует формализация решаемой задачи. Это означает что на данном этапе выбираются инструментальные средства, с помощью которых будет описываться экспертная система - описание на формальном языке.
     На данный момент существует достаточное количество программ и приложений позволяющих как создавать экспертную систему с нуля, так и брать готовые отдельные компоненты необходимые для конечного продукта. Также перед тем как начинать разрабатывать ЭС нужно собрать знания у экспертов, которыми руководство решило сотрудничать. Тут не обойтись без инженеров по знаниям и им в свою очередь будут требоваться а различные инструментальные средства для выполнения своей задачи, это могут быть как самые простые блокнот с ручкой, так и сложные программные решения по сбору информации и дальнейшей ее обработки.
     Когда выбраны средства разработки и задачи четко сформулированы наступает этап выполнения - создание прототипа ЭС. Суть разработки прототипа состоит в том, что проверяются основные концепции в способах решения поставленной задачи, проверка работоспособности основных методов и адекватности функционала экспертной системы в целом.
     Прототип тестируется несколько раз и перед каждым следующем происходит корректировка и доработка системы под необходимые задачи. Проверяются много различных компонентов системы:
? проверка адекватности идей, гипотез, представления знаний
? дорабатывается дружественный интерфейс
? проверяется работа прототипа при расширении базы знаний и списка решаемых задач
? добавление второстепенных модулей экспертной системы
Также собирают мнение пользователей прототипом о том что нужно скорректировать или полностью поменять. Прототип который прошел этап тестирования может рассматриваться как полноценной экспертной системой.
	Этап опытной эксплуатации тестирует на удобность экспертной системы для конечного пользователя. также оценивается полезность ЭС - способность в ходе диалога определять потребности пользователя, выявлять и устранять причины неправильной работы, а также удовлетворять указанные потребности пользователя. Удобство же предполагает легкое использование и взаимодействие ЭС(возможность долгое время работать с ее интерфейсом не уставая), гибкость(широкий спектр настроек под каждого пользователя), устойчивость системы к ошибкам(надежность системы).
	Последний этап -  это этап тестирования. Во времени проведения данного этапа проверяется эффективность работы экспертной системы в целом. Инженером по знаниям создаются примеры для оценки ЭС и ее возможностей.
	Всего различают несколько причин неправильной работы системы:
? некорректные тестовые примеры
? ошибки при вводе-выводе данных
? неправильно составленные правила вывода
? выбраны не соответствующие управляющие стратегии
     Первый пункт чаще всего является самой простой и очевидной причиной неправильной работы ЭС. Примеры могут вообще не относиться к предметной области решаемой задачи или же оказаться однотипными из-за чего будет невозможна всесторонняя проверка работоспособности экспертной системы при таком наборе тестовых примеров. Чтобы избежать данных ошибок, нужно создавать проверочные задачи для каждой отдельной небольшой области, которую должна решать ЭС.
     Проблемы с вводом-выводом характеризуются тем, что результат работы ЭС отличается от ожидаемых результатов, так как в ходе диалога с системой были заданы неправильные вопросы или их количество было недостаточно. Или же наоборот, вопросы задаваемые системой были недостаточно однозначны и понятны вследствие чего пользователь внес лишние данные. Также проблемы возникают когда для человека, использующего разработанную систему, не подходит или не удобен входной язык. Например вместо того чтобы набирать какую то информацию в систему проще отправить заранее подготовленный документ со всеми вопросами или требуется ввод графического изображения итд.
     В выходных данных ошибки случаются из-за того, что информация представленная системой может быть непонятна пользователю. Модуль объяснения решения выдает слишком много или наоборот слишком мало данных. Также причина может кроется в неудачной организации или упорядоченности заключений.
     Наиболее часто встречаются ошибки в рассуждениях системы касающиеся
      
     




2.2 Классификация экспертных систем
     В экспертных системах, выделяются четыре основных класса:
1. Классифицирующие ЭС - создаются для решения задач на распознавание ситуаций. Метод решений в ЭС данного типа, является дедуктивный логический вывод.
2. Доопределяющие ЭС - решают задачи с данными и знаниями, которые определены не полностью. Методами решения, являются вероятностный подход и нечеткая логика.
3. Трансформирующие ЭС - являются динамическими, в которых знания преобразуются несколько раз, во время решения задачи. Используют различные способы обработки знаний.
4. Мультиагентные ЭС - используют в качестве источника знаний несколько  различных объектов, при этом интегрируя их. 

	Далее приведена более подробная схема классификации ЭС.
	
	Классификация экспертных систем

     Классификация ЭС по назначению проводится следующим образом:
1. Проектирование объектов по заданным характеристикам. Основная проблема в проектировании состоит в том, чтобы получить структурное описание объекта, которое соответствует всем правилам, заявленным для данного объекта. 
2. Планирование действий для объектов, выполняющих какие либо функции, в ЭС данного типа используются модели поведения реальных объектов, для правильного вывода.
3. Прогнозирование развития системы, основываясь на прошлых и текущих ее состояниях. Обычно используют динамическую модель, в которой данные подстраиваются под определенную ситуацию, на выходе получается вероятностная модель.
4. Диагностика системы на наличие неисправностей, а также непрерывное отслеживание ее состояний. Важным компонентом является понимание структуры функционирования системы, для более точных параметров диагностирования.
5. Обучение пользователя, основываясь на ошибках прошлых операций. Система находит правильные решения и говорил о них пользователю, а также находит слабые места в знаниях, которым она обучается.
6. Интерпретация данных с определением их смысла. Система анализирует данные на основе, уже существующих, корректных.
	
	Классификация ЭС по методам представления знаний.
     Традиционные (автономные) ЭС используют модели знаний полученные опытным путем, которые могут быть научно не обоснованы. Работают в режиме консультации с пользователем.
     Гибридные (интегрированные) ЭС используют всевозможные методы.
     
Классификация ЭС по степени сложности.
     Поверхностные ЭС выводят знания, основываясь на правиле “если-то”. Вывод происходит незамедлительно и цепочка правил непрерывна.
     Глубинные ЭС при обрыве цепочки правил могут определить, какие действия должны быть выполнены, чтобы продолжить решение определенной задачи. Также к ним относят сложные предметные области, в которых запись правил на естественном языке, занимает более одной трети страницы. 

	Классификация ЭС по предметной области.
     Существуют экспертные системы по военному делу, геологии, инженерному делу, информатике, космической технике, математике, медицине, метеорологии, промышленности, сельскому хозяйству, управлению, физике, химии, электронике, юриспруденции и т.д. Однако сложность таких систем, их большая узконаправленность и требуемая большая вычислительная мощность сделало ЭС менее распространенными чем нейронные сети.
	
	Классификация ЭС по динамичности.
		Статические - исходные данные, описывающие предметную область, не меняются во времени.
		Динамические - исходные данные меняются в процессе решения задачи. Архитектура динамической ЭС построена на работе с датчиками и контроллерами объектов, в реальном времени и постоянной переработкой поступающих данных.








.......................