Понятийные системы в цифровом мире: что может знать компьютер?

Понятийные системы
в цифровом мире:
что может знать компьютер?
Кудрявцев Дмитрий
24 февраля 2016 г., Санкт-Петербург

2016, Понятийные системы в цифровом мире, Кудрявцев Д.В. 2

2016, Понятийные системы в цифровом мире
Системы управления знаниями и применение онтологий
3
Кудрявцев Д.В. Системы управления
знаниями и применение онтологий: Учеб.
пособие / СПб.: Изд-во Политехн. ун-та,
2010. – 343 с.
Аннотация
Последовательно рассмотрены понятия знания, управления
знаниями, системы управления знаниями. Представлен обзор
современных методологий управления знаниями. Предложено
применение онтологий и семантических технологий в системах
управления знаниями. Описан процесс управления знаниями в
организации. Дано описание задач, методов и программных
средств для повышения эффективности процессов создания,
накопления, распределения и использования знаний в
организации. Рассмотрены вопросы структурирования и
представления знаний, работы с метаданными, поиска
информации, а также обмена неявными знаниями на предприятии.
Систематизированы программные средства для работы со
знаниями. Приведены примеры систем управления знаниями, а
также указаны направления современных исследований в области
представления и управления знаниями. Особое внимание уделено
применению онтологий в системах управления знаниями.
http://elib.spbstu.ru/dl/2/2982.pdf/info

2016, Понятийные системы в цифровом мире, Кудрявцев Д.В.
Технологии бизнес-инжиниринга
4
Кудрявцев Д. В., Арзуманян М. Ю., Григорьев Л. Ю. Технологии бизнес-инжиниринга :
учеб. пособие — СПб. : Изд-во Политехн. ун-та, 2014. — 427 с.

План
1. Введение
2. Знания компьютера и роль понятийных
систем
3. Сложности создания понятийных систем
4. Виды и примеры понятийных систем
5. Разработка и сопровождение понятийных
систем
6. Использование понятийных систем
7. Актуальные темы исследований
5

Интеллектуальные помощники
7
Apple Siri
(2011)
Google Now
(2012)
Microsoft Cortana
(2014)
Amazon Alexa/Echo
(2014)
https://www.apple.com/ios/siri/
https://www.google.com/landing/now/
http://www.windowsphone.com/en-us/how-to/wp8/cortana/meet-cortana
http://www.amazon.com/oc/echo/
Facebook M
(2015)

История Siri
• Siri is using the results of over 40 years of research
funded by DARPA via SRI International’s Artificial
Intelligence Center through CALO project (2003~2008).
• Siri technology has come a long way with dialog and
natural language understanding, machine learning,
evidential and probabilistic reasoning, ontology and
knowledge representation, planning, reasoning and
service delegation.
• Siri was founded in 2007 (spin-off from SRI
international) by Dag Kittlaus (CEO), Adam Cheyer (VP
Engineering), and Tom Gruber (CTO/VP Design).
10

Технологические основы Siri
11

Взаимодействие в виде разговора
12

Пример автоматизации задачи
13

Подробнее
14

Фрагмент активной онтологии
16

Инструмент для редактирования
активной онтологии
17

Подробнее в трудах конференций
18
Guzzoni, D., Baur, C., & Cheyer, A. (2007). Modeling Human-Agent Interaction with Active
Ontologies. In AAAI Spring Symposium: Interaction Challenges for Intelligent Assistants (pp. 52-59).
Guzzoni, D., Baur, C., & Cheyer, A. (2006). Active: A unified platform for building intelligent web
interaction assistants. In Web Intelligence and Intelligent Agent Technology Workshops, 2006. WI-IAT
2006 Workshops. 2006 IEEE/WIC/ACM International Conference on (pp. 417-420). IEEE.

Рассказ Тома Грубера о Siri
19
https://vimeo.com/5424527

Том Грубер – автор одной из наиболее
цитируемых работ по онтологиям
20

Знания компьютера и роль
понятийных систем

Что знает компьютер
• Что в него заложили
• Что он автоматически вывел, на основе
заложенных знаний
• Чему он научился в результате индукции
22

2016, Понятийные системы в цифровом мире 23
Компоненты модели знаний /
модели экспертизы (expertise model)
Уровень задачи (Task knowledge)
• Цели, решаемой задачи (Task goals)
• Декомпозиция задачи (Task decomposition)
• Порядок выполнения задачи (Task control)
Уровень вывода (Inference knowledge)
• Базовые элементы вывода
• Роли
Предметные знания (Domain knowledge)
• Понятия / Типы
• Отношения
• Правила
• Факты
ДИАГНОСТИКА
(задача)
Выработка гипотезы
(эл-т вывода)
Верификация
(эл-т вывода)
Симптом
(тип)
Болезнь
(тип)
Тест
(тип)
Schreiber, A. T., Akkermans, J. M., Anjewierden, A. A., de Hoog, R., Shadbolt, N. R., van de Velde, W., & Wielinga, B. J. (2000).
Knowledge Engineering and Management: the CommonKADS methodology. MIT press.
Studer, R., Benjamins, V. R., & Fensel, D. (1998). Knowledge engineering: principles and methods. Data & knowledge
engineering, 25(1), 161-197.

25
Состояние
автомобиля
Аккумулятор
Заряд:
{нормальный,
низкий}
Бензобак
Статус: {полный,
полупустой,
пустой}
Невидимое
состояние
Видимое
состояние
Работа двигателя
Статус: {нормальная,
не заводится,
останавливается}
Горючее в
двигателе
Статус: {да, нет}
Электропитание
Статус: {да, нет}
Показания
приборов
Показатель
топлива
Правила:
Бензобак . Статус = пустой  Горючее в двигателе . Статус = нет {Взаимозависимость состояний}
Аккумулятор . Заряд = низкий  Электропитание . Статус = нет {Взаимозависимость состояний}
Бензобак . Статус = пустой  Показатель топлива . Значение = 0 {Модель проявлений}

26
Диагностика
Генерация и
тестирование
гипотез
Задача
Жалоба /
Проблема
Неисправность
Обоснование
Вход Выход
Статистическая
классификация
Деревья
решений
Задача
Метод решения
(Problem Solving
Method, PSM)
Объяснение
Предсказание
Получение
информации
Сравнение
Элементы вывода
Обмен
информацией
Декомпозиция

27
Жалоба /
Проблема
Гипотеза /
Возможное
решение
Двигатель не
заводится
Пустой
бензобак
Причинная
модель
Правила
взаимозависимости
состояний
Предсказание
Ожидаемые
признаки
топлива = 0
Получение
Фактические
наблюдения
Сравнение
Результат
топлива =
в норме
Несовпадение
Модель
проявлений
Правила
проявлений

28
Жалоба /
Проблема
Гипотеза /
Возможное решение
Элемент вывода
Невидимое
состояние
Видимое
состояние
отображение
(mapping)
(mapping)
Роль
(knowledge role)
Роль
(knowledge role)
Понятие
предметной области
Понятие
{Взаимозависимость
состояний}
(mapping)
Правила
Причинная
модель
Связка предметных знаний с методами решения задачи

Место модели знаний в разработке
системы на основе знаний
Модель организации (проблемы и возможности,
стратегия, оргструктура, бизнес-процессы, карта знаний),
модель агента, модель задачи
Модель
знаний
Модель
коммуникации
Проект системы
(для реализации)
Контекст
Концептуальная
модель
Артефакт
Система моделей в методологии
CommonKADS

Повторное использование знаний
• Цели, решаемой задачи (Task goals)
• Декомпозиция задачи (Task decomposition)
• Порядок выполнения задачи (Task control)
• Базовые элементы вывода
• Роли
• Понятия / Типы
• Отношения
• Правила
• Факты
Gómez-Pérez, A., & Benjamins, R. (1999). Overview of knowledge sharing and reuse components: Ontologies and problem-
solving methods. IJCAI and the Scandinavian AI Societies. CEUR Workshop Proceedings.
Библиотеки
методов решения
проблем
(Problem Solving
Methods, PSM)
Библиотеки
онтологий
(понятийных систем)
предметных областей

Переход к понятию «сервис»
31

Semantic web (Семантический веб)
32

Статья в Scientific American про семантический
веб и активизация интереса к понятийным
системам, понятным компьютеру (2001 г.)
33
http://www.cs.man.ac.uk/~ezolin/logic/semantic_web_rus.html
Перевод

Важность организации знаний
«Именно организация знаний, а не скорость
переработки, предельно низкая с точки
зрения технических систем, дает ключ к
пониманию, по крайней мере, части наших
познавательных способностей.»
Величковский Б.М. Когнитивная наука : Основы психологии познания : в 2
т. — Т. 2 — М. : Смысл : Издательский центр «Академия», 2006. — 432 с.
34

Сложности создания

Различие в абстрактных моделях разных
субъектов при рассмотрении одного и того же
объекта
36
Источник: [Буч, 1998]

Наука о знаковых системах
Семиотика, или семиология (от греч. Semeiotikon, от semeion – знак, признак) – наука,
исследующая свойства знаковых систем и соответственно знаков (естественных и
искусственных).
Три основных аспекта изучения знака и знаковой системы, выделяемые семиотикой:
1) синтактика, изучающая отношения между знаками, т. е. внутренние свойства систем
знаков (иначе, правила построения знаков в рамках знаковой системы);
2) семантика, изучающая отношения между знаками и обозначаемым предметом, т. е.
содержанием знаков;
3) прагматика, изучающая отношения между знаком и человеком-пользователем знака:
говорящим, слушающим, пишущим, читающим, т. е. назначение знаков.
Примером знаков могут служить широко используемые в операционных системах ярлыки-иконки,
например, ярлык с изображением принтера. Его изображение на экране является именем знака.
Содержание знака может быть раскрыто с помощью перехода от имени к таблице, содержащей
все нужные сведения о принтерах, а включение процедуры печати при щелчке по ярлыку
принтера определяет назначение этого знака.
37

Неоднозначность соответствия «знак – понятие –
вещь (денотат)»
38
• Омонимия (один знак – разные несвязанные понятия и вещи),
• Полисемия (один знак – разные, но связанные понятия и вещи),
• Синонимия (разные знаки для одного понятия и/или вещи)
«Семантический треугольник» Фреге

Пример омонимии
Знак
Понятие
Вещь
Ягуар
Ягуар (Животное)
Ягуар (Напиток)
Ягуар (Машина)
?
один знак – разные несвязанные понятия и вещи
39

Пример полисемии
40
«Капитальный ремонт»
определения понятия, встречающиеся на одном из отечественных
предприятий:
- работы по техническому обслуживанию и ремонту оборудования,
выполняемые в капитальный останов, т. е. останов производственной
линии длительностью свыше 24-х часов.
- ремонт, выполняемый для восстановления исправности и полного или
близкого к полному восстановлению ресурса изделия с заменой или
восстановлением любых его частей, включая базовые.
один знак – разные, но связанные понятия и вещи

Пример синонимии
41
разные знаки для одного понятия и/или вещи
По материалам компании Future Models

Потребность в общем языке
42
Для снижения представленной выше неоднозначности
соответствия знак – понятие – вещь (денотат) необходим
«общий язык», включающий в себя:
• Строго определенный словарь лексических единиц
(знаков),
• Непротиворечивое понимание того, какие понятия
обозначаются заданными лексическими единицами
(знаками).

Определение понятия
43
Интенсионал понятия - это определение его через соотнесение с понятием более
высокого уровня абстракции с указанием специфических свойств. Интенсионалы
формулируют знания об объектах.
Другой способ определяет понятие через соотнесение с понятиями более низкого
уровня абстракции или перечисление фактов, относящихся к определяемому объекту.
Это есть определение через данные, или экстенсионал понятия.

Где учат (учили) определять понятия?
44

Где учат (учили) определять понятия?
45

Формирование понятий на основе
общих признаков
46
Понятие A
1
32
4
3
Понятие Б
5
6
Родовое понятие

Сложности определения понятий
47
Опыты Лурия А.Р.
30-е годы ХХ века
Глухие кишлаки Средней
Азии,
Исследование людей, не
подвергшихся влиянию
науки и обучения
научному мышлению

Сложности классификации понятий
48

Роль ситуативных факторов в
классификации понятий
49
Поспелов Д. А. Ситуационное управление: теория и практика.
– Наука. Гл. ред. физ.-мат. лит., 1986.
«Приведенные эксперименты подчеркивают мысль о том, что не
призначная структура, находящаяся в центре внимания
специалистов по распознаванию образов, а ситуативное
положение того или иного факта или объекта определяют его
интерпретацию у человека, не имеющего дело с научными
определениями и теориями»
«В обычной жизни человек формирует понятия и организует
системы классификации, как правило, на основе тех ситуаций, с
которыми он сталкивается в своей повседневной деятельности и
на основании тех прагматических признаков, учет которых важен
для успешной её реализации».
Д.А.Поспелов

Виды и примеры понятийных
систем

Разнообразие терминов
51
Глоссарий
Классификатор
Онтология
Система
организации
знаний
Тезаурус
Модель
информации Модель
данных
Справочные
данные
карта
Архитектура
Фолксономия
Таксономия

Точки зрения на систематизацию терминов
52
Специалист по
информационной
науке
(«из библиотечного
дела»)
Специалист по
компьютерной науке
Онтология
Глоссарий
Классификатор
Тезаурус
карта
и др.
Система
организации
знаний
виды
виды
А есть ещё
практики
разрабатывающие
ИС, управленцы…!

Онтологии как средство представления знаний
Онтология в философии:
- наука о бытии, о сущем.
Онтология в информатике:
- система понятий, их свойств и связей между ними.
Понятная как человеку, так и компьютеру.
Иногда дополняется правилами.
Стандартные языки представления онтологий
позволяют обмениваться формализованными
знаниями.
53

Онтология как общий словарь для коммуникаций
Ягуар
Животное
является / пример
…
Лев Тигр
54

Генная онтология, фрагмент, описание
биологических процессов
55
http://geneontology.org/

Онтология научной деятельности SWRC
(Semantic Web Research Community)
56

Виды онтологий по глубине проработки
Каталоги на
основе ID
Глоссарий
Отношение «Выше-Ниже»
Неформальные
таксономии
Формальные
таксономии
Формальные
экземпляры
Свойства
классов/понятий
Ограничения на значения
Произвольные логические
ограничения
Дизъюнктивные классы,
Обратные свойства О. Лассилла,
Д. МакГинесс
57

Пример неформальной таксономии пиццы
58

Формальная таксономия пиццы
59
точное определение
отношения
ПОДКЛАСС-КЛАСС
http://wordnetweb.princeton.edu/

Взаимосвязи между понятиями:
concept map
60

Ограничения на область значений
свойств
61

Логические утверждения о концептах –
аксиомы
62
Класс, который имеет только
необходимые условия в описании

Логические утверждения о концептах –
аксиомы
63
Класс, имеющий по крайней мере один набор
необходимых и достаточных условий

Автоматизированная классификация
64

Систематизация терминов на основе
структурных особенностей
65
Типы отношений Глоссарий Классифика-
ционная
система
Mind
Map
Тезаурус Концепт.
карта
Модель /
схема
данных
Онтология
Эквивалентность Да Да Да +/- Да
Синонимы Да Да Да +/- Да
Антонимы Да +/- Да
Иерархия Да Да Да Да Да Да
Шире-Уже Да Да Да Да Да Да
Класс-подкласс +/- +/- Да Да Да Да
Часть-Целое +/- Да Да Да Да
Экземпляр +/- +/- Да Да
Ассоциативные
связи
Да Да Да Да
“см. также” +/- Да Да Да Да
другие типы
(напр., выполняет,
создает, влияет)
Да Да Да
Свойства элементов Да Да Да
Логические
ограничения
Да
На основе Stock W. G. Concepts and semantic relations in information science //Journal of the
American Society for Information Science and Technology. – 2010. – Т. 61. – №. 10. – С. 1951-1969.

Пример: Российский классификатор информации об
общероссийских классификаторах
66

Пример: Российский классификатор информации об общероссийских
классификаторах
67

Пример: Общероссийский классификатор продукции по видам экономической
деятельности
68
http://www.okpd2.info/classifier/
"ОК 034-2014 (КПЕС 2008).
Общероссийский классификатор
продукции по видам экономической
деятельности" (утв. Приказом
Росстандарта от 31.01.2014 N 14-ст) (ред.
от 26.05.2015)

Пример: Тезаурус по искусству и архитектуре
69
http://www.getty.edu/research/tools/vocabul
aries/aat/index.html

Репозиторий биологических и биомедицинских
онтологий Open Biomedical Ontologies (OBO)
70

Разработка и сопровождение

Методология разработки онтологий для новичков
Шаг 1. Определение области и масштаба онтологии
Шаг 2. Рассмотрение вариантов повторного
использования существующих онтологий
Шаг 3. Перечисление важных терминов в онтологии
Шаг 4. Определение классов и иерархии классов
Шаг 5. Определение свойств классов (слотов)
Шаг 6. Определение ограничений на значения свойств
(слотов)
Шаг 7. Создание экземпляров
72

Методологии: Ограничения и перспективы развития
• Cyc method
• Uschold & King method
• Gruninger & Fox’s methodology
• METHONTOLOGY
• SENSUS method
• On-To-Knowledge
• DILIGENT
©Asuncion Gomez-Perez
Динамика
Контекст
Совместная
работа
 Ни одна методология не учитывает три аспекта
одновременно.
 Недостаточная поддержка ВСЕГО жизненного цикла работы
с онтологиями.
~ 2006 год, начало разработки методологии NeOn

Сценарии создания сети онтологий в
методологии NeOn
74

Сценарии создания онтологий
Сценарий 1: Создание сети онтологий «с нуля» без использования существующих
ресурсов
Сценарий 2: Создание сети онтологий путем повторного использования
«неонтологических» ресурсов (поле знаний, не доведенное до уровня
онтологии или ее фрагментов);
Сценарий 3: Создание сети онтологий путем повторного использования
существующих онтологий или модулей;
Сценарий 4: Создание сети онтологий путем повторного использования и
реинжиниринга существующих онтологий или модулей;
Сценарий 5: Создание сети онтологий путем повторного использования и
объединения существующих онтологий или модулей;
Сценарий 6: Создание сети онтологий путем повторного использования,
объединения и реинжиниринга существующих онтологий или модулей;
Сценарий 7: Создание сети онтологий путем реструктуризации существующих
онтологий или модулей;
Сценарий 8: Создание сети онтологий путем локализации существующих
онтологий или модулей.
75

Методы отображения онтологий (ontology mapping)
76

Методы оценки онтологий
77
На основе материала Горового В. и Болотниковой Е.

Автоматизированное формирование и
наполнение онтологий
Ontology learning and Ontology population
78
Cimiano P. (2006) Ontology Learning and Population from Text: Algorithms, Evaluation and Applications. Springer.
Maedche A. (2012). Ontology learning for the semantic web (Vol. 665). Springer Science & Business Media.
Разработка и подбор алгоритмов для каждого уровня:

и много других задач…
79
На русском: Глоссарий предметной области «Онтологическое моделирование»

Использование понятийных систем
• Интеграция информации
• Семантический поиск
• Организация документов/контента
• Обработка естественного языка
• Разработка интеллектуальных систем
• Обучение (людей)
• Проектирование и настройка
информационных систем
• Моделирование и проектирование
• Стратегическое управление ИТ (и бизнесом)
80

Актуальные темы
исследований
81

Тренды - Тематики профильных конференций
"Knowledge in evolving and local contexts"
• Model evolution
– Ontology evolution
– Ontology debugging
– Ontology change management and versioning
– Ontology usage trends
• Methods and methodologies for time awareness,
such as:
– Modelling of time-indexed knowledge
– Ontology design patterns for time-indexed knowledge
– Reasoning over time-indexed knowledge
– Stream processing and stream reasoning
– Event processing
• Methods and methodologies for context awareness,
such as:
– Modelling of contextualised knowledge
– Ontology design patterns for representing context
– Reasoning with context
– Context-aware knowledge-based applications
• Lessons learned from case studies, e.g.:
– Knowledge management in large organizations
– Adoption of semantic web technologies
– Maintenance of corporate knowledge repositories
– …
82
Knowledge Engineering and Acquisition
• Tools and methodologies for ontology engineering
• Ontology design patterns
• Ontology localization
• Ontology alignment
• Knowledge authoring and semantic annotation
• Knowledge acquisition from non-ontological resources
(thesauri, folksonomies etc.)
• Semi-automatic knowledge acquisition, e.g., ontology learning
• Mining the Semantic Web and the Web of Data
• Ontology evaluation and metrics
• Uncertainty and vagueness in knowledge representation
• Dealing with dynamic, distributed and emerging knowledge
Social and Cognitive Aspects of Knowledge Representation
• Similarity and analogy-based reasoning
• Knowledge representation inspired by cognitive science
• Synergies between humans and machines
• Knowledge emerging from user interaction and networks
• Knowledge ecosystems
• Expert finding, e.g., by social network analysis
• Trust and privacy in knowledge representation
• Collaborative and social approaches to knowledge
management and acquisition
• Crowdsourcing in knowledge management
http://ekaw2016.cs.unibo.it/

Тренды - Тематики профильных конференций
Topics
• Database, information retrieval, information extraction, natural language processing and artificial intelligence techniques for
the Semantic Web
• Knowledge graph creation, reasoning, and usage
• Knowledge representation and reasoning on the Web
• Scalable management of semantics and data on the Web, including Linked Data
• Semantic Web data analysis
• Languages, tools, and methodologies for representing and managing semantics and data on the Web
• Architectures and algorithms for extreme volume, heterogeneity, dynamicity, and decentralization of Semantic Web data
• Cleaning, quality assurance, and provenance of Semantic Web data, services, and processes
• Ontology-based data access and integration/exchange on the Web
• Ontology engineering and ontology patterns for the Web
• Ontology modularity, mapping, merging, and alignment for the Web
• Searching and querying the Semantic Web
• Supporting multi-linguality in the Semantic Web
• User interfaces and interaction with semantics and data on the Web
• Information visualization and exploratory analysis methods for Semantic Web data
• Personalized access to Semantic Web data and applications
• Social semantics methods and applications
• Geospatial semantics and data on the Web
• Data streams and the Internet of Things
• Semantic technologies for mobile platforms
• Trust, privacy, and security on the Semantic Web
• Semantic Web and Linked Data for cloud environments
83
http://iswc2016.semanticweb.org/pages/calls/research-track.html

Тренды
84

2013 год, журнал «Human-Computer Studies»,
спец. выпуск «25 лет получению знаний»
85
http://www.sciencedirect.com/science/journal/10715819/80
Гуру рефлексируют на тему
работы со знаниями –
прошлое, настоящее,
будущее

Материалы по теме
1. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. –
СПб. и др. : Питер, 2000. – 384 с.
2. Гаврилова Т. А., Муромцев Д. И. Интеллектуальные технологии в
менеджменте: Учеб. пособие. – СПб.: «Высшая школа менеджмента», Издат.
дом СПбГУ, 2008. – 488 с.
3. Кудрявцев Д.В. Системы управления знаниями и применение онтологий:
Учеб. пособие / СПб.: Изд-во Политехн. ун-та, 2010. – 343 с.
4. Тузовский А.Ф., Чириков С.В., Ямпольский В.З. Системы управления знаниями
(методы и технологии) – Томск: Изд-во НТЛ, 2005. – 260 с.
5. Хорошевский В. Ф., Семантические технологии: ожидания и тренды. – 2012.
6. Schreiber G., Akkermans H., Anjewierden A., R. de Hoog, Shadbolt N., W. van de
Velde, Wielinga B. Knowledge Engineering and Management: The CommonKADS
Methodology, The MIT Press, Cambridge, MA, 2000. – 455 p.
7. Сообщество практиков ONTOLOG http://ontologforum.org/
8. Журнал «Онтология проектирования»
9. Редактор онтологий Protégé и сообщество http://protege.stanford.edu/
10. Международная конференция Knowledge Engineering and Semantic Web
(KESW) http://kesw.ru/ (для 2016 г. дедлайн по аннотациям – 15 апреля 2016 :)
86

87
СПАСИБО ЗА ВНИМАНИЕ
ВОПРОСЫ?
Дмитрий Кудрявцев
dmitry.ku@gmail.com
http://www.gsom.spbu.ru/faculty/prepodavateli_vshm_spbgu/kudryavcev/
http://www.linkedin.com/profile/view?id=17582861
https://twitter.com/kudryavtsev_d

Понятийные системы в цифровом мире: что может знать компьютер?

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (15)

Similar to Понятийные системы в цифровом мире: что может знать компьютер?

Similar to Понятийные системы в цифровом мире: что может знать компьютер? (20)

More from Dmitry Kudryavtsev

More from Dmitry Kudryavtsev (12)

Понятийные системы в цифровом мире: что может знать компьютер?