УДК 004.89
DOI: 10.36871/2618­-9976.2026.04.017

Авторы

Алексей Леонидович Ткаченко,
Кандидат технических наук, доцент кафедры информатики и информационных технологий, Калужский государственный университет имени К. Э. Циолковского, Калуга, Россия
Елизавета Сергеевна Говорова,
Студент, Калужский государственный университет имени К. Э. Циолковского, Калуга, Россия

Аннотация

В  статье  рассматривается  задача  оценки  качества  данных  в  информационных  системах  в  условиях  неопределённости  и  неполноты  информации.  Показано,  что  традиционные  количественные методы оценки качества данных не всегда позволяют адекватно  учитывать субъективность и размытость характеристик,  таких  как  полнота,  точность  и  актуальность  данных.  В  качестве  альтернативного  подхода  предлагается  интеллектуальная система оценки качества данных, основанная  на  аппарате  нечеткой  логики.  Разработана  нечеткая  модель,  включающая  систему  лингвистических  переменных, функции  принадлежности  и  базу  нечетких  правил  вывода. Описана  программная  реализация  модели  на  языке  Python с  использованием  библиотек  мягких  вычислений.  Проведены  вычислительные  эксперименты  для  различных  сценариев качества данных, подтверждающие адекватность и интерпретируемость  предложенной  модели.  Полученные  результаты  демонстрируют возможность применения разработанной интеллектуальной системы для поддержки принятия решений в  информационных системах различного назначения.

Ключевые слова

качество данных
информационные системы
нечеткая логика
мягкие вычисления
интеллектуальные системы
неопределенность
Python

Список литературы

[1] Борисов В.В. Нечёткие модели и сети / В.В. Борисов, В.В. Круглов, А.С. Федулов. М.: Горячая линия­Телеком, 2012. 284 с.

[2] Гаврилова Т.А.,  Хорошевский  В.Р.  Базы  знаний  интеллектуальных  систем.  СПб.: Питер, 2000. 384 c.

[3] Голосовский М.С., Богомолов А.В., Теребов Д.С., Евтушенко Е.В. Алгоритм настройки  системы нечёткого логического  вывода  типа Мамдани // Вестник ЮУрГУ. Серия  «Математика. Механика. Физика». 2018. Т. 10. № 3. С. 19–29.

[4] Григорьев В.А. Оценка  качества  интеллектуальных  систем,  оперирующих  неформальными понятиями // Информационные технологии. 1997. № 6. С. 7–10.

[5] Еремеев А.П. Моделирование рассуждений на основе прецедентов  в интеллектуальных системах поддержки принятия решений / А.П. Еремеев, П.Р. Варшавский // Искусственный интеллект и принятие решений. 2009. № 2. С. 45–57. EDN KWTRGZ.

[6] Лверкин А.Н., Батыршин И.З. и др. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Поспелова Д.Л. М.: Наука, 1986. 311 с.

[7] Леоненков А. Нечеткое  моделирование  в  среде  MATLAB и  fuzzyTECH.  СПб.:  БХВПетербург, 2003. 736 с.

[8] Менциев А.У. Обзор обработки естественного языка для анализа тональности: систематический подход к анализу тональности в текстовых данных / А.У. Менциев, А.Л.  Ткаченко,  Р.С.  Зарипова  //  Приборы  и  системы.  Управление,  контроль, диагностика. 2023. № 10. С. 8–13. DOI 10.25791/pribor.10.2023.1445. EDN QXDSJN.

[9] Теория и методы создания интеллектуальных компьютерных систем / В.Л. Арлазаров, Ю.И. Журавлев, О.И. Ларичев [и др.] // Информационные технологии и вычислительные системы. 1998. № 1. С. 18–20. EDN ZUNRPJ.

[10] Ткаченко А.Л. Корреляционный анализ  данных  с  использованием аналитической  платформы «Loginom» /  А.Л.  Ткаченко,  Т.М.  Токмурзин,  А.М.  А.  Хакки  //  Аудит  и  финансовый анализ. 2022. № 5. С. 17–21. EDN BGQDWW.

[11] Ткаченко А.Л. Применение  программных  продуктов  в  сфере  бизнес  аналитики  / А.Л.  Ткаченко,  В.И.  Кузнецова,  Г.В.  Заплатин  //  Информационные  технологии. Проблемы и решения. 2021. № 3(16). С. 26–32. EDN MXUIBI.