ВКР МЭИ: «Разработка интеллектуальной системы фильтрации для отбора объектов в предметной области»

Диплом МЭИ 09.03.03 "Прикладная информатика" Разработка интеллектуальной системы фильтрации для отбора объектов в предметной области

Бесплатная консультация по вашей теме: Telegram: @Diplomit Телефон/WhatsApp/MAX: +7 (987) 915-99-32, Email: admin@diplom-it.ru,

Актуальность темы ВКР

Современные информационные системы обрабатывают огромные объемы данных, что создает серьезные проблемы с поиском и отбором релевантной информации. Согласно исследованию Gartner (2024), средний сотрудник тратит до 30% рабочего времени на поиск необходимой информации, при этом до 60% запросов остаются неудовлетворенными из-за неэффективных систем фильтрации. В условиях информационной перегрузки разработка интеллектуальных систем фильтрации, способных точно отбирать объекты в предметной области, становится критически важной задачей.

Особую актуальность данная тема приобретает в свете требований Руководства по написанию ВКР для МЭИ, где особое внимание уделяется практической реализации и внедрению разработанных решений. Интеллектуальные системы фильтрации, в отличие от традиционных методов, позволяют учитывать контекст запроса, профиль пользователя и динамически изменяющиеся данные, что значительно повышает точность и полноту результатов поиска.

Цель и задачи

Цель исследования: разработка и внедрение интеллектуальной системы фильтрации для отбора объектов в предметной области "техническая документация промышленного оборудования", обеспечивающей повышение точности и скорости поиска необходимой информации.

Для достижения поставленной цели необходимо решить следующие задачи:

• Провести анализ существующих методов и систем фильтрации информации и выявить их недостатки
• Определить функциональные и нефункциональные требования к интеллектуальной системе фильтрации на основе анализа потребностей инженеров-технологов
• Разработать модель предметной области и онтологию для представления технической документации
• Выбать и адаптировать алгоритмы машинного обучения для повышения точности фильтрации
• Реализовать прототип системы с основными модулями: обработка запросов, ранжирование результатов, обучение на основе обратной связи
• Провести тестирование системы в реальных условиях работы с технической документацией
• Оценить эффективность внедрения системы по критериям: повышение точности поиска, сокращение времени на поиск информации, удовлетворенность пользователей

Объект и предмет исследования

Объект исследования: процессы поиска и фильтрации информации в информационных системах, в частности, в системах управления технической документацией промышленных предприятий.

Предмет исследования: методы и технологии разработки интеллектуальных систем фильтрации для отбора объектов в предметной области, включая онтологические модели, алгоритмы машинного обучения и методы персонализации результатов поиска.

Исследование фокусируется на создании решения, которое будет соответствовать специфике работы с технической документацией промышленного оборудования, учитывая особенности структуры данных, требования к точности поиска и необходимость интеграции с существующими системами предприятия.

Примерный план (Содержание) работы

Структура ВКР должна отражать логическую последовательность этапов исследования и разработки интеллектуальной системы фильтрации. Вот примерный план работы по данной теме:

Глава 1. Анализ проблемной области и постановка задачи

• 1.1. Современное состояние систем поиска и фильтрации информации в информационных системах
• 1.2. Анализ существующих подходов к интеллектуальной фильтрации: классические методы, машинное обучение, онтологические подходы
• 1.3. Исследование процессов поиска технической документации на примере промышленного предприятия
• 1.4. Выявление проблем и ограничений текущих систем фильтрации
• 1.5. Постановка задачи и определение критериев оценки эффективности

Глава 2. Результаты работ, выполняемые на этапах анализа, проектирования и разработки

• 2.1. Анализ требований к интеллектуальной системе фильтрации в контексте технической документации
• 2.2. Проектирование онтологии предметной области для представления технической документации
• 2.3. Разработка модели ранжирования результатов с использованием алгоритмов машинного обучения
• 2.4. Проектирование архитектуры системы и выбор технологического стека
• 2.5. Разработка алгоритмов адаптивной фильтрации на основе обратной связи пользователей

Глава 3. Описание итоговой реализации и тестирование

• 3.1. Описание реализованной интеллектуальной системы фильтрации
• 3.2. Интеграция системы с существующей информационной инфраструктурой предприятия
• 3.3. Реализация механизмов обучения и адаптации системы
• 3.4. Тестирование системы в условиях промышленного предприятия
• 3.5. Анализ результатов внедрения и рекомендации по дальнейшему развитию

Ожидаемые результаты и практическая значимость

Результатом исследования станет интеллектуальная система фильтрации, позволяющая инженерам-технологам:

• Повысить точность поиска технической документации на 40-50%
• Сократить время поиска необходимой информации с 30 минут до 5-7 минут
• Получать персонализированные результаты поиска на основе профиля пользователя
• Автоматически улучшать качество результатов за счет обучения на основе обратной связи
• Интегрировать данные из различных источников в единую систему поиска

Практическая значимость работы заключается в том, что разработанная система может быть внедрена не только в системы управления технической документацией, но и адаптирована для других предметных областей, таких как медицинские базы данных, юридическая информация или научные публикации. Это особенно важно в свете требований к повышению эффективности работы с информацией и снижению временных затрат на поиск данных.

Результаты исследования могут быть использованы промышленными предприятиями для оптимизации процессов работы с технической документацией, что позволит повысить производительность инженеров и сократить время простоя оборудования за счет более быстрого доступа к необходимой информации. Система будет соответствовать требованиям информационной безопасности, что делает ее готовой к реальному внедрению в условиях промышленного предприятия.

Пример введения для выпускной квалификационной работы

В условиях информационной перегрузки современные специалисты сталкиваются с серьезными проблемами при поиске и отборе релевантной информации. Согласно исследованию Gartner (2024), средний сотрудник тратит до 30% рабочего времени на поиск необходимой информации, при этом до 60% запросов остаются неудовлетворенными из-за неэффективных систем фильтрации. Для инженеров-технологов, работающих с технической документацией промышленного оборудования, эта проблема особенно актуальна, так как ошибки в выборе документации могут привести к серьезным производственным последствиям.

Целью настоящей выпускной квалификационной работы является разработка интеллектуальной системы фильтрации для отбора объектов в предметной области "техническая документация промышленного оборудования", обеспечивающей повышение точности и скорости поиска необходимой информации. Для достижения поставленной цели решаются следующие задачи: анализ существующих методов фильтрации информации, определение функциональных требований к системе, разработка онтологии предметной области, выбор и адаптация алгоритмов машинного обучения, реализация прототипа системы и оценка ее эффективности в реальных условиях.

Объектом исследования выступают процессы поиска и фильтрации информации в информационных системах, предметом — методы и технологии разработки интеллектуальных систем фильтрации, включая онтологические модели, алгоритмы машинного обучения и методы персонализации результатов поиска. В работе используются такие методы исследования, как анализ научной литературы, методы онтологического моделирования, методы машинного обучения, методы тестирования и оценки эффективности информационных систем.

Научная новизна исследования заключается в предложении комплексного подхода к разработке интеллектуальной системы фильтрации, объединяющего онтологическое моделирование предметной области с адаптивными алгоритмами машинного обучения. Практическая значимость работы состоит в создании готового к внедрению решения, которое позволит инженерам-технологам значительно сократить время поиска технической документации и повысить точность отбора необходимой информации.

Заключение ВКР МЭИ

В ходе выполнения выпускной квалификационной работы была разработана и внедрена интеллектуальная система фильтрации для отбора объектов в предметной области "техническая документация промышленного оборудования". Проведенный анализ существующих методов фильтрации позволил выявить ключевые проблемы текущих систем и сформулировать требования к новой интеллектуальной системе, учитывающей специфику работы с технической документацией.

Разработанная система включает онтологию предметной области, модель ранжирования результатов на основе алгоритмов машинного обучения и механизмы адаптации к профилю пользователя. При реализации были использованы современные технологии, обеспечивающие высокую производительность и точность фильтрации. Тестирование системы в реальных условиях показало, что внедрение разработанного решения позволяет повысить точность поиска технической документации на 45%, сократить время поиска с 30 минут до 6 минут и повысить удовлетворенность пользователей на 35%.

Практическая значимость работы подтверждается готовностью системы к эксплуатации в условиях промышленного предприятия и потенциальной возможностью адаптации для других предметных областей. Полученные результаты могут стать основой для дальнейших исследований в области интеллектуальной обработки информации и разработки специализированных решений для повышения эффективности работы с данными в различных сферах деятельности.

Требования к списку источников

Список использованных источников в ВКР по теме интеллектуальных систем фильтрации должен соответствовать ГОСТ 7.1-2003 и включать не менее 45 источников, из которых 30% должны быть опубликованы за последние 2 года. Источники необходимо разделить на категории: нормативные документы, научная литература, работы по онтологиям, исследования по машинному обучению, электронные ресурсы.

Примеры корректного оформления источников:

1. ГОСТ Р ИСО/МЭК 25010-2015. Системы и программное обеспечение для обработки информации. Система качества и модель оценки. — М.: Стандартинформ, 2015. — 45 с.
2. Михайлов, А.В. Онтологические модели в информационных системах / А.В. Михайлов, Е.П. Соколова // Информационные технологии. — 2024. — № 2. — С. 112-125.
3. Learning to Rank for Information Retrieval / Tie-Yan Liu. — Springer, 2023. — 248 p.

Особое внимание следует уделить источникам по современным методам машинного обучения для задач ранжирования, исследованиям в области онтологического моделирования и стандартам оценки эффективности систем поиска. Все источники должны быть непосредственно связаны с темой исследования и использованы в тексте работы для подтверждения аргументов и выводов.

• Как написать введение для дипломной работы: инструкция и пример
• 7 проверенных способов повысить оригинальность диплома
• Как подготовить killer-презентацию для защиты