Введение Продолжаем серию статей на тему юридического искусственного интеллекта, аспектов его развития и перспектив практического применения на отечественном рынке.
В предыдущих публикациях мы неоднократно говорили, что, по нашему мнению, развитие Legal AI может быть достигнуто за счет создания и применения нового семантического блока, который включает в себя:
- инструменты лингвистического анализа текстов на естественном языке;
- структурированная модель юридических знаний (графы знаний и онтологии);
- предварительно обученные нейронные сети.
Во второй статье мы рассмотрели подходы к созданию продуктов на основе искусственного интеллекта, а также вопросы взаимодействия специалистов в сфере IT и права.
В этой статье мы предлагаем погрузиться в тему онтологий и ответить на следующие вопросы:
- Какова роль онтологий в процессе создания искусственного интеллекта?
- Почему существующие онтологии в области права неприменимы для Legal AI, несмотря на многолетние попытки зарубежных специалистов структурировать юридические знания?
- Какими свойствами должны обладать онтологии юридического ИИ для решения практических задач?
1. Логическая интерпретация данных
1.1. Описание уровней знаний
Использование набора инструментов для обработки текста на естественном языке, как мы отмечали ранее, позволяет решить первую задачу на пути к Legal AI, а именно добиться глубокого уровня детализации смыслового содержания юридических документов с помощью группа методов лингвистического анализа (морфология, синтаксис, семантика), машинное обучение и т. д. Представим, что «завтра» эта задача для русского языка решена на 99,99%.Следующим важным шагом является интерпретация результатов с точки зрения предметной области (рассуждение).
Именно на этом этапе полученные данные соотносятся с правовой картиной мира и определяется юридическое содержание конкретного документа.
Например, традиционно в деловой практике при составлении любых гражданско-правовых договоров одним из первых разделов является «Предмет договора», в котором устанавливается сущность правоотношений между сторонами.
Иными словами, предмет договора содержит ответы на вопросы: «О чем заключается договор и как стороны влияют на определенный объектЭ» Так, в договоре купли-продажи предмет обычно формулируется следующим образом: «В соответствии с условиями настоящего договора продавец обязуется передать товар в собственность покупателя, а покупатель обязуется принять товар».
и оплатить их стоимость».
Исходя из формулировки предмета договора, юристы чаще всего определяют его правовую природу, что позволяет правильно квалифицировать отношения между сторонами и применять необходимые нормы права, соответствующие характеру правоотношений.
Это, безусловно, самый простой и распространенный пример.
Для того чтобы идентифицировать договор купли-продажи по такой формулировке, обычно не требуются экспертные юридические знания.
Но в реальной юридической практике мы чаще сталкиваемся со сложными экономическими отношениями между сторонами, которые выходят далеко за рамки простых договоров (купли-продажи) и требуют глубокой работы по толкованию содержания договора с целью дать ему юридическую оценку.
Однако общий методический подход не зависит от сложности конкретной ситуации.
Человек-юрист читает текст договора или иного документа, выделяет в его содержании ключевые юридические факты и смыслы, структурирует их в соответствии с известными ему правовыми понятиями и, наконец, применяет системные знания и опыт для формирования логических суждений и выводов.
Причем очень часто эти процессы происходят в сознании юриста неразрывно и параллельно, поскольку любой человек воспринимает и обрабатывает поступающую информацию под призмой собственных профессиональных знаний.
Когда мы делегируем программным средствам любую работу, связанную с логической обработкой данных, необходимо, прежде всего, сформировать единую картину мира, которая станет общей базой знаний, доступной для восприятия человеком и программными средствами.
В случае с программными решениями для юристов, целью которых является логическая обработка данных, концептуальное описание правовой картины мира, закономерностей и связей правовой системы, глубина которых определяется кругом решаемых задач.
, требуется.
Чем сложнее задачи, тем более глубокая и масштабная цифровизация юридических знаний необходима для достижения желаемого результата.
Говоря о формализации знаний в контексте науки о данных, нельзя не упомянуть описанную Иудея Перл концепция трех уровней: ассоциация, причинно-следственная связь и контрфактические явления.
(его книга настоятельно рекомендую прочитать эту тему) .
Уровень ассоциации — это базовый и наиболее распространенный метод машинного обучения.
Он предполагает выработку суждений на основе статистики, полученной в результате обработки большого объема исходных данных.
Особенность этого уровня в том, что полученный конечный результат с большой степенью вероятности будет правильным, но логического объяснения такому результату не будет. Следующий уровень – причинно-следственная связь.
На этом уровне существует поверхностная причинно-следственная связь, которая позволяет прийти к определенному результату на основе ряда отличительных особенностей.
Например, из десятков фотографий животных можно идентифицировать изображение, на котором изображена кошка, обнаружив уникальные анатомические особенности, характерные для кошки.
Уровень «Причинность» существенно превосходит предыдущий уровень по возможностям прогнозирования и анализа, однако выявленная причинно-следственная связь является прямой.
Например: на уровне причинно-следственной связи мы можем утверждать, что рак легких может быть смертельным.
Но на уровне причинно-следственной связи мы не можем с уверенностью сказать, что смерть стала результатом именно этой вредной привычки, а не какого-либо другого фактора.
И, наконец, третий уровень – Контрафакты.
Этот уровень включает в себя способности глубокого причинно-следственного рассуждения и способен давать ответы на вопросы, требующие ретроспективного анализа.
Возвращаясь к примеру с курением, используя этот уровень, можно не только констатировать, что курение может привести к смерти, но и сформулировать рекомендации по снижению риска рака легких, игнорированию второстепенных факторов и т. д. Как мы отмечали ранее, наиболее распространенным уровнем знаний в машинном обучении является Ассоциация.
По своей сути все методы достижения результата сводятся к поиску идеального математического уравнения/функции, позволяющего наиболее точно ответить на требуемый вопрос.
Однако, с точки зрения профессионального юриста, такая «подгонка под результат» вряд ли когда-либо станет общепринятым инструментом.
В юриспруденции идеальным уровнем, на котором должно работать программное обеспечение, является Counterfactuals, предполагающий использование полной и детальной картины мира, позволяющей находить ответы на самые разнообразные вопросы и прогнозировать результат на основе произвольных входных данных.
Именно на этом уровне можно говорить о способности формировать суждения и выводы в любой предметной области, соответствующие функционалу цифрового юриста.
1.2. Построение суждений и умозаключений
Вынесение суждений и выводов о входных данных на основе юридической логики — ключевая задача Legal AI. В процессе разработки и создания инструментов, обеспечивающих решение этой проблемы, как мы отмечали в предыдущих публикациях, необходимо руководствоваться «первыми принципами» и подходить к ее реализации с самых фундаментальных начал.Одной из основных возможностей и целей онтологий как семантических моделей представления знаний предметной области является способность генерировать и выводить новые знания на основе связей между существующими понятиями (рассуждения).
Результаты этого процесса включают два элемента: суждение и умозаключение.
Их различия берут начало в философии и логике, изучающих процессы мышления и познания.
Таким образом, суждение — это мысль, в которой посредством связи понятий что-то о чем-то утверждается (отрицается), а вывод — более высокий уровень логического опосредования, чем суждение, в ходе которого новое суждение выводится из сравнения ряд судебных решений.
Возвращаясь к рассматриваемым вопросам, можно привести классический пример предложения: «S есть P».
Генерации таких суждений можно достичь с помощью набора лингвистических инструментов с использованием семантики и графа знаний.
В результате можно сказать, что задача обработки текста сводится к преобразованию предложений естественного языка в набор подобных суждений.
Практический пример реализации данного инструментария можно проиллюстрировать, анализируя вводную часть («шапку») искового заявления, которая традиционно содержит следующую информацию:
- наименование и адрес суда, в который адресуется иск;
- наименование, идентификаторы (ОГРН/ОГРИП, ИНН, КПП и т.п.
) истца и его адрес;
- наименование, идентификаторы (ОГРН/ОГРИП, ИНН, КПП и т.п.
) ответчика и его адрес и т.п.
Москва, ул.
Тверская, д. 1, офис 1».
Из данного фрагмента текста можно выделить совокупность суждений, изначально не имеющих прямой связи друг с другом.
Такие связи подразумеваются, и в результате их реконструкции мы можем, используя инструменты лингвистики и НЭР, получить следующие положения:
- «ООО «Ромашка» – «Организация» типа «Общество с ограниченной ответственностью»;
- «Г.
Москва, ул.
Тверская, д. 1, офис 1» — это «Адрес».
Тверская, д. 1, офис 1».
Эта связь является примером умозаключений, которые мы получаем, сравнивая два суждения.
Это результат процесса рассуждения.
Для формирования умозаключений необходимо иметь набор формализованных знаний, на основе которых становится возможным сравнивать суждения и получать новые знания о конкретных субъектах и объектах отношений.
В нашем примере таким знанием является правило о том, что «Организация» типа «Общество с ограниченной ответственностью» имеет «Адрес».
Очевидный вопрос в этой ситуации: «Как генерировать это формализованное знаниеЭ» Здесь нам на помощь приходят описательная логика и объектно-ориентированное программирование.
1.3. Логика описания и объектно-ориентированное программирование
Описательная логика (дескриптивная логика, логика понятий) — язык представления знаний, позволяющий описывать понятия предметной области в однозначной, формализованной форме, организованный по типу языков математической логики.Описательные логики сочетают в себе, с одной стороны, богатые выразительные возможности, а с другой, хорошие вычислительные свойства, такие как разрешимость и сравнительно невысокая вычислительная сложность основных логических задач, что позволяет использовать их на практике, обеспечивая компромисс между выразительностью и сравнительно невысокой вычислительной сложностью основных логических задач.
и разрешимость.
Семейство дескриптивных логик получило современное название в 1980-х годах.
В то время они изучались как расширение теорий фреймовых структур и семантических сетей с помощью механизмов формальной логики.
В 2000-х годах логики описания стали использоваться в рамках концепции семантической сети, где их предлагалось использовать при построении онтологий.
Язык OWL разрабатывается как язык, на котором могут быть сформулированы и опубликованы так называемые сетевые онтологии — формально письменные утверждения о понятиях и объектах определенной предметной области.
Одним из требований к таким онтологиям является то, что содержащиеся в них знания доступны для машинной обработки, в частности, для автоматического логического вывода новых знаний из существующих.
Для этого необходимо, чтобы язык, на котором формулируются онтологии, имел точную семантику и чтобы соответствующие логические задачи были разрешимы (и имели практическую вычислительную сложность).
Кроме того, желательно, чтобы такой язык обладал достаточно большой выразительной силой, пригодной для формулирования на нем практически значимых фактов.
Этими свойствами обладают дескриптивные логики, и по этой причине они были выбраны в качестве логической основы языка OWL. OWL основан на языке разметки XML, поэтому можно сказать, что OWL является результатом преобразования некоторой логики описания с использованием синтаксиса XML. Таким образом, мы подошли к изучению онтологий как формы структурирования информации.
Подобные модели представления знаний нашли свое практическое применение в широких областях.
Наиболее очевидным и основным применением является использование онтологий в качестве источника данных для компьютерных приложений (для поиска информации, анализа текста, извлечения знаний и т. д.), поскольку онтологии позволяют более эффективно обрабатывать сложную и разнообразную информацию.
Такой способ представления знаний позволяет распознавать те смысловые различия, которые самоочевидны для людей, но не известны программным инструментам.
На современном этапе своего развития онтологии и графы знаний становятся инструментами выражения знаний и опыта предметной области, в том числе для решений на основе технологий искусственного интеллекта в самых разных областях, в том числе в сфере юриспруденции.
Говоря о необходимости создания правовых онтологий и графов, мы не ставим перед собой задачу перевода правовых норм из текстов законов, иных правовых актов, а также судебных решений в машиночитаемый формат. Подобные идеи возникали в научном сообществе, но, на наш взгляд, они не имеют практического смысла.
Юриспруденция представляет собой чрезвычайно сложную и раздробленную область знаний, несмотря на то, что в Российской Федерации существует общепринятая система права, позволяющая выделять отдельные отрасли, подотрасли, учреждения и т.п.
На практике реальные дела очень часто лежат на стыке многих отраслей права, которые также имеют противоположное регулирование.
В теории права существуют даже такие понятия, как пробелы в правовом регулировании (наличие отношений, не имеющих никакого правового регулирования), коллизия права (случай, когда одна ситуация подлежит противоположному регулированию), аналогия права.
и т. д. Кроме того, нормативные правовые акты задают общий вектор правового регулирования, зачастую определяя лишь основные принципы и его принципы, оставляя за диспозитивными субъектами отношений право самостоятельно договариваться о правилах поведения в установленных пределах.
Например, в отношении отдельных видов договоров Гражданский кодекс Российской Федерации устанавливает определенные существенные условия, без утверждения которых договор считается незаключенным.
Как правило, это предмет договора, срок и/или цена (точный набор существенных условий зависит от конкретного вида обязательства).
Они выступают минимально необходимым количеством условий для заключения договора, однако в деловой практике встречаются редкие случаи, когда договор ограничивается лишь существенными условиями, указанными в законе.
Очень часто стороны самостоятельно формулируют подходящие для них условия сотрудничества, которые не указаны в законе.
Кроме того, в гражданском праве существуют такие категории, как безымянные договоры (договоры, не предусмотренные ГК РФ как самостоятельный вид договора), регулирование которых осуществляется по аналогии с законом/правом.
Кроме того, тексты законов определяют лишь правила поведения.
Возвращаясь к примеру о существенных условиях договора, важно отметить, что Гражданский кодекс Российской Федерации требует наличия этих условий в договоре, но не определяет порядок их утверждения, рекомендуемую формулировку этого то или иное условие и т. д. Все это свидетельствует о том, что тексты нормативных правовых актов и судебных решений охватывают, по нашим оценкам, не более 20-30% реальной юридической практики.
Многие вопросы правоприменения лежат вне их рамок и формируются в формате обычаев делового оборота, поэтому преобразование законов и судебных решений в машиночитаемый формат не позволит в полной мере воспроизвести правовую картину мира.
Отдельной проблемой такого подхода является неоднозначность и сложность юридического языка.
В предыдущей публикации мы рассказывали об эксперименте 1986 года по разбору нормативного акта (The British Nationality Act) с использованием логики языка Пролог.
Суть эксперимента заключалась в попытке разложить текст этого закона на структурные единицы (смысловые тройки), что и было осуществлено.
Авторы эксперимента тогда отметили, что большой проблемой для самих сотрудников правоохранительных органов (адвокатов, адвокатов, судей и т.д.) является неясность и неясность законов, что создает дополнительные проблемы при попытке их интерпретации в процессе применения.
Сложность профессиональной лексики, проблемы в юридической технике авторов законов и многое другое не всегда позволяют однозначно трактовать тот или иной правовой акт, что приводит к различному пониманию одной и той же нормы.
Данная проблема актуальна для всех юрисдикций, в том числе и для России.
Достаточно вспомнить сложившуюся практику применения новых норм.
После принятия и вступления в силу новых положений законодательства зачастую требуется значительное время для выработки практики их применения, в том числе в случаях, когда принятый закон часто сопровождается разъяснениями Вооруженных Сил РФ в форме Постановлений Пленума, в которых разъясняется, как правильно интерпретировать те или иные положения.
Все это говорит о том, что оцифровка текстов нормативных правовых актов и судебных решений не позволит в полной мере воссоздать правовую картину мира и развить базу юридических знаний.
Отдельно остановимся на ограничениях и трудностях структурирования юридических знаний в формате онтологий.
Язык OWL имеет ряд ограничений, которые создают трудности при попытке отразить определенные типы отношений, существующие в объективной реальности.
К таким отношениям могут относиться практически все отношения, выраженные в естественном языке с помощью причастий и деепричастий, а также отношения, продолжавшиеся определенный период времени.
Например, заявление: «Генеральный директор, назначенный решением собрания акционеров, осуществлял свои полномочия в период с 01.09.2015 по 01.09.2019».
на практике моделировать в OWL крайне сложно, поскольку отношения (свойства объекта) не предполагают существования собственных свойств.
Существует в OWL подходы решения этой проблемы приводят к практически неконтролируемому росту классов, в результате чего:
- онтологии становятся чрезвычайно трудными для интерпретации и сопровождения;
- операции с классами и экземплярами становятся вычислительно сложными.
Например, сообщество W3C в 2017 году приняло стандарт Shapes Constraint Language (SHACL), который позиционируется как альтернатива RDFS/OWL и обладает большими возможностями для описания свойств и характеристик объектов.
Кроме того, потенциальным решением является переход к нереляционным базам данных (графовым системам), которые гораздо более выразительны в описании классов и отношений.
2. Графы знаний и онтологии
2.1. Обзор существующих правовых онтологий
В пределах предыдущая публикация мы исследовали конкретные вопросы, связанные с онтологиями.Тогда мы писали, что онтология – это единая и структурированная база знаний предметной области, представляющая собой объективное смысловое отражение картины мира в виде набора взаимосвязанных терминов, иерархически записанных в формате классов, подклассов и отношений.
между ними, что позволяет соотносить имеющиеся данные друг с другом с точки зрения экспертной логики.
Мы также отметили, что среди способов систематизации знаний онтологии предшествовали таксономия (любая структура знаний в виде иерархически связанных сущностей со связями одного типа - «подкласса») и органическое развитие онтологических систем представления.
знание представляет собой график.
Граф структурно включает графовые хранилища семантических метаданных и онтологий, которые в данном случае выступают в роли полуструктурированной модели предметной области, являясь ядром графа знаний.
В результате этого метода становится возможным решать интеллектуальные задачи с использованием постоянного оборота данных за счет использования методов машинного обучения.
Вопросы о необходимости структурирования и систематизации знаний в различных предметных областях впервые начали возникать еще в XX веке.
Активное использование онтологий как модели такой систематизации началось за рубежом в 1990-е годы, и на этих этапах был создан ряд обширных онтологий, включающих несколько тысяч терминов (OMEGA, SUMO, DOLCE и другие).
В начале 2000-х годов были разработаны единые стандарты построения онтологий.
Так, в 2004 году объединенный консорциум W3C опубликовал первые рекомендации и спецификации языка OWL 1.0, который был доработан до версий 1.1 и 2.0. Следует отметить, что до принятия спецификаций языка OWL их разработка происходила с использованием других языков представления онтологий (KIF, Ontolingua, XOL и др.
).
В России не развит единый подход, поэтому развитие онтологических систем знаний происходит менее активно (как и их практическое применение).
Первые онтологии создавались преимущественно в рамках научных исследований.
Позднее онтологии стали распространяться в различных прикладных областях (медицина, биология, информатика, финансы, бизнес и т. д.).
Юриспруденция не стала исключением.
Первые функциональные онтологии в области права появились еще в 1990-е годы (Функциональная онтология права Валенте и др.
(1994), Фреймовая онтология ван Кралингена (1997) и др.
).
В настоящее время наиболее распространенными юридическими онтологиями в мире являются: LKIF, UFO, FIBO, FBO и Legal Rule ML. Мы решили детально изучить и сравнить эти онтологии между собой (подробнее в разделах 2.1.1-2.1.6).
Прежде чем перейти к анализу конкретных онтологий, необходимо определить критерии сравнения и оценки их практической применимости.
На основе многолетних теоретических исследований и практической деятельности по моделированию онтологий и графов для оцифровки индивидуальных юридических знаний мы разработали собственное видение идеальной модели представления правовой картины мира и требований к ним.
Прежде всего необходимо понимать, что невозможно создать универсальную и общеприменимую онтологию в области права из-за различий государственных правовых систем и используемого языка.
Эти причины мы подробно рассмотрели в предыдущей публикации, в которой привели пример того, что даже внутри одной правовой семьи существуют существенные и принципиальные различия в понимании одних и тех же правовых институтов и явлений.
Кроме того, говоря об уровне детализации онтологий, мы отметили, что существующие модели знаний не имеют глубокого уровня проработки, поскольку созданы преимущественно для целей обмена знаниями и информацией, что требует использования высокой степени проработки.
абстракции, и поэтому они неприменимы для целей практической юриспруденции, поскольку используемых понятий будет недостаточно для отражения правоотношений.
Принимая во внимание данные обстоятельства, в качестве критериев сравнения для 5 (пяти) онтологий, рассматриваемых ниже, мы предлагаем использовать следующие:
- уровень детализации (количество понятий);
- возможность структурирования понятий из правовой системы РФ;
- возможность и необходимость доработки онтологии для обеспечения совместимости с правовой системой РФ;
- логика и простота использования;
- широта освещения правоотношений;
- необходимость внесения изменений при изменении законодательства.
2.1.1. ФИБО
Бизнес-онтология финансовой индустрии (FIBO) — одна из наиболее распространенных онтологий в финансовой отрасли.Его разрабатывает международное сообщество во главе с консорциумом OMG, который занимается объектно-ориентированными технологиями и стандартами с 1989 года.
Стандарты FIBO используются многими налоговыми органами разных стран, в том числе в рамках автоматического обмена информацией ( сведения о бенефициарах и др.
).
Данная онтология в контексте анализа моделей представления юридических знаний имеет неоднозначный смысл.
С одной стороны, ФИБО описывает финансовый рынок и отношения между его участниками (финансовые транзакции/операции, финансовые активы и т. д.), не преследуя своей основной цели структурировать юридические категории и стать стандартом правовой онтологии.
С другой стороны, из-за наличия существенных пересечений финансовой сферы и права невозможно описать финансовые отношения без использования основных правовых категорий, поэтому ФИБО включает в себя юридический блок терминов, минимально необходимых для структурирования финансовой сферы.
знание.
Например, для построения финансовой онтологии невозможно не использовать такие классические юридические понятия, как юридические лица, ценные бумаги, сделки и многое другое.
Однако в предыдущей статье мы отметили, что рассматривать ФИБО как юридическую онтологию неверно.
Во-первых, из-за разницы в глубине проработки вопросов финансов и права онтология FIBO малопригодна для решения задач в области Legal AI, а, во-вторых, даже содержащиеся в ней правовые концепции построены на зарубежном правовом уровне.
системы, не адаптированные под российское законодательство.
Но, несмотря на эти факты, онтология ФИБО получила чрезвычайно широкое распространение и практически используется в сфере бизнеса, а также считается одним из лучших примеров онтологий в целом, поэтому мы решили подробно проанализировать ее состав и особенности.
В совокупности FIBO состоит из 3099 классов.
Понятия онтологии ФИБО представляются двумя способами: формальное описание понятий и их взаимосвязей на языке OWL, а также их описание на естественном языке с использованием толковых словарей финансовой отрасли.
Формальное описание концептов на языке OWL выполняется с помощью редактора онтологий Protege, широко используемого при семантическом моделировании.
Ожидается, что онтология FIBO должна стать общим языком для финансовой индустрии, поддерживая автоматизацию бизнес-процессов.
Он предназначен для использования разработчиками программного обеспечения, бизнес-аналитиками и другими заинтересованными сторонами в финансовой сфере.
Бизнес-термины и определения, описанные в FIBO, могут использоваться в качестве эталонной модели, с которой финансовые учреждения могут связать свои собственные (локальные) модели.
Становится возможным создавать логические модели данных, получающие формальную семантику от FIBO. В основе FIBO лежит онтология верхнего уровня, включающая категории, называемые «разделами».
Разделы включают описания различных типов базовых сущностей (например, независимые/связанные, реальные/абстрактные и т. д.).
Онтология верхнего уровня используется базовым модулем FIBO Foundations, который содержит большой набор подмодулей.
На основе фондов FIBO уже разрабатываются такие модули, как «Бизнес-субъекты FIBO» и «Индексы и индикаторы FIBO».
Эта модульная формальная модель позволяет отдельно описывать, использовать и при необходимости дополнять группы понятий, содержащихся в отдельных модулях.
FIBO Foundations включает в себя набор базовых концепций, которые в дальнейшем используются для описания соответствующих терминов финансовой отрасли.
В этом модуле описываются общие понятия, которые не являются уникальными для финансовой отрасли, но необходимы для описания понятий, связанных с финансами, включая набор основных юридических категорий (договоры и транзакции, организации и т. д.).
В некоторых случаях Фонды FIBO используют прокси-концепции для ссылки на концепции, описанные в других разделах.
Например, подобные заместители используются для таких понятий, как адрес или страна.
Это происходит по двум причинам: понятия, используемые в финансовой отрасли, обычно имеют более конкретное значение, чем соответствующие им более общие, нефинансовые понятия.
Примерами таких концепций являются контракты или транзакции, которые включены в основы FIBO, чтобы их можно было уточнить в других спецификациях онтологий.
Вторая причина использования прокси-концепций заключается в том, что свойства некоторых концепций финансовой отрасли часто приходится использовать в сочетании с другими нефинансовыми концепциями (например, страны, юрисдикции, адреса и т. д.).
Такие концепции включены в Основы FIBO, чтобы на них можно было ссылаться в других спецификациях FIBO. 
Раздел ФИБО Субъекты предпринимательства не входит в состав Фондов ФИБО и создан на его основе.
Представлена модель бизнес-концепций, которые представлены в терминах финансовой отрасли и используются в нормативных и финансовых документах организаций.
В данном модуле описывается совокупность терминов, касающихся субъектов хозяйствования, в том числе юридических лиц различных организационно-правовых форм, отношений управления и собственности между ними.
Бизнес-объекты FIBO также содержат подробные требования к созданию диаграмм и отчетов, предназначенных для использования бизнес-экспертами.
ФИБО Бизнес-объекты включает в себя набор подмодулей, которые позволяют описывать юридические лица, корпорации, партнерства, трасты, собственность и контроль.
Теги: #Машинное обучение #искусственный интеллект #наука о данных #Обработка естественного языка #график знаний #юридические технологии #онтология #правовой ИИ
-
Uber Запустился В Минске
19 Oct, 24 -
Выбор Файловой Системы Независимо От Ос
19 Oct, 24 -
Морфеус Успешно Прошел Испытания
19 Oct, 24 -
Многопользовательский Чат На Bat
19 Oct, 24 -
10 Главных Ошибок В Системах Масштабирования
19 Oct, 24 -
Сообщество Флеш-Игр
19 Oct, 24
