Ирина Эланс

Автор который поможет с любыми образовательными и учебными заданиями

Мультиагентные технологии

Мультиагентные технологии — один из главных инструментов, интеллектуальное ноу-хау, применяемое в деятельности компании.

Суть мультиагентных технологий заключается в принципиально новом методе решения задач.

В отличие от классического способа, когда проводится поиск некоторого чётко определенного (детерминированного) алгоритма, позволяющего найти наилучшее решение проблемы, в мультиагентных технологиях решение получается автоматически в результате взаимодействия множества самостоятельных целенаправленных программных модулей — так называемых агентов. Агент может действовать по поручению и в интересах человека.

Вообще говоря, существует несколько определений понятия агента, но мы можем привести следующие основные признаки программного агента:

выполняется автономно;

взаимодействует с другими агентами или пользователем;

оценивает состояние окружающего его «виртуального мира»

Зачастую классические методы решения задач либо неприменимы к реальной жизни (все мы представляем, что значит попытаться решить задачу управления предприятием в непредсказуемой динамичной обстановке современного бизнеса, даже с помощью высшей математики), либо они требуют совершенно необозримых объемов расчетов (для которых не хватит мощности всех современных компьютеров), либо они вовсе отсутствуют.

Значит ли это, что ситуация, когда точный алгоритм решения отсутствует, безнадежна? Нет, отвечают мультиагентные технологии. В конце концов, людям в своей жизни постоянно приходится в условиях дефицита времени и средств решать задачи, не имеющие точного формального решения — и они решаются часто не самым наихудшим образом.

Дело в том, что нам присущ интеллект — то, что отличает человека от компьютера, действующего строго по заложенной в него программе. То, что позволяет нам ориентироваться в сложной обстановке, иметь дело с нечетко поставленными задачами, адаптироваться к меняющимся условиям.

Неопределенность присутствует, когда существует набор альтернатив, и невозможно предсказать, какой из вариантов окажется лучшим по прошествии достаточно длительного времени. При составлении расписаний, это ситуация, когда, к примеру, существует выбор между несколькими грузовиками, перевозящими грузы, несколькими дорогами, которые могут быть использованы для достижения разных точек назначения, и многими водителями, которые могут управлять грузовиками. Каждый из ресурсов (грузовик, дорога и водитель) имеют различные свойства. Неопределенность возрастает в ситуациях, когда возможны непредсказуемые события, такие как изменения в условиях поставок или спроса, аварии или сбои ресурса, задержки, отмены заказов, и тому подобное.

А есть ли интеллект, скажем, у колонии муравьев? С одной стороны, каждый отдельно взятый муравей, очевидно, им не обладает. С другой — колония в целом проявляет удивительные образцы поведения, которое во многом может считаться интеллектуальным. Такие ситуации называются проявлением эмерджентного интеллекта, или неожиданных свойств, которыми обладает система, но не обладает ни один входящий в нее отдельный элемент.

Возникающий при этом эффект «интеллектуального резонанса» часто так и называют «Интеллект роя». Действительно, интеллект и физическая сила одной пчелы не так велики, но рой пчел, согласованно действующий, может победить медведя и даже человека.

Агенты очень похожи на членов команды, которые могут соревноваться друг с другом или сотрудничать в процессе принятия решения.

Ключевая особенность эмерджентного интеллекта — динамика и непредсказуемость процесса принятия решений.

На практике это означает, что решение достигается за счет сотен и тысяч взаимодействий, которые почти невозможно отследить. Но это и не требуется, поскольку агентам дают цели, которые они должны достигать, но не предопределяют сценарии исполнения задач по достижению этих целей. Эти сценарии формируются и исполняются агентами самостоятельно. На каждом шаге агенты рассматривают входы системы и реагируют на непредсказуемые события (задержки, сбои, изменения), Реакция может быть самостоятельной, или осуществляться во взаимодействии с оператором.

Таким образом, эмерджентный интеллект — это не есть какой-либо один новый и специально сконструированный уникальный «блок», добавленный к системе. Напротив, это нечто (результат самоорганизации), что возникает как бы «из воздуха» (за счет множества скрытых или явных условий, сложившихся в ситуации), спонтанно и в заранее не предвиденный момент времени, и так же неожиданно исчезает, но в процессе своего существования определяющим образом «правит» работой всей системы.

Тут мы имеем дело с возникновением порядка из хаоса, с одним из тех явлений, которые изучали и описывали такие выдающиеся ученые, как Александр Богданов (теория организации), Илья Пригожин (самоорганизация в физических системах), Марвин Минский (психология и теория мышления), Артур Кестлер (биология).

Начало построению моделей и применению искусственных мультиагентных систем на практике было положено в 1960-х годах. В качестве основы были взяты достижения таких областей деятельности человека, как Системы Искусственного Интеллекта (Artificial Intelligence), Параллельные Вычисления (Parallel Computing), Распределенное Решение Задач (Distributed Problem Solving).

Сейчас МАС — одно из наиболее динамично развивающихся и перспективных направлений в области Искусственного Интеллекта.

Существует большое количество различающихся в тех или иных аспектах подходов к построению таких систем.

Ключевой особенностью подхода НПК «Генезис знаний» является использование наряду с мультиагентными технологиями, онтологий (семантических сетей) для представления знаний о конкретной предметной области (логистика, производство, поиск информации в Интернете и т.д., и т.п.).

Агенты функционируют в виртуальном мире, представляющем проблему, и взаимодействуют между собой путем посылки сообщений. Как результат переговоров агентов, формируется текущее решение проблемы, которое гибко меняется в соответствии с динамикой среды.

Одной из возможных разновидностей переговоров агентов является торговля, когда существуют агенты потребностей и агенты возможностей (ресурсов), между которыми происходят переговоры (negotiations), в рамках модели виртуального рынка.

Перспективными областями применения мультиагентных технологий являются:

Электронная коммерция

Транспорт

Логистика

Оптимальное динамическое планирование производства и сбыта продукции

Интеллектуальный поиск товаров и услуг в сети Интернет

Направленная реклама и маркетинг

и т.д.

Станьте первыми в Вашей отрасли, кто использует интеллектуальные мультиагентные технологии — и получите уникальные конкурентные преимущества!

Особенности мультиагентного подхода Генезиса знаний

Одной из ключевых особенностей мультиагентных систем, разрабатываемых НПК «Генезис знаний», является синтез неотъемлемых частей онтологий и сцен для представления базы знаний о той или иной предметной области, и конкретной решаемой проблемы, и сообщества интеллектуальных агентов.

При этом изменения в ситуации в виртуальном мире, в котором функционируют агенты, отражаются в изменении состояния сцены, что вызывает генерацию соответствующего сообщения.

Агенты различных типов умеют воспринимать те или иные виды сообщений и генерировать, в соответствии с поставленными перед ними целями и заложенными в них правилами поведения, ответные сообщения.

Основной целью рассматриваемого проекта является создание системы мониторинга показателей деятельности органов исполнительной власти и показателей качества жизни населения региона, системы поддержки решения задач на стыке разделения функций уровней власти и согласования принимаемых решений.

Для достижения поставленных целей необходимо обеспечить руководителей органов исполнительной власти различного уровня автоматизированным рабочим местом (АРМ) — современным инструментом, обеспечивающим решение следующих задач:

Конструирование показателей деятельности органов исполнительной власти и качества жизни населения;

Мониторинг и контроль событий (проблемных ситуаций), происходящих в системе;

Обеспечение эффективного анализа данных о ходе выполнения целевых, в том числе межотраслевых проектов и программ;

Поддержка принятия решений, выработка вариантов решений проблем на основе ситуа-тивного анализа выполнения программ и базы знаний электронных регламентов;

Отслеживание результатов и контроль исполнения принятых решений.

В процессе принятия решений, который схематично представлен на рисунке выделяются три основных фазы:

Предпонимание — начальная стадия процесса принятия решения, на которой фиксируются знания о предметной области в форме онтологий;

Понимание — стадия, обычно начинающая с появления проблемной ситуации; на этой стадии конструируются объектные модели (сцены) с использованием разработанных онтологий;

Взаимопонимание — на этой стадии происходит поиск решения задачи с учетом сформулированных ограничений и анализ полученных результатов.

Процесс принятия решения является итеративным. После получения и анализа результата возможен переход к началу каждой из фаз процесса с целью получения оптимального решения.

При разработке такой системы следует учитывать, что большинство показателей результативности взаимосвязаны между собой и достижение их целевых значений зависит от многих факторов (исходных данных, показателей-аргументов) и согласованных усилий всех ОИВ. При этом взаимосвязи исходных данных и показателей представляют собой четко выраженную сетевую структуру. Особенно ярко это проявляется при формировании показателей качества жизни населения региона — комплексной характеристики социально-экономических, политических, культурно-идеологических, экологических факторов и условий существования личности, положения человека в обществе. Фрагмент такой сетевой структуры показан на рисунке ниже.

Перечисленные выше особенности предъявляют повышенные требования к среде конструирования и мониторинга показателей качества государственного управления и качества жизни населения, к которым относятся:

Оперативность и достоверность предоставляемой информации.

Динамичность — система предоставляет возможность в любой момент времени изменить определения отдельных показателей и их взаимосвязей, а также неограниченно наращивать их количество в процессе эксплуатации системы.

Распределенность — показатели по отдельным сферам и территориям могут располагаться на различных серверах и в различных информационных базах, определяться и формироваться различными специалистами и ведомствами, интегрируясь в обобщенные показатели по региону, качеству жизни и т.д.

Открытость — система допускает поэтапное внедрение и подключение новых подсистем (серверов) со своим набором показателей без останова и перезапуска всей системы.

Гибкость — определение показателей и их взаимосвязей открыто и доступно конечным пользователям системы, которые могут изменять и дополнять систему.

Асинхронность — система поддерживает возможность внесения данных в различные, заранее непредвиденные моменты времени и позволяет своевременно реагировать на их появление, пересчитывая показатели, зависящие от этих данных.

Контроль корректности и своевременности — система контролирует корректность предоставляемых исходных данных и формируемых значений показателей, своевременность их поступления и формирования.

Авторизация и ответственность — несмотря на то, что один и тот же показатель может быть использован для оценки деятельности различных ОИВ, выделяется ответственный ОИВ (федеральный, региональный или муниципальный), к сфере ответственности которого относится данный показатель. Остальные ОИВ, отвечающие за данный показатель результативности, будут выступать в качестве соисполнителей. Для организации такой схемы система имеет гибко настраиваемую систему ролей пользователей, наделяющую отдельных пользователей правами изменять определение показателя, готовить исходные данные, формировать показатель или просматривать и анализировать его значения.

Предлагаемый подход

Для создания тиражируемой среды мониторинга показателей качества жизни населения региона и результатов деятельности ОИВ, удовлетворяющей перечисленным требованиям, предлагается использовать мультиагентные технологии и базы знаний (онтологии).

В основе мультиагентной технологии лежит понятие программного агента — автономного программного объекта, способный анализировать ситуацию, принимать решения, коммуницировать с другими агентами, вести переговоры друг с другом для разрешения возникающих конфликтов и затем информировать систему и пользователя о результатах своих действий. В процессе переговоров и принятия решений программные агенты пользуются знаниями, хранящимися в онтологии.

Онтология — компьютерная форма представления знаний о предметной области в виде семантической сети, где в качестве главных концептов выступают объекты с их атрибутами, отношения между объектами, сценарии (алгоритмы) функционирования объектов. Создание и использование онтологий позволяет отделить знания и логику принятия решений от программного кода, предоставляя возможность конечному пользователю без специальных знаний в области программирования пополнять и изменять знания системы, а также проводить изменения без прерывания работы системы.

Онтологии идеально подходят для описания сети взаимосвязанных показателей результативности, а средства работы с онтологиями компании «Генезис знаний» обеспечивают открытость, распределенность, гибкость, динамичность и разделение прав доступа (авторизацию). Контроль корректности и своевременности, также как и асинхронный режим работы среды мониторинга будут поддерживать взаимодействия программных агентов.

При таком подходе каждому показателю и пользователю показателя в системе будет поставлен в соответствие программный агент, и сеть взаимодействующих программных агентов в сочетании с онтологией обеспечат адекватное описание сети взаимосвязанных показателей. Схема взаимодействия агентов показателей в распределенной системе представлена на рисунке ниже.

Онтологическое описание показателя

Описание показателя в онтологии будет включать следующий набор свойств и атрибутов:

Формулу расчета показателя в символьной форме (например, A=f (B,C,D)) или в виде таблицы, или графика;

Размерность показателя, единицы измерения;

Диапазоны изменения показателя и, возможно, значение по умолчанию;

Предпочтительное (плановое) значение;

Ответственного за формирование показателя и его исходных данных;

Периодичность (сроки) формирования показателя;

Наследников показателя (перечень показателей, в вычислении которых используется его значение).

Программный агент показателя

Программный агент показателя может решать следующие задачи:

Имеет возможность работать с онтологией и, в частности, читать из онтологии формулу расчета показателя (в примере A=f (B,C,D)) и другую необходимую информацию;

При получении сообщений от агентов показателей-аргументов (в примере — B,C,D) об их изменении, производит перерасчет показателя A заново, считав из онтологии актуальную формулу расчета;

Сохраняет историю изменений значения показателя с целью анализа его динамики;

Контролирует корректность формируемого показателя, сопоставляя сформированное значение с извлеченным из онтологии допустимым диапазоном изменения, размерностью;

В случае корректного формирования показателя извещает агентов зависимых от него показателей и агентов пользователей показателя об успешном завершении расчета;

В случае некорректного формирования проверяет исходные данные и запрашивает у их агентов повторной подготовки и передачи информации;

Проверяет сроки формирования показателя и посылает напоминания агентам аргументов показателя о необходимости предоставления данных;

Сопоставляет плановое (предпочтительное) и фактическое значение показателя и извещает агента пользователя показателя об обнаруженных отклонениях;

В отдельных специально оговоренных в онтологии случаях агент показателя может сформировать значение на частично представленных данных, предупредив агента пользователя показателя о том, каких данных не хватает и кто отвечает за их предоставление.

Программный агент пользователя

Агент пользователя выполняет следующие функции:

Использует онтологию и настройки предпочтений пользователя;

Определяет форму отображения показателя (таблица, график, визуализация на карте);

Извещает пользователя об изменении показателя;

Извещает пользователя о задержках предоставления показателя;

Визуализирует сеть формирования показателя;

Подсвечивает в сети формирования узлы, задерживающие представление данных;

Подсвечивает в сети формирования узлы, представляющие некорректную информацию.

Заключение

Предлагаемый подход был апробирован при реализации ряда пилотных проектов и показал свою действенность и эффективность.

В 2005 году в рамках развития проекта «Разработка первой очереди системы управления регионом с применением мультиагентных технологий (СУПРЕМА)» ФЦП «Электронная Россия» был реализован проект «Разработка автоматизированных рабочих мест руководителей региональных, федеральных и муниципальных органов исполнительной власти для мониторинга показателей качества жизни населения Самарской области (на примере Министерства труда и социального развития Самарской области, Управления федеральной государственной службы занятости населения по Самарской области и Администрации г. Отрадный)».

В ходе этого проекта предложено исследование показателей, которые отражают эффективность взаимодействия представительств трех уровней власти при решении следующих задач на территории города Отрадный Самарской области:

Организация пенсионных и социальных выплат;

Реализация индивидуальных программ реабилитации инвалидов;

Предоставления субсидий на оплату жилья и коммунальных услуг в связи с реформой ЖКХ;

Кроме того, в начале 2006 года в министерстве гуманитарного и социального развития была внедрена пилотная версия системы для мониторинга показателей деятельности органов власти.

В 2006 году планируется осуществить промышленную реализацию данного программного комплекса, расширив спектр исследуемых показателей деятельности органов власти и показателей качества жизни населения Самарской области. Предполагается осуществить полномасштабное внедрение комплекса в двух выбранных территориальных образованиях Самарской области (в Кинель-Черкасском и Красноярском районах).

подхода, при котором каждый пользователь (организация или гражданин) и каждый ресурс (ресурсы организации, возможности или потребности) получают своего агента, который на основе знаний из онтологии постоянно производит мониторинг периодически обновляемого контента системы и стремится удовлетворить интересы своего пользователя.

Под «агентом» следует понимать программный объект, способный воспринимать информацию из среды, планировать свои действия и принимать решения, действовать в среде и коммуницировать с подобными себе агентами. Агент действует на основе онтологии, в которой указаны как законы мира, так и возможные сценарии поведения агента. В результате знания предметной области агенты превращаются из пассивных и статичных компонент в «живые», активные и динамичные сущности, способные самостоятельно договариваться о взаимодействии, трансформироваться и устанавливать связи между собой.

Мультиагентные системы могут быть построены как открытые, способные «налету» адаптироваться к изменениям за счет своих онтологий — баз знаний предметной области, отделенных от программного кода системы, пополнение которых открыто и доступно для специалистов и менеджеров, не имеющих навыков программирования. Эти системы способны накапливать, обрабатывать и применять знания о предметной области.

Применение онтологического подхода, играющего ключевую роль в способности агентов принимать решения, можно определить как совокупность пополняемых баз знаний, описывающих основные понятия и отношения предметной области, а также сценарии или правила поведения агентов в форме семантических сетей. Эта семантическая сеть может содержать как декларативные, так и процедурные компоненты и включать такие понятия (концепты) как физические или абстрактные объекты, свойства, процессы, отношения, атрибуты.

Каждому пользователю в разрабатываемом подходе дается программный агент, который действует от имени и по поручению человека для реализации его потребностей и возможностей. Такой программный агент, настраиваемый человеком на решение конкретных задач, может обнаруживать важные для него события, вырабатывать варианты решений и согласовывать принимаемые решения со всеми участниками взаимодействия. Например, для пенсионера, являющегося ветераном труда — обнаружить распространяющиеся на него дополнительные льготы, для переселенца-инвалида — определить размер материальной помощи, найти организацию, которая сможет предоставить ему возможность работы на дому, если такая потребность была заявлена человеком; больному диабетом — подобрать лечебное учреждение и т.д.

Для того, чтобы агенты могли находить варианты решений индивидуально для каждого человека, с учетом конкретных жизненных ситуаций, они получают доступ к персональным данным и базам знаний (онтологиям), которые могут грамотно интерпретировать и применять в интересах своего владельца. Описание онтологии при этом представляет собой семантическую сеть понятий и отношений, характерных для социальной сферы. Через семантическую сеть экземпляров этих понятий и отношений представляются конкретные ситуации каждого гражданина, к которым применяются хранящиеся в базе знаний правила рассуждений и принятия решений. В разрабатываемом подходе это позволяет строить динамические сети потребностей и возможностей (ПВ-сети) как для граждан, так и для организаций социальной сферы. Появление, например, нового закона, изменяющего социальный статус человека, или изменение его возможностей при этом сразу вызывает изменение в конфигурации ПВ-сети конкретного человека и с его согласия запускает цепочку взаимодействий и согласованного пересмотра и принятия решений во всех участвующих организациях.

Результаты взаимодействия граждан с учреждениями социальной сферы могут составлять важную исходную информацию для работы менеджеров по организации процессов управле-ния департаментов социального блока, которые смогут оценивать качество и эффективность предоставляемых населению услуг, своевременно обнаруживать проблемные ситуации (нехватка финансовых средств на выдачу пособий, задержка с оформлением льгот и т.д.) и принимать решения по повышению эффективности используемых ресурсов.

Общие принципы построения новой мультиагентной платформы

Для решения задач по созданию промышленной версии компонент системы взаимодействия в компании «Генезис знаний» был разработан новый подход к созданию распределенных мультиагентных систем промышленного применения, который призван полностью заменить платформу Мадженты первого поколения. (Платформа второго поколения Мадженты, помимо ориентации на задачи оптимизации деятельности одного предприятия и ряда других ограничений, является также слишком дорогостоящей для массового тиражирования и внедрения в социальной сфере региона).

Новые ключевые принципы предлагаемого подхода, положенные в основу новой платформы, формулируются следующим образом (приводимые далее примеры даны исключительно для пояснения смысла — разрабатываемый инструментарий является полностью предметно независимым):

В качестве основной распределенной архитектуры рассматривается многоуровневая Р2Р архитектура (peer-to-peer — равный с равным), учитывающая территориальные уровни и целостность сетей городов, районов, поселков. Например, запрос программного агента гражданина на какую либо услугу рассматривается, в первую очередь, в поселке, по месту нахождения гражданина, а если нужного сервиса не нашлось, то агент выходит с запросом на уровень района и т.д.

Каждый уровень сети построен как открытая система, в которой подключаемая новая система может зарегистрироваться без останова работающих приложений. Например, сервис дантиста может подключиться к районной системе и, после авторизации в областном министерстве здравоохранения, станет доступен программным агентам граждан района, а также агентам местного горздравотдела, поликлиники и отделения социальной защиты (для обмена электронной амбулаторной карточкой больного и регистрации его посеще-ний, направления льготников на лечение и расчетам по ним, анализа предоставленных услуг). При этом для жителей других районов или областного центра, этот сервис станет доступным, если он приобретет высокий областной рейтинг и начнет котироваться как региональный сервис.

Программные агенты всех участников взаимодействия (граждан, менеджеров по работе с населением, врачей и т.д.) должны обладать типовым механизмом поддержки принятия решений в реальном времени, ориентированным на работу в среде рассматриваемой архитектуры. Агент должен реагировать на важные события, идентифицировать появление или исчезновение интересующих его сервисов, расставлять приоритеты для поступающих предложений в соответствие с заданными критериями, зачитывать регламенты взаимодействия и добиваться их исполнения, осуществлять финансовые расчеты между бизнес-единицами и т.п. В качестве базового механизма для формализации такой деятельности предлагается использовать модель деятельности Щедровицкого — российского философа, который занимался теорией инженерной деятельности, включая приложения на АвтоВАЗе. Эта модель включает в себя в качестве ключевых категорий следующие взаимосвязанные категории: «цели», «задачи», «стратегия», «сценарии действий», «объект дейст-вия», «субъекты действия», «знания» и «орудия», «результаты» действия. Для работы с таким описанием деятельности предлагается специальная «логика действий», позволяющая агенту по заданной «цели» находить «задачи», по выбранной «задаче» — предназначенные для ее реализации сценарии, постоянно осуществлять сравнение «плана» и получаемого в результате «факта» и т.д. Фактически, впервые речь идет о формализации присущего людям цикла принятия решений (независимо от предметной области работы), ко-торая может помочь легко кастомизировать агентов для решения поставленных перед ним задач.

Для настройки агентов на предметную область предлагается использовать онтологический подход, базирующийся на идеях Semantic Web. При этом в уже разработанной версии системы СУПРЕМА имеется возможность рассматривать социальный паспорт, хранящий сведения о человеке из различных сфер (социальная защита, здравоохранение, образование и т.д.) как динамическую XML структуру (семантический дескриптор), состоящую из экземпляров объектов и отношений, которая может пополняться динамически. Например, с введением нового веб-сервиса, ориентированного на расчеты за ЖКХ через Интернет, сначала будет добавлена онтология ЖКХ, что потребует введения новых ЖКХ полей в социальный паспорт у граждан области. Содержимое этих полей агент сможет получить на сервере ЖКХ, где поддерживается база данных граждан по ЖКХ, после чего житель сможет их авторизовать и разрешить / запросить использование специализированного сервиса для автоматических расчетов.

В качестве технологической платформы предлагается использовать язык Java и средства J2EE (де-факто стандарт для промышленных применений), обеспечивающие кросс-платформенность приложений, веб-интерфейс пользователя, высокую надежность и производительность, восстановление после сбоев, совместимость с мобильными устройствами и т.д.

Разрабатываемые агенты будут в своей основе FIPA-совместимыми и учитывать рекомендации W3C консорциума по Semantic Web для последующей возможной интеграции с другими системами как по агентным протоколам, так и по онтологиям (в частности, OWL и DAML рекомендации, рекомендации по бизнес-процессам и регламентам и т.д.).

Технология и аспекты реализации мультиагентной платформы

Основу мультиагентой платформы составляют две компоненты: онтология и мультиагентная среда.

Для реализация промышленной версии компонент системы, обеспечивающих открытость, распределенность и проактивность системы, используется трёхуровневая архитектура J2EE (Java 2 Enterprise Edition), где уровень бизнес-логики реализуется в соответствии со спецификацией EJB 2.1 (Enterprise Java Beans, http://java.sun.com/products/ejb), а уровень интерфейса пользователя JSP 2.0 (Java Server Pages, http://java.sun.com/products/jsp) и Servlet 2.3 (http://java.sun.com/products/servlet).

Особенности работы с распределенной онтологией

На рисунке представлена диаграмма классов EJB для реализации схемы, обеспечиваю-щей динамическое создание онтологии и сцены виртуального мира, хранение описания структуры данных и управление такими данными на основании этого описания. Предлагаемая схема позволяет конечному пользователю системы произвольно менять структуру данных, например структуру социального паспорта, при этом не требуется ни остановка системы, ни компиляция кода, ни изменение конфигурации, ни конвертирование данных.