ФРАКТАЛЬНО КИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ЗНАНИЕ: ФРАКТАЛЬНО КИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ЗНАНИЕ

Канат Амиртаев; Ербол Рустамов

doi:10.47526/3135-6877.237

Авторы

Канат Амиртаев Международный казахско-турецкий университет им. Ходжи Ахмеда Ясави https://orcid.org/0000-0001-8042-7167
Ербол Рустамов Ташкентский государственный университет транспорта https://orcid.org/0009-0000-1976-0059

DOI:

https://doi.org/10.47526/3135-6877.237

Ключевые слова:

фрактал знаний, база знаний, сведения, данные, информация, знание, кибернетическая модель

Аннотация

В работе предлагается новая архитектура фрактально-кибернетической модели знаний (ФКМЗ), предназначенная для формализации процессов преобразования сведений в данные, информацию и знания в интеллектуальных системах. Актуальность исследования обусловлена необходимостью разработки новых подходов к организации искусственного интеллекта, способных эффективно функционировать в условиях постоянного роста объемов разнородных данных и информационной неопределенности. В отличие от современных нейросетевых технологий, ориентированных преимущественно на увеличение вычислительных ресурсов и обработку больших массивов неструктурированной информации, предложенный подход основан на семантическом представлении знаний и механизмах интеллектуального управления информационными потоками.

В статье рассмотрена семантическая взаимосвязь понятий «сведения», «данные», «информация» и «знание», а также предложена формальная схема их преобразования в рамках единой фрактальной структуры. Разработанная модель включает механизмы обратной связи, обеспечивающие самоорганизацию, адаптацию и интеллектуальную фильтрацию поступающих сведений. Особое внимание уделено роли ассоциативных сущностей, выполняющих функции контекстной обработки и отбора релевантной информации. Представлено математическое описание функционирования модели и рассмотрен пример ее практического применения.

Научная новизна работы заключается в разработке фрактального принципа организации знаний, обеспечивающего рекурсивное управление процессами формирования и интерпретации информации. Практическая значимость исследования состоит в возможности использования предложенной модели при создании интеллектуальных систем, экспертных комплексов, систем поддержки принятия решений, робототехнических платформ и перспективных архитектур искусственного интеллекта.

Библиографические ссылки

Ackoff, R. L. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16, 3–9.

Amirtaev, K. B., Rustamov, E. N., & Mukhamediya, D. T. (2023–2025). Semanticheskoe modelirovanie znaniy v intellektualnykh sistemakh [Semantic modeling of knowledge in intelligent systems]. In Materialy mezhdunarodnykh nauchnykh konferentsiy po iskusstvennomu intellektu i predstavleniyu znaniy [Proceedings of international scientific conferences on artificial intelligence and knowledge representation].

Chichkin, A. V. (1990). Matematicheskaya informatika [Mathematical informatics]. Nauka, Glavnaya redaktsiya fiziko-matematicheskoy literatury.

Mukhamedieva, D. T., Rustamov, E. N., & Vasieva, D. D. (2025). Algoritmicheskie osnovy postroeniya fraktala produktsionnogo znaniya [Algorithmic foundations of constructing a fractal of production knowledge]. European Journal of Interdisciplinary Research and Development, 2025, 171–177. http://www.ejird.journalspark.org

Muhamediyeva, D. T., & Rustamov, E. (2022). Semantic representation of production knowledge. In 2022 International Conference on Information Science and Communications Technologies (ICISCT) (pp. 1–4). IEEE. https://doi.org/10.1109/ICISCT55600.2022.10146951

Rajabi, E., & Etminani, K. (2022). Knowledge-graph-based explainable AI: A systematic review. Journal of Information Science, 50(4), 1019–1029. https://doi.org/10.1177/01655515221112844

Rustamov, E. N., Abdrakhmanov, R., Saparkhojayev, N., & Mukasheva, A. (2018). Algorithm bases of fractal knowledge bases designing in intellectual systems. Vestnik KazNRTU, 6(130), 192–198.

Rustamov, E. N., Muhamediyeva, D. T., & Safarova, L. U. (2024). Development and management of product knowledge base. In Proceedings of SPIE: Vol. 13065. Third International Conference on Optics, Computer Applications, and Materials Science (CMSD-III 2023). SPIE.

Rustamov, N. T. (1999). Prikladnoe raspoznavanie [Applied recognition]. Turkestan.

Rustamov, N. T., & Rustamov, E. N. (2022). Evristicheskaya model funktsionirovaniya psikhiki cheloveka [Heuristic model of the functioning of the human psyche]. Fan va texnologiyalar nashriyot-matbaa uyi. ISBN 978-9943-8122-5-3.

Wang, Z., Liu, Q., Yin, Y., et al. (2021). Neural, symbolic and neural-symbolic reasoning on knowledge graphs. AI Open, 2, 14–35.

Zakar-Polyák, E., Nagy, M., & Molontay, R. (2023). Towards a better understanding of the characteristics of fractal networks. Applied Network Science, 8, Article 17. https://doi.org/10.1007/s41109-023-00537-8

Zhuravlev, Yu. I., Kamilov, M. M., & Tulyaganov, Sh. E. (1974). Algoritmy vychisleniya otsenok i ikh primenenie [Algorithms for computing estimates and their application]. Tashkent.

ФРАКТАЛЬНО КИБЕРНЕТИЧЕСКАЯ МОДЕЛЬ ЗНАНИЕ