
- •Московская финансово-промышленная академия
- •Информационная сфера
- •Информационные процессы
- •Свойства правовой информации
- •Официальная правовая информация
- •Базовые ит – аппаратные средства обработки и передачи данных.
- •Предметные ит – технологии преобразования входной информации в выходную в данной предметной области вне зависимости от применяемых технических средств.
- •2. Информационные технологии как основа построения компьютерных информационных систем в юриспруденции (кис в ю)
- •2.1. Понятие компьютерной информационной системы
- •2.2. Персональные и многопользовательские кис в юриспруденции
- •Автоматизированные рабочие места
- •Ситуационные центры
- •Правовая информатизация федеральных органов государственной власти
- •Информационная безопасность
- •Компьютерные преступления
- •3. Правовые документы как основа правовой информации
- •3.1. Понятие документа. Виды документов, содержащих юридически значимую информацию
- •2. По регламенту оформления
- •3. По носителям
- •4. По правому режиму
- •3.2. Технические и программные средства обработки юридических документов Технические средства
- •Программные средства
- •Сканирование и распознавание текстов
- •Машинный перевод текстов
- •4. Информационная сущность правовых задач и особенности их постановки и решения с использованием компьютерных технологий
- •4.1 Сущность и виды задач информационно-правового характера, реализуемых с использованием компьютерных технологий
- •Системный подход
- •Метод информационного моделирования
- •Формализация
- •3) Лингвистические методы
- •4) Статистические методы
- •5) Оптимизационные задачи
- •6) Информационно-поисковые задачи
- •8) Задачи распознавания образов
- •9) Психологические методы
- •10) Теория игр
- •11) Информационно-поисковые задачи
- •4.3 Обобщенная технология решения правовой задачи
- •Режимы обработки информации
- •Режимы обработки информации
- •5. Базы данных в юридической деятельности
- •5.1. Роль и место баз данных в юридической деятельности
- •5.2. Справочные правовые системы
- •Индексация текстов нпа
- •Информационно-поисковый язык
- •5.3. Появление и развитие справочных правовых систем
- •Общенациональная система правовой информации
- •5.4. Обзор рынка спс в России
- •Критерии выбора спс
- •Справочная правовая система «Консультант Плюс»
- •Арм Юрист («Интралекс»)
- •6. Особенности технологии работы в среде спс Консультант Плюс: начало работы с системой
- •Знакомство с интерфейсом спс КонсультантПлюс
- •Окно поиска
- •Карточка поиска, ее элементы
- •Поиск конкретных документов с известными реквизитами
- •Поля «Номер», «Вид документа», «Принявший орган», «Номер в Минюсте»
- •Поле «Название документа»
- •Поле «Дата»
- •Поле «Текст документа»
- •Логические операторы в поле «Текст документа»
- •7. Особенности технологии работы в среде спс Консультант Плюс: поиск юридической, экономической и финансовой информации
- •Поиск часто используемой информации
- •Правовой навигатор и его использование при решении поисковых задач
- •Поиск информации по конкретному правовому вопросу через Карточку поиска
- •Работа с найденными документами а) Сортировка списка
- •Б) Справка к документу
- •В) Оглавление и его свойства
- •Г) Редакции документа
- •Д) Поиск фрагмента текста
- •Е) Гипертекст
- •Ж) Связи документа
- •Сохранение результатов работы с документом а) Сохранение в файл
- •Контрольные вопросы по пройденному материалу
- •Краткая историческая справка
- •3. Самообучающиеся системы
- •4. Системы обработки прецедентов (cbr – Case-Base Reasoning)
- •Аналитические системы
- •Системы поддержки принятия решений
- •8.2. Обзор рынка современных правовых консультационных систем
- •8.3. Консультационные системы поддержки расследования преступлений
- •Информационно-аналитические системы
- •Консультирующие программы
- •Аналитические системы для силовиков
- •Архитектура аналитической системы служб безопасности
- •Круговое расположение – объекты расположены по кругу с группировкой по типам и количеству связей На что способны иас для следователей?
- •Пример шаблона события
- •Диаграмма звонков абонента – исходные данные Найденный кластер и шаблоны
- •Пример разметки документа
- •8.4. Обучающие программы и деловые игры в юриспруденции
- •9. Информационные технологии в деятельности органов внутренних дел
- •Местный уровень
- •Региональный уровень
- •Федеральный уровень
- •Главный информационно-аналитический центр мвд рф
- •Центр статистической информации
- •Центр криминальной информации
- •Структура Центра криминальной информации
- •Автоматизированная информационная система Следственного комитета мвд
3. Самообучающиеся системы
Искусственная нейронная сеть (ИНС, нейронная сеть) - набор нейронов, соединенных между собой. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор (рис. 10). Однако преобразование основано не на
Рисунок 10. Формирование нейронной сети.
Пусть стоит задача по 9 параметрам, описывающим лицо, определить пол (человек может приклеить усы или надеть парик). Для этого можно использовать нейронную сеть с 9 входами и 2 выходами (м, ж).
Теперь сеть нужно обучить. Берем некую выборку из базы фотографий, вводим параметры на вход и получаем ответ (возможно, неверный). Вычисляем ошибку и вводим это значение в программу. На основе этой информации нейронная сеть изменит способ преобразования. После многократного предъявления фотографий ошибка будет равна нулю или близка к нулю. Нейронная сеть обучена.
Если теперь ввести параметры произвольной фотографии (например, загримированного человека), можно ожидать верный ответ.
Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Если предъявлять ей фотографии одного и того же человека, скорее всего, она не сумеет определять пол других людей.
Нейронные сети хорошо решают задачи кластеризации, разделяя набор данных на подгруппы со сходными свойствами. Так, например, можно выявить «группы риска» среди автомобилистов или налогоплательщиков.
Нейронные сети также применяют в задачах распознавания образов:
Распознавание речи, идентификация подписи, графологическая экспертиза.
4. Системы обработки прецедентов (cbr – Case-Base Reasoning)
Не всегда от ИС ждут конкретный ответ. В некоторых случаях важнее узнать способ достижения цели. В этом случае используют свой или чужой опыт поведения в сходной ситуации – прецеденте.
Предположим, студент не готов к экзамену. Если обратится к ЭС, она скажет, что он получит «2» с вероятностью 90%. Но цель студента, как не получить «2». Знакомые могут предложить ему аналогичные прецеденты:
а) «заболтать» преподавателя,
б) списать у соседа,
в) списать с учебника,
г) получить подсказку через мобильный телефон,
д) послать сдавать брата.
Важной проблемой CBR (буквально, является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем, однако понятие «сходный» зависит от постановки задачи. Тут встает задача, какой из прецедентов больше похож на его случай. Скажем, (б) и (в) не подходит, если у студента плохое зрение. А (д) – если у преподавателя хорошая память.
Иногда гораздо более результативным будет нестандартный прием, применимый обычно в другой предметной области.
Второй проблемой является метод представления результата пользователю: словесное описание, графическое или др. Пользователь должен легко и быстро понять, что ему предлагает система, иметь возможность уточнить какие-то моменты или проконтролировать себя, так ли он понял.