RU2020127362A - Способ и компьютерный программный продукт для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей - Google Patents

Способ и компьютерный программный продукт для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей Download PDF

Info

Publication number
RU2020127362A
RU2020127362A RU2020127362A RU2020127362A RU2020127362A RU 2020127362 A RU2020127362 A RU 2020127362A RU 2020127362 A RU2020127362 A RU 2020127362A RU 2020127362 A RU2020127362 A RU 2020127362A RU 2020127362 A RU2020127362 A RU 2020127362A
Authority
RU
Russia
Prior art keywords
vector
normalized
labeled
dec
lab
Prior art date
Application number
RU2020127362A
Other languages
English (en)
Inventor
Маной МАХАБАЛЕШВАР
Клим ШУМАЙЕВ
Андреас БИСДОРФ
Кристоф БРАНД
Уве ХОЕНШТАЙН
Мартин Крамер
Original Assignee
Сименс Акциенгезелльшафт
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Сименс Акциенгезелльшафт filed Critical Сименс Акциенгезелльшафт
Publication of RU2020127362A publication Critical patent/RU2020127362A/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/77—Software metrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Stored Programmes (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Claims (122)

1. Способ определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей, содержащий этапы, на которых:
a) используют фазу (IEP) оценивания проблем, в которой
a1) решенные проблемы (Irs) системы (ITDBS) базы данных отслеживания проблем, либо уже структурированные, либо не структурированные, в частности, в отношении типа и формата, и на основании разных видов источников данных, например, JIRA, GitHub или Whiteboard, каждая из которых содержит по меньшей мере одно поле данных идентификации, касающееся по меньшей мере атрибута "решатель" (R) упомянутой проблемы (Irs) и одно поле данных, связанное с контентом, касающееся по меньшей мере атрибутов "сущность" и/или "описание" упомянутой проблемы (Irs), редактируют и оценивают таким образом, что решенные проблемы (Irs) нормализуются (NOR) и, соответственно, сохраняются как нормализованные решенные проблемы (NOR(Irs)) в системе (KDBS) базы знаний,
a2) решения (DEC), присущие, по меньшей мере частично, нормализованным решенным проблемам (NOR(Irs)), идентифицируются и классифицируются на категории посредством алгоритма машинного обучения,
a3) нормализованные решенные проблемы (NOR(Irs)), будучи идентифицированы и классифицированы в отношении решений (DEC) снабжаются метками (LAB),
a4) поле данных, связанное с контентом, нормализованных (NOR), помеченных решением (DEC, LAB) проблем анализируют таким образом, что
a41) на основании общих данных (GDA) системы (ODBS) онтологической базы данных, например DBpedia, определяют релевантные элементы (Erv),
a42) нормализованные (NOR), помеченные решением (DEC, LAB) проблемы, для которых были определены релевантные элементы (Erv), снабжают маркерами (MAR),
a5) нормализованные (NOR), помеченные решением (DEC, LAB), маркированные элементом (Erv, MAR) проблемы, хранящиеся в системе (KDBS) базы знаний, обрабатывают таким образом, что
a51) создается матрица оценивания проблем (IEM, Mm,n), в которой
a511) элементы матрицы (ME, M[ri, ej]) для матрицы оценивания проблем (IEM, Mm,n) формируются, с одной стороны, атрибутами "решатель" (R) в полях данных идентификации нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем и, с другой стороны, релевантными элементами (Erv), определенными для нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем, и
a512) каждый элемент матрицы (ME, M[ri, ej]) взвешивается путем определения релевантности, например, подсчета количества, нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем, имеющих для упомянутого элемента матрицы (ME, M[ri, ej]), одну и ту же комбинацию элементов матрицы,
b) используют фазу (MDP) определения мер, в которой
b1) по меньшей мере одну нерешенную проблему (Iurs) системы (ITDBS) базы данных отслеживания проблем, либо уже структурированную, либо не структурированную, в частности, в отношении типа и формата, и на основании одного из разных видов источников данных, каждая из которых содержит по меньшей мере одно поле данных, связанное с контентом, касающееся по меньшей мере атрибутов "сущность" и/или "описание" упомянутой проблемы (Iurs), редактируют и оценивают таким образом, что
нерешенная проблема (Iurs) нормализуется (NOR) и, соответственно, сохраняется как нормализованная нерешенная проблема (NOR(Iurs)) в системе (KDBS) базы знаний,
b2) по меньшей мере одно дополнительное решение (DEC*) присущее нормализованной нерешенной проблеме (NOR(Iurs)), идентифицируется и классифицируется на категории посредством алгоритма машинного обучения,
b3) нормализованная нерешенная проблема (NOR(Iurs)), будучи идентифицирована и классифицирована в отношении дополнительного решения (DEC*), снабжается дополнительной меткой (LAB*),
b4) поле данных, связанное с контентом, нормализованной (NOR), дополнительно помеченной решением (DEC*, LAB*) проблемы анализируется таким образом, что
b41) на основании общих данных (GDA) системы (ODBS) онтологической базы данных определяется по меньшей мере один дополнительный релевантный элемент (Erv*),
b42) нормализованная (NOR), дополнительно помеченная решением (DEC*, LAB*) проблема, для которой был определен дополнительный релевантный элемент (Erv*), снабжается дополнительным маркером (MAR*),
b5) нормализованная (NOR), дополнительно помеченная решением (DEC*, LAB*), дополнительно маркированная элементом (REL*, MAR*) проблема, сохраненная в системе (KDBS) базы знаний, обрабатывается таким образом, что
создается вектор (IEV) оценивания проблем, причем элементы вектора для вектора (IEV) оценивания проблем, содержащий количество (n) элементов вектора, соответствующих количеству релевантных элементов (Erv), определенных для нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем в матрице оценивания проблем (IEM, Mm,n), формируются дополнительным релевантным элементом (Erv*), определенным для нормализованной (NOR), дополнительно помеченной решением (DEC*, LAB*), дополнительно маркированной элементом (Erv*, MAR*) проблемы, каждый из которых соответствует одному релевантному элементу из релевантных элементов (Erv), определенных для нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем в матрице оценивания проблем (IEM, Mm,n), и заполняются элементами «с нулевыми значениями», соответственно, если отсутствует "соответствие релевантных элементов (Erv, Erv*)",
b6) меру (MEA) по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей, определяют на основании вектора (MDV) определения меры, сгенерированного векторными произведениями каждого вектора (IEV) оценивания проблем и выделенного вектора профиля решателя (RPVi), образованного каждым из этих элементов матрицы (ME, M[ri,ej]) для матрицы оценивания проблем (IEM, Mm,n) с одним и тем же атрибутом "решатель" (R) набора (D) векторов (RPV) профиля решателя в матрице оценивания проблем (IEM, Mm,n).
2. Способ по п. 1, отличающийся тем, что атрибутами "решатель" (R) являются эксперты, в частности, заданные их именами, в отношении разработки, проектирования и/или развертывания сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей.
3. Способ по п. 1, отличающийся тем, что атрибутами "решатель" (R) являются инструменты в отношении разработки, проектирования и/или развертывания сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей.
4. Способ по п. 2 или 3, отличающийся тем, что набор (D) строк в матрице (IEM) оценивания проблем указывается экспертами или инструментами, и, таким образом, вектор профиля решателя (RPVi) из набора (D) векторов (RPV) профиля решателя становится вектором профиля эксперта/инструмента.
5. Способ по любому из пп. 2-4, отличающийся тем, что "expertList/toolList" (EL/TL) создается путем согласования и приоритизации на основании вектора (MDV) определения меры, генерируемого согласно некоторому псевдокоду, описанному следующим алгоритмом:
//согласование
1: function MATCH(IEV, Mm,n, D)
2: "expertList/toolList" ← {}
3: for i in 0..m do
4: MDV ← newArray(n);
5: for j in 0..n do
6: MDV[…j] ← IEV[…j] ? M[…i,…j], где M[…i,…j]=(RPVi)
7: end for
// приоритизация путем вычисления показателя как величины вектора
8: sum ← 0
9: for j in 0..n do
10: sum ← sum+MDV[…j] x MDV[…j]
11: end for
12: score ← SQRT(sum)
13: if score >0 then
14: "expertList/toolList":add("person"/"tool", D[…i])
15: "expertList/toolList":add("score", score)
16: end if
17: end for
18: "expertList/toolList" ← ORDERBY("expertList/toolList", "score")
19: end function;
где Mm,n - матрица (IEM) оценивания проблем, вычисляющая R ? Erv с R для решателя, например, эксперта или инструмента, в качестве строк и Erv для релевантного элемента в качестве столбцов и
- R = {r1, r2, r3, ....., rm} : набор решателей;
- Erv = {e1, e2, e3, ....., en} : набор релевантных элементов;
- Mm,n=R ? Erv: матрица (IEM) оценивания проблем, которая захватывает экспертизу экспертов или значимость инструментов;
- элемент матрицы M[ri,ej] в Mm,n представляет атом (ESA) опыта/значимости;
- атом (ESA) опыта/значимости: ячейка M[ri,ej] в Mm,n, представляющая элементарный атом опыта/значимости;
- вектор профиля решателя: каждая строка M[…i,…j] в матрице оценивания проблем Mm,n;
- вектор (IEV) оценивания проблем;
- вектор (MDV) определения меры;
- набор D строк в матрице (IEM) оценивания проблем.
6. Способ по п. 5, отличающийся тем, что матрица оценивания проблем (IEM, Mm,n), вектор (MDV) определения меры и "expertList/toolList" (EL/TL) сохраняются в системе (KDBS) базы знаний.
7. Способ по любому из пп. 1-6, отличающийся тем, что, если в отношении создания вектора (IEV) оценивания проблем более чем один идентичный дополнительный релевантный элемент (Erv*) определяется для нормализованной (NOR), помеченной решением (DEC*, LAB*), маркированной элементом (Erv*, MAR*) проблемы, частоту идентичного дополнительного релевантного элемента (Erv*) учитывают при создании вектора (IEV) оценивания проблем путем увеличения значения соответствующего элемента вектора соответственно.
8. Способ по любому из пп. 1-7, отличающийся тем, что определенная мера (MEA) либо является конкретной, если вектор (MDV) определения меры содержит по меньшей мере один элемент вектора, не являющийся элементом вектора «с нулевым значением», либо не существует, если вектор (MDV) определения меры является вектором «с нулевым значением».
9. Способ по любому из пп. 1-8, отличающийся тем, что как только нерешенная проблема (Iurs) решается, в зависимости или независимо от определенной меры (MEA), нерешенная проблема (Iurs) становится новой решенной проблемой (Irs*), которая сохраняется в системе (ITDBS) базы данных отслеживания проблем.
10. Компьютерный программный продукт (CPP) для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей, содержащий нетранзиторный, процессорно-считываемый носитель (STM) данных, на котором хранятся процессорно-считываемые программные инструкции программных модулей (PGM) для определения мер и процессор (PRC), соединенный с носителем (STM) данных, выполняющий процессорно-считываемые программные инструкции для определения мер, отличающийся тем, что
a) в фазе (IEP) оценивания проблем процессор (PRC) выполняет процессорно-считываемые программные инструкции
a1) импортирующего программного модуля (I-PGM), посредством которого решенные проблемы (Irs) системы (ITDBS) базы данных отслеживания проблем, либо уже структурированных, либо не структурированных, в частности, в отношении типа и формата, и на основании разных видов источников данных, например, JIRA, GitHub или Whiteboard, каждая из которых содержит по меньшей мере одно поле данных идентификации, касающееся по меньшей мере атрибута "решатель" (R) упомянутой проблемы (Irs) и одно поле данных, связанное с контентом, касающееся по меньшей мере атрибутов "сущность" и/или "описание" упомянутой проблемы (Irs) редактируются и оцениваются таким образом, что решенные проблемы (Irs) нормализуются (NOR) и, соответственно, сохраняются как нормализованные решенные проблемы (NOR(Irs)) в системе (KDBS) базы знаний процессором (PRC), обращающимся к системе (ITDBS) базы данных отслеживания проблем и системе (KDBS) базы знаний,
a2) программного модуля обнаружения решения (DD-PGM), посредством которого решения (DEC), присущие, по меньшей мере частично, нормализованным решенным проблемам (NOR(Irs)), идентифицируются и классифицируются на категории посредством алгоритма машинного обучения,
a3) программного модуля обнаружения решения (DD-PGM), посредством которого нормализованные решенные проблемы (NOR(Irs)), будучи идентифицированы и классифицированы в отношении решений (DEC), снабжаются метками (LAB) процессором (PRC), обращающимся к системе (KDBS) базы знаний,
a4) программного модуля обнаружения элемента (ED-PGM), посредством которого поле данных, связанное с контентом, нормализованных (NOR), помеченных решением (DEC, LAB) проблем анализируется таким образом, что
a41) на основании общих данных (GDA) системы (ODBS) онтологической базы данных, например DBpedia, определяются релевантные элементы (Erv) процессором (PRC), обращающимся к системе (ODBS) онтологической базы данных,
a42) нормализованные (NOR), помеченные решением (DEC, LAB) проблемы, для которых были определены релевантные элементы (Erv), снабжаются маркерами (MAR) процессором (PRC), обращающимся к системе (KDBS) базы знаний,
a5) программного модуля (MP-PGM) матричной обработки, посредством которого нормализованные (NOR), помеченные решением (DEC, LAB), маркированные элементом (Erv, MAR) проблемы, хранящиеся в системе (KDBS) базы знаний, обрабатываются процессором (PRC), обращающимся к системе (KDBS) базы знаний и таким образом, что
a51) создается матрица оценивания проблем (IEM, Mm,n), в которой
a511) элементы матрицы (ME, M[ri, ej]) для матрицы оценивания проблем (IEM, Mm,n) формируются, с одной стороны, атрибутами "решатель" (R) в полях данных идентификации нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем и, с другой стороны, релевантными элементами (Erv), определенными для нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем, и
a512) каждый элемент матрицы (ME, M[ri, ej]) взвешивается путем определения релевантности, например, отсчета количества, нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем, имеющих для упомянутого элемента матрицы (ME, M[ri, ej]), одну и ту же комбинацию элементов матрицы,
b) в фазе (MDP) определения мер процессор (PRC) выполняет процессорно-считываемые программные инструкции
b1) импортирующего программного модуля (I-PGM), посредством которого по меньшей мере решенная проблемаодна нерешенная проблема (Iurs) системы (ITDBS) базы данных отслеживания проблем, либо уже структурированной, либо не структурированной, в частности, в отношении типа и формата, и на основании одного из разных видов источников данных, каждый из которых содержит по меньшей мере одно поле данных, связанное с контентом, касающееся по меньшей мере атрибутов "сущность" и/или "описание" упомянутой проблемы (Iurs), редактируется и оценивается таким образом, что нерешенная проблема (Iurs) нормализуется (NOR) и, соответственно, сохраняется как нормализованная нерешенная проблема (NOR(Iurs)) в системе (KDBS) базы знаний процессором (PRC), обращающимся к системе (ITDBS) базы данных отслеживания проблем и системе (KDBS) базы знаний,
b2) программного модуля обнаружения решения (DD-PGM), посредством которого по меньшей мере одно дополнительное решение (DEC*), присущее нормализованной нерешенной проблеме (NOR(Iurs)), идентифицируется и классифицируется на категории посредством алгоритма машинного обучения,
b3) программного модуля обнаружения решения (DD-PGM), посредством которого нормализованная нерешенная проблема (NOR(Iurs)), будучи идентифицирована и классифицирована в отношении дополнительного решения (DEC*), снабжается дополнительной меткой (LAB*) процессором (PRC), обращающимся к системе (KDBS) базы знаний,
b4) программного модуля обнаружения элемента (ED-PGM), посредством которого поле данных, связанное с контентом, нормализованной (NOR), дополнительно помеченной решением (DEC*, LAB*) проблемы анализируется таким образом, что
b41) на основании общих данных (GDA) системы (ODBS) онтологической базы данных определяется по меньшей мере один дополнительный релевантный элемент (Erv*) процессором (PRC), обращающимся к системе (ODBS) онтологической базы данных,
b42) нормализованная (NOR), дополнительно помеченная решением (DEC*, LAB*) проблема, для которой был определен дополнительный релевантный элемент (Erv*), снабжается дополнительным маркером (MAR*) процессором (PRC), обращающимся к системе (KDBS) базы знаний,
b5) программного модуля (VP-PGM) векторной обработки, посредством которого нормализованная (NOR), дополнительно помеченная решением (DEC*, LAB*), дополнительно маркированная элементом (REL*, MAR*) проблема, сохраненная в системе (KDBS) базы знаний обрабатывается процессором (PRC), обращающимся к системе (KDBS) базы знаний и таким образом, что создается вектор (IEV) оценивания проблем, причем элементы вектора для вектора (IEV) оценивания проблем, причем количество (n) элементов вектора соответствует количеству релевантных элементов (Erv), определенных для нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем в матрице оценивания проблем (IEM, Mm,n), формируются дополнительным релевантным элементом (Erv*), определенным для нормализованной (NOR), дополнительно помеченной решением (DEC*, LAB*), дополнительно маркированной элементом (Erv*, MAR*) проблемы, каждый из которых соответствует одному релевантному элементу из релевантных элементов (Erv), определенных для нормализованных (NOR), помеченных решением (DEC, LAB), маркированных элементом (Erv, MAR) проблем в матрице оценивания проблем (IEM, Mm,n), и заполняются элементами «с нулевыми значениями», соответственно, в отсутствие "соответствия релевантных элементов (Erv, Erv*)",
b6) программного модуля (MD-PGM) определения мер, посредством которого мера (MEA) по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей, определяется на основании вектора (MDV) определения меры, сгенерированного векторными произведениями каждого вектора (IEV) оценивания проблем и выделенного вектора профиля решателя (RPVi), образованного из этих элементов матрицы (ME, M[ri,ej]) для матрицы оценивания проблем (IEM, Mm,n) с одним и тем же атрибутом "решатель" (R) набора (D) векторов (RPV) профиля решателя в матрице оценивания проблем (IEM, Mm,n).
11. Компьютерный программный продукт (CPP) по п. 10, отличающийся тем, что атрибутами "решатель" (R) являются эксперты, в частности, заданные их именами, в отношении разработки, проектирования и/или развертывания сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей.
12. Компьютерный программный продукт (CPP) по п. 10, отличающийся тем, что атрибутами "решатель" (R) являются инструменты в отношении разработки, проектирования и/или развертывания сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей.
13. Компьютерный программный продукт (CPP) по п. 11 или 12, отличающийся тем, что набор (D) строк в матрице (IEM) оценивания проблем указывается экспертами или инструментами, и, таким образом, вектор профиля решателя (RPVi) из набора (D) векторов (RPV) профиля решателя становится вектором профиля эксперта/инструмента.
14. Компьютерный программный продукт (CPP) по любому из пп. 11-13, отличающийся тем, что процессор (PRC) выполняет процессорно-считываемые программные инструкции программного модуля (MP-PGM) матричной обработки, программного модуля (VP-PGM) векторной обработки и программного модуля (MD-PGM) определения мер, таким образом, обращаясь к системе (KDBS) базы знаний таким образом, что "expertList/toolList" (EL/TL) создается путем согласования и приоритизации на основании вектора (MDV) определения меры, генерируемого согласно некоторому псевдокоду, описанному следующим алгоритмом:
//согласование
1: function MATCH(IEV, Mm,n, D)
2: "expertList/toolList" ← {}
3: for i in 0..m do
4: MDV ← newArray(n);
5: for j in 0..n do
6: MDV[…j] ← IEV[…j] x M[…i,…j], где M[…i,…j]=(RPVi)
7: end for
// приоритизация путем вычисления показателя как величины вектора
8: sum ← 0
9: for j in 0..n do
10: sum ← sum+MDV[…j] x MDV[…j]
11: end for
12: score ← SQRT(sum)
13: if score >0 then
14: "expertList/toolList":add("person"/"tool", D[…i])
15: "expertList/toolList":add("score", score)
16: end if
17: end for
18: "expertList/toolList" ← ORDERBY("expertList/toolList", "score")
19: end function;
где Mm,n - матрица (IEM) оценивания проблем, вычисляющая R ? Erv с R для решателя, например, эксперта или инструмента, в качестве строк и Erv для релевантного элемента в качестве столбцов и
- R = {r1, r2, r3, ....., rm} : набор решателей;
- Erv = {e1, e2, e3, ....., en} : набор релевантных элементов;
- Mm,n=R ? Erv: матрица (IEM) оценивания проблем, которая захватывает экспертизу экспертов или значимость инструментов;
- элемент матрицы M[ri,ej] в Mm,n представляет атом (ESA) опыта/значимости;
- атом (ESA) опыта/значимости: ячейка M[ri,ej] в Mm,n, представляющая элементарный атом опыта/значимости;
- вектор профиля решателя: каждая строка M[…i,…j] в матрице оценивания проблем Mm,n;
- вектор (IEV) оценивания проблем;
- вектор (MDV) определения меры;
- набор D строк в матрице (IEM) оценивания проблем.
15. Компьютерный программный продукт (CPP) по п. 14, отличающийся тем, что матрица оценивания проблем (IEM, Mm, nn), вектор (MDV) определения меры и "expertList/toolList" (EL/TL) сохраняются в системе (KDBS) базы знаний.
16. Компьютерный программный продукт (CPP) по любому из пп. 10-15, отличающийся тем, что, если в отношении создания вектора (IEV) оценивания проблем более чем один идентичный дополнительный релевантный элемент (Erv*) определяется для нормализованной (NOR), помеченной решением (DEC*, LAB*), маркированной элементом (Erv*, MAR*) проблемы, частота идентичного дополнительного релевантного элемента (Erv*) учитывается при создании вектора (IEV) оценивания проблем путем увеличения значения соответствующего элемента вектора соответственно.
17. Компьютерный программный продукт (CPP) по любому из пп. 10-16, отличающийся тем, что определенная мера (MEA) либо конкретна, если вектор (MDV) определения меры содержит по меньшей мере один элемент вектора, не являющийся "нуль-значным" элементом вектора, либо не существует, если вектор (MDV) определения меры является "нуль-значным" вектором.
18. Компьютерный программный продукт (CPP) по любому из пп. 10-17, отличающийся тем, что как только нерешенная проблема (Iurs) решается, в зависимости или независимо от определенной меры (MEA), нерешенная проблема (Iurs) становится новой решенной проблемой (Irs*), которая сохраняется в системе (ITDBS) базы данных отслеживания проблем.
RU2020127362A 2018-03-05 2019-03-04 Способ и компьютерный программный продукт для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей RU2020127362A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18159978 2018-03-05
EP18159978.8 2018-03-05
PCT/EP2019/055329 WO2019170607A1 (en) 2018-03-05 2019-03-04 Method and computer-program-product determining measures for the development, design and/or deployment of complex embedded or cyber-physical systems, in particular complex software architectures used therein, of different technical domains

Publications (1)

Publication Number Publication Date
RU2020127362A true RU2020127362A (ru) 2022-02-17

Family

ID=61691205

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020127362A RU2020127362A (ru) 2018-03-05 2019-03-04 Способ и компьютерный программный продукт для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей

Country Status (6)

Country Link
US (1) US11294669B2 (ru)
EP (1) EP3718001A1 (ru)
CN (1) CN111699472B (ru)
BR (1) BR112020014770A2 (ru)
RU (1) RU2020127362A (ru)
WO (1) WO2019170607A1 (ru)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3961405A1 (en) * 2020-08-25 2022-03-02 Siemens Aktiengesellschaft Computer-implemented method and technical system for task-oriented system definition, implementation and operation
US11991210B2 (en) * 2020-10-26 2024-05-21 Microsoft Technology Licensing, Llc Machine learning-based techniques for identifying deployment environments and enhancing security thereof

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5319739A (en) * 1990-11-22 1994-06-07 Hitachi, Ltd. Method for retrieving case for problem and inferring solution of the problem and system thereof
US7567914B2 (en) * 2003-04-30 2009-07-28 Genworth Financial, Inc. System and process for dominance classification for insurance underwriting suitable for use by an automated system
US20050114829A1 (en) * 2003-10-30 2005-05-26 Microsoft Corporation Facilitating the process of designing and developing a project
US7647286B2 (en) * 2006-09-07 2010-01-12 International Business Machines Corporation System and method for managing a chaotic event by providing optimal and adaptive sequencing of decision sets with supporting data
US8473391B2 (en) 2008-12-31 2013-06-25 Altisource Solutions S.àr.l. Method and system for an integrated approach to collections cycle optimization
CN102722636B (zh) * 2012-05-16 2015-09-02 北京航空航天大学 一种针对航空电子系统面临电磁环境复杂度的量化评估方法
US9400826B2 (en) * 2013-06-25 2016-07-26 Outside Intelligence, Inc. Method and system for aggregate content modeling
US11501042B2 (en) * 2014-03-24 2022-11-15 Imagars Llc Decisions with big data
EP3001869A1 (en) * 2014-04-15 2016-04-06 Siemens Aktiengesellschaft Method and tool for engineering software architectures with its various software artifacts of complex cyber-physical systems of different technical domains
US9838264B2 (en) 2014-09-17 2017-12-05 Siemens Aktiengesellschaft Method and digital tool for engineering software architectures of complex cyber-physical systems of different technical domains
SG10201406215YA (en) * 2014-09-30 2016-04-28 Mentorica Technology Pte Ltd Systems and methods for automated data analysis and customer relationship management
EP3278213A4 (en) * 2015-06-05 2019-01-30 C3 IoT, Inc. SYSTEMS, METHODS AND DEVICES FOR AN APPLICATION DEVELOPMENT PLATFORM OF AN INTERNET OF THE THINGS OF A COMPANY
US20180173824A1 (en) * 2015-06-12 2018-06-21 Siemens Aktiengesellschaft A method and apparatus for performing a model-based failure analysis of a complex industrial system
US10885042B2 (en) * 2015-08-27 2021-01-05 International Business Machines Corporation Associating contextual structured data with unstructured documents on map-reduce
US11422800B2 (en) * 2015-12-18 2022-08-23 Drexel University Identifying and quantifying architectural debt and decoupling level: a metric for architectural maintenance complexity
CN106897067A (zh) * 2017-02-26 2017-06-27 广州衡昊数据科技有限公司 一种基于人机交互技术建模的方法和专家系统
WO2019113308A1 (en) * 2017-12-05 2019-06-13 Franchitti Jean Claude Active adaptation of networked compute devices using vetted reusable software components

Also Published As

Publication number Publication date
BR112020014770A2 (pt) 2020-12-08
EP3718001A1 (en) 2020-10-07
WO2019170607A1 (en) 2019-09-12
CN111699472B (zh) 2024-04-16
US20210072983A1 (en) 2021-03-11
CN111699472A (zh) 2020-09-22
US11294669B2 (en) 2022-04-05

Similar Documents

Publication Publication Date Title
JP7169369B2 (ja) 機械学習アルゴリズムのためのデータを生成する方法、システム
CN109522192B (zh) 一种基于知识图谱和复杂网络组合的预测方法
US8688603B1 (en) System and method for identifying and correcting marginal false positives in machine learning models
Achlioptas et al. Fast sampling of perfectly uniform satisfying assignments
JP2016004577A (ja) 実時系列内の異常を検出するための方法
CN108664574A (zh) 信息的输入方法、终端设备及介质
CN105786838A (zh) 一种信息匹配处理方法和装置
CN110163252B (zh) 数据分类方法及装置、电子设备、存储介质
CN113407694A (zh) 客服机器人知识库歧义检测方法、装置及相关设备
US8793201B1 (en) System and method for seeding rule-based machine learning models
US20200272674A1 (en) Method and apparatus for recommending entity, electronic device and computer readable medium
CN111666766A (zh) 数据处理方法、装置和设备
CN109144964A (zh) 基于机器学习的日志解析方法和装置
CN106815220A (zh) 数据分类及搜寻方法
RU2020127362A (ru) Способ и компьютерный программный продукт для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей
JP5682448B2 (ja) 因果単語対抽出装置、因果単語対抽出方法および因果単語対抽出用プログラム
CN103544299B (zh) 一种商业智能云计算系统的构建方法
Han et al. SlimML: Removing non-critical input data in large-scale iterative machine learning
CN114386879A (zh) 一种基于多产品多维度性能指标的评分与排行方法及系统
CN113591881B (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN110019809A (zh) 一种分类确定方法、装置及网络设备
Zahir et al. Access plan recommendation: A clustering based approach using queries similarity
CN112988699B (zh) 模型训练方法、数据标签的生成方法及装置
CN111984812A (zh) 一种特征提取模型生成方法、图像检索方法、装置及设备
CN110765100B (zh) 标签的生成方法、装置、计算机可读存储介质及服务器