Построение экспертной системы

Построение экспертной системы напоминает создание других информационных систем, хотя это итерационный процесс, на каждой стадии которого может тре­боваться нескольких итераций, прежде чем будет разработана вся система. Как правило, среда, в которой функционирует экспертная система, непрерывно изме­няется, поэтому экспертная система тоже должна непрерывно изменяться. Неко­торые экспертные системы, особенно большие, настолько сложны, что через несколько лет расходы на их обслуживание сравниваются со стоимостью разра­ботки.

Группа разработчиков ИИ формируется из одного или более экспертов, име­ющих полный контроль над базой знаний и одного или более инженеров по зна­ниям, которые могут преобразовать знания (описанные экспертом) в набор пра­вил или фреймов. Работа инженеров по знаниям похожа на работу традиционных системных аналитиков, но требует специальных навыков экспертизы по извлече­нию информации и опыта других специалистов.

Члены группы должны выбрать проблему, подходящую для решения с помо­щью ЭС. В проекте должен быть соблюден баланс между стоимостью системы и теми выгодами, которые ожидаются от ее применения. Члены группы сначала разрабатывают систему-прототип для проверки предположения о том, как сле­дует кодировать знания экспертов. Затем они разрабатывают систему в полном масштабе, сосредоточившись главным образом на добавлении как можно боль­шего числа правил. Сложность системы в целом растет с увеличением количества правил, а это может угрожать понятности системы. Вообще, система впослед­ствии будет сокращена для достижения простоты и мощности. Система проверя­ется рядом экспертов в рамках организации на соответствие критериям эффек­тивности, установленным ранее. После проверки система интегрируется в поток данных и шаблоны работ организации. Примеры успешных экспертных систем

Не существует какого-либо общепринятого определения успешной экспертной системы. Определение «успешный» для академической системы (надо же, рабо­тает!) может превратиться в «безуспешный» для корпоративной системы (она может стоить миллионы долларов!). Ниже перечислены примеры экспертных систем, которые предоставляют организации массу преимуществ, включая сни-

Knowledge engineer (инженер по знаниям)

Специалист, который получает от профессионалов информацию и эксперт­ные знания и преобразует их в набор правил или фреймов для экспертной системы.

жение количества ошибок и затрат, уменьшение времени обучения, совершен­ствование принятия решений и улучшение качества и обслуживания.

Компания BlueCross BlueShield из Северной Каролины использовала оболочку ИИ Aion для формирования автоматизированной системы медицинского страхо­вания (automated medical underwriting system, AMUS). Система AMUS связыва­ет иерархическую базу данных информационно-управляющей системы (IMS) фирмы IBM и внутреннюю систему компании BlueCross BlueShield, обеспечивая назначение ставок, формирование политики и управление рисками. Система при­нимает решение, стоит ли одобрять прошения претендентов на страхование здо­ровья, после оценки их состояния и медицинских рисков. Страхователи могут внести изменения в эти правила. Эта экспертная система позволила компании BlueCross BlueShield уменьшить время, необходимое для принятия решение о стра­ховании, от одной недели до одного дня. Кроме того, полученное благодаря этой системе увеличение производительности позволило компании уволить 8 страхо­вателей и 15 человек вспомогательного персонала, заменив их четырьмя страхо­выми операционистами. После внедрения системы AMUS возросла точность ре­шений по страхованию (Кау, 2000).

Корпорация Countrywide Funding Corp. из Пасадены (штат Калифорния) явля­ется ссудно-страховой фирмой, на которую работают около 400 страхователей в 150 офисах по всей стране. В 1992 г. компания разработала экспертную систему для принятия предварительных решений о кредитоспособности претендентов на получение кредита. Компания быстро и продолжительно росла, поэтому требова­лось, чтобы система обеспечивала непротиворечивые и высококачественные ре­шения по ссудам. Система CLUES (Countrywide Loan Underwriting Expert System) включает около 400 правил. Корпорация Countrywide проверила систему, переда­вая ей каждую обработанную человеком-страхователем заявку. Система совер­шенствовалась, пока принимаемые ею решения не начали в 95% случаев совпа­дать с решениями страхователей-людей.

Корпорация Countrywide не полагается на систему CLUES при отклонении ссуды, поскольку экспертную систему нельзя запрограммировать на обработку таких исключительных ситуаций, как те, в которых участвуют лица, работающие не по найму, или ситуаций со сложными финансовыми схемами. Страхователь проверяет все отклоненные ссуды, затем принимает окончательное решение. Как правило, за день страхователь может обработать 6 или 7 заявок на получение ссуды. Используя систему CLUES, тот же страхователь может оценить не менее 16 за­явок в день. В настоящее время корпорация Countrywide использует правила сво­ей экспертной системы, чтобы ответить на запросы посетителей своего web-сай­та, желающих узнать, имеют ли они право на получение ссуды.

ООН разработала экспертную систему, позволяющую подсчитать заработную плату служащих, учитывая многочисленные и сложные правила вычисления та­ких привилегий, как льготы, основанные на местонахождении работы и контрак­те служащего. База знаний системы является сетевой и способна автоматически применять права при вычислении платежной ведомости. Система также модифи­цируется, если утверждено изменение в статусе служащего, и рассчитывает соот­ветствующую заработную плату для очередной платежной ведомости.

Хотя экспертным системам не хватает устойчивых и обобщенных сведений на уровне интеллекта людей, они могут принести пользу организациям, персонал которых осознает имеющие место ограничения. Используя экспертные системы, можно решить только некоторые классы задач. Фактически все успешные эксперт­ные системы имеют дело с задачами классификации с относительно небольшим числом альтернативных исходов, причем возможные исходы известны заранее. Многие экспертные системы требуют серьезных, продолжительных и дорогих про-ектно-конструкторских работ. Наем или обучение большего числа экспертов может оказаться менее дорогим решением, чем создание экспертной системы.

База знаний экспертных систем не очень надежна, причем невозможно их из­менение спустя какое-то время. В таких стремительно изменяющихся областях знаний, как медицина или информатика, поддержка современной базы знаний — это критическая проблема. Например, компания Digital Equipment Corporation пе­рестала использовать свою экспертную систему XCON для проектирования ком­пьютеров VAX, поскольку номенклатура ее продукции постоянно изменялась и было слишком трудно продолжать модифицировать систему для накопления этих изменений. Экспертные системы могут только представить ограниченные формы знаний. Импликативные знания (в виде правил IF—THEN) в основном существуют в учебниках. Не существует каких-либо адекватных представлений для глубоких причинно-следственных моделей или временных трендов. Напри­мер, ни одна экспертная система не может написать учебник по информационным системам или заняться другой творческой деятельностью, явно не заложенной разработчиками системы. Многие из экспертов не могут сформулировать свои знания, используя формат IF-THEN. Экспертные системы все еще не могут моде­лировать интуитивные знания, основанные на аналогии и восприятии предметов.

Вопреки преждевременным обещаниям экспертные системы наиболее эф­фективны в автоматизации канцелярских функций низкого уровня. Они могут предоставить электронные контрольные списки для служащих низшего уровня в банковском деле, страховании, сбыте и социальном обеспечении. Примени­мость экспертных систем к управленческим задачам весьма ограничена. Вообще, управленческие задачи затрагивают выборку из различных источников фактов и интерпретаций, их оценивание и сравнение одной интерпретации фактов с другой; они не ограничиваются простой классификацией. Экспертные системы на основе предшествующих знаний о нескольких известных альтернативах не подходят для решения задач, с которыми ежедневно сталкиваются менеджеры.

Организационный интеллект: прецедентная аргументация

Прежде всего экспертные системы извлекают знания отдельных экспертов, но организации также обладают коллективными знаниями и опытом, накапливае­мым годами. Эти организационные знания можно извлечь и сохранить, исполь­зуя прецедентную аргументацию (case-based reasoning, CBR). Используются возможности CBR, описание прошлого опыта специалистов, представленного в виде прецедентов, хранится в базе для последующего поиска, необходимость в котором возникает в случае, если пользователь столкнется с новым прецеден­том с подобными параметрами. Система ищет среди сохраненных прецедентов

Case-based reasoning (cbr) (прецедентная аргументация (или вывод по аналогии))

Технология ИИ, которая представляет знания как базу прецедентов и решений.

с характеристиками задачи, похожими на новую, находит наиболее точное соответ­ствие и применяет решения старого прецедента по отношению к новому. Успеш­ные решения для нового прецедента отмечаются, и оба хранятся вместе с другими прецедентами в базе знаний. Неудачные решения также добавляются в базу пре­цедентов наряду с пояснениями того, почему решения не сработали (рис. 12.12). Экспертная система работает, применяя к базе знаний набор правил IF-THEN-ELSE, каждое из которых сформировано экспертами-людьми. Напротив, CBR представляет знание как ряд прецедентов; эта база знаний непрерывно расширя­ется и совершенствуется пользователями. Например, компания Compaq Computer из Хьюстона (штат Техас) работает в конкурентной и ориентированной на обслу­живание клиента бизнес-среде. Ежедневно она захлестывается потоком телефон­ных обращений клиентов, взывающих о помощи. Удовлетворение потребностей клиентов требует, чтобы компания Compaq ежегодно тратила миллионы долларов на поддержку большого и технически квалифицированного штата служащих для работы с клиентами. Обращающиеся к техническому персоналу клиенты должны

описать проблему, а затем подождать, пока эта служба передаст запрос соответ­ствующему техническому специалисту. После этого клиенты снова описывают проблему, в то время как техники пытаются найти решения; в итоге многие оста­ются разочарованными. Чтобы улучшить обслуживание клиентов и снизить рас­ходы, компания Compaq начала продавать дорогие программные CBR-средства клиентам в дополнение к покупке ими принтеров Pagemarq.

В рассматриваемом случае программная база знаний — это последователь­ность из нескольких сотен реальных прецедентов проблем, возникших с принтером Pagemarq, реальные истории о «помятых экземплярах», проблемах с памятью принтера, о принтерах, «зажевавших» бумагу, т. е. все типичные проблемы, с ко­торыми сталкиваются пользователи при работе с лазерными принтерами. Об­ученный персонал вводит в CBR-систему описание прецедента в текстовом фор­мате, а также такие необходимые для категоризации проблемы ключевые слова, как пятно, мазок, строки, полосы и «заедание» бумаги. Вводится также ряд во­просов, с помощью которых еще больше сужается описываемая проблема. Нако­нец, к каждому прецеденту прилагаются соответствующие решения.

Благодаря CBR-системе, поставляемой компанией Compaq вместе с ее компью­терами, владельцам не нужно звонить в сервисный отдел Compaq. Вместо этого они запускают программу, затем описывают возникшую проблему. Система бы­стро ищет реальные случаи, отбрасывая не имеющие отношения к данному и вы­бирая имеющие отношение. При необходимости еще больше ограничить резуль­таты поиска программа запрашивает у пользователя дополнительную информацию. В итоге один или более прецедентов, соответствующих проблеме, предлагаются пользователю наряду с их решениями. Теперь клиенты могут быстро решить большинство своих проблем, не обращаясь в сервисный отдел, а компания Com­paq ежегодно экономит $10-20 млн на обслуживании клиентов.

Такие новые коммерческие программные продукты, как Inference CasePoint Webserver, позволяют клиентам обращаться к базе прецедентов через Сеть. Ис­пользуя CBR-систему, сервер просит клиентов ответить на ряд вопросов, чтобы локализовать проблему. Затем CasePoint извлекает из базы решения и передает их клиентам. Американский производитель музыкального оборудования Kenwood использовала это инструментальное средство для размещения в Интернете своих инструкций и решений по техническому обслуживанию.

12.4. Другие интеллектуальные технологии

Организации используют и другие интеллектуальные вычислительные методы для расширения своей базы знаний, обеспечивая решение проблем, слишком гро­моздких или сложных, чтобы их могли обработать люди с ограниченными ресур­сами. В перспективных бизнес-приложениях используются нейронные сети, не­четкие логики, генетические алгоритмы и интеллектуальные агенты.

Нейронные сети

Наблюдается всплеск интереса к методам ИИ, которые воплощаются в разработ­ке машин, имитирующих физический процесс мышления биологического мозга.

_--------—™-----------_------------------------------------------------------------,

Neural network (нейронная сеть)

Аппаратные или программные средства, имитирующие принципы работы биологического мозга.

На рис. 12.13 показаны два нейрона мозга пиявки. Сома (или нервная клетка) в центре действует как переключатель, возбуждая другие нейроны и возбуждаясь в свою очередь. Выходящий из нейрона отросток — это аксон, который обеспечи­вает активную связь с дендритами других нейронов. Аксоны и дендриты — это «провода», электрически соединяющие нейроны друг с другом. Соединение двух нейронов называется синапсом. Эта простая биологическая модель — метафора развития нейронных сетей. Нейронная сеть состоит из аппаратных или программ­ных средств, которые имитируют принципы работы биологического мозга.

Человеческий мозг имеет около 100 млрд (10^й) нейронов, каждый из которых включает около 1 тыс. дендритов, формирующих 10¹⁴ (100 тыс. млрд) синапсов. Нейроны мозга работают параллельно, человеческий мозг может выполнять око­ло 10¹⁶ (или 10 млн млрд) соединений в секунду. Это намного превышает способ­ность любой известной машины или компьютера, задуманных или когда-либо построенных с помощью современной технологии.

Однако сложные сети нейронов моделируются на компьютерах. На рис. 12.14 показана искусственная нейронная сеть с двумя нейронами. Резисторы в схемах являются переменными и могут использоваться для обучения сети. Если сеть ошибается (т. е. выбирает неправильный путь и приходит к ложному заключе-

нию), можно поднять сопротивление в некоторых цепях, вынуждая возбуждать­ся другие нейроны. Если этот процесс обучения продолжать для тысяч циклов, машина выучит правильный ответ. Нейроны тесно связаны и работают в парал­лельном режиме.

Нейронная сеть имеет большое количество узлов считывания и обработки, непрерывно взаимодействующих друг с другом. На рис. 12.15 показана нейрон­ная сеть, включающая уровень ввода, уровень вывода и скрытый уровень обра­ботки. В сеть передается обучающая последовательность данных, для входов которой порождается известный набор выходов или заключений. Это помогает компьютеру на примере изучить правильное решение. Если передать компьюте­ру больше данных, каждый случай сравнивается с известным результатом. Если он отличается, то будет определена поправка, которая применяется к узлам на скрытом уровне обработки. Эти шаги повторяются до тех пор, пока поправка не станет меньше некоторой величины. Показанная на рис. 12.15 нейронная сеть «обучается» тому, как определить низкий риск невыплаты кредита. Различие между нейронными сетями и экспертными системами

Чем отличаются нейронные сети от других подобных систем? Экспертные систе­мы пытаются имитировать или моделировать способ, которым человек-эксперт решает задачи, а разработчики нейронных сетей утверждают, что они не модели­руют человеческий интеллект, не программируют решения и не стремятся решить определенные задачи сами по себе. Вместо этого проектировщики нейронных се­тей стремятся встроить интеллект в аппаратные средства в форме обобщенной способности обучаться. Напротив, экспертная система слишком специфична для данной проблемы и не может легко переобучаться.

Нейронные сети применяются в медицине, науке и бизнесе, обеспечивая раз­решение проблем классификации образцов, прогнозирования и финансового ана­лиза, управления и оптимизации. Система Papnet, построенная на основе ней­ронной сети, различает нормальные и аномальные клетки при исследовании мазков Папаниколау на рак шейки матки. В этом случае обеспечивается намного большая точность, чем при визуальном наблюдении со стороны специалиста-ме­дика. Компьютер не способен принять окончательное решение, поэтому специа­лист должен проверить все отобранные аномальные клетки. Используя систему Papnet, специалист тратит на проверку мазка в пять раз меньше времени, причем достигается точность, в десять раз большая, чем у существующего ручного метода.

Нейронные сети используются финансовыми приложениями для распознава­ния признаков в обширных массивах данных, позволяющих инвестиционным фирмам прогнозировать эффективность ценных бумаг, рейтингов корпоратив­ных облигаций или корпоративного банкротства (Walczak, 1999). Компания VISA International Inc. использует нейронную сеть для выявления случаев мошенниче­ства с кредитными карточками, контролируя все транзакции VISA на предмет выявления резких изменений в моделях покупок владельцами кредитных карто­чек. Следующий раздел книги иллюстрирует другие приложения нейронных се­тей (для распознавания образов).

В отличие от экспертных систем, как правило, объясняющих свои решения, нейронные сети не всегда могут объяснить, почему они пришли к определенному решению. Кроме того, они не всегда могут гарантировать совершенно точное ре­шение, вновь прийти к тому же решению с одними и теми же входными данными или гарантировать лучшее решение (Trippi, Turban, 1989-1990). Они весьма чувствительны и не могут хорошо работать, если их обучение охватывает слиш­ком мало или слишком много данных. В современных приложениях нейронные

Нейронные сети на службе управления системами Скотланд-Ярда

Когда ассоциация Computer Associates (СА) впервые разработала свое про­граммное обеспечение для нейронных сетей, она надеялась использовать эту технологию для совершенствования своих программ по управлению ИТ-инф-раструктурой. Нейронная сеть обучается на отношениях между исторически­ми данными для распознавания образов и применения полученных знаний в обнаружении изменений и прогнозировании результатов. Ассоциация СА хотела привлечь агентов нейронной сети, дублирующих «нейрогентов», что­бы помочь своим программам управления системой предприятия управлять крупной и сложной сетевой системой. Наблюдая за поведением систем, ней­ронный агент самообучается, совершенствуясь с каждым событием так, что в итоге он может спрогнозировать системные проблемы прежде, чем они про­исходят. Например, наблюдающий за почтовым сервером нейронный агент может распознать случай очереди сообщений, которая со временем может вызвать сбой в работе сервера. Другой нейронный агент может обнаружить такие ситуации, как замедление работы сервера, выход из строя или деятель­ность вируса; кроме того, он может спрогнозировать рабочие нагрузки и ре­комендовать системные конфигурации.

В компании AGFBrasil (филиале международной страховой компании AGF) работают 15 тыс. зарегистрированных в Бразилии брокеров и агентов. Обес­печение брокеров и агентов самой последней информацией о предоставляе­мых компанией услугах по страхованию жизненно важно для ее успеха. Для этой цели AGF Brasil сформировала сеть AGF NET с 800 узлами, состоящую из серверов IBM AIX (Unix), серверов Dell, работающих под управлением Windows NT, и 50 локальных сетей. Компания использует СА UnicenterTNG для поддерж­ки единого центра управления, чтобы справиться со всей ИТ-инфраструкту-I рой, включая серверы, настольные компьютеры, принтеры, маршрутизаторы I и концентраторы. Нейронные агенты системы СА помогают контролировать | рабочие характеристики, у них есть аварийные системные администраторы

сети лучше всего используются как вспомогательные средства для лиц, принима­ющих решения, а не как их заменители.

Нечеткая логика

Традиционные компьютерные программы требуют точности: «включено — вы­ключено», «да — нет», «правильно — неправильно». Однако люди не воспринима­ют мир таким образом. Все согласятся, что +45° — это жарко, а -25° — холодно; но тогда что такое 25°: жарко, тепло, удовлетворительно или холодно? Ответ зави­сит от многих факторов: ветра, влажности, индивидуальных ощущений темпера­туры, одежды и чьих-то ожиданий. Многие из наших действий также неточны. Водители трейлеров-тягачей сочли бы почти невозможным дать задний ход в про­странстве, которое по ширине не превышает прицеп на дюйм со всех сторон.

Нечеткая логика — относительно новая ИИ-технология, работающая на осно­ве правил, допускает неточность даже в случае решения задач, которые, воз-

для разных процессоров, сети, память и критические параметры базы дан­ных, а также потребность в обеспечении дополнительных web-возможностей. Нейронные агенты одинаково хорошо поддерживают AGF-смесь различных типов серверов, поскольку они «изучают» индивидуальные отличительные особенности машин. Используя технологию нейронной сети, AGF может под­держивать важные услуги, выполняющиеся без помех круглосуточно немно­гочисленным персоналом.

Другие приложения могут также извлекать пользу от работы с нейронными агентами. Современный Скотланд-Ярд в Лондоне экспериментирует с ней­ронными агентами, облегчающими анализ данных. Столкнувшись с повыше­нием уровня преступности и уменьшением числа полицейских, лондонская полиция искала способ лучше использовать свои данные о преступлениях. Новый Скотланд-Ярд поручил нейронными агентам следить за данными в пяти базах данных (включая сообщения о преступлениях, судебно-медицинские улики и фотографии для паспортов), надеясь, что им удастся обнаружить об­разцы, особенно связанные с совершением грабежей, чтобы помочь полиции идентифицировать серийные ограбления.

Технологии нейронной сети не требуется выборки данных для обнаруже­ния образов. Программное обеспечение может производить поиск в строках в таких текстах, как полицейские отчеты. По словам Патрика Драйдена (Patrick Dryden), аналитика Illuminata Group из города Нэшуя (штат Нью-Гэмпшир), нейронные сети могут предпринимать «лобовую атаку» данных большого объема для выявления интересных тенденций. Тем не менее бизнесмены должны проверять имеющиеся тенденции, определяя наиболее важные сре­ди них.

Информация к размышлению. Насколько полезна технология нейронных сетей для описанных в этой главе приложений? Доверили бы вы нейронно­му агенту управление большой и сложной клиент-серверной системой? Обос­нуйте ответ.

Источники: Sami Lais. «CA Bundles Neural Net, App Development Tools», Computerworid, August 7, 2000; ivwvv.ca.com/proc/ucfs/neugenfsand www. security7.com/products/neugents.

можно, не были бы решены прежде. Нечеткая логика включает целый ряд по­нятий и методов для представления и вывода неточных, сомнительных или ненадежных знаний. Нечеткая логика может породить правила, использующие приближенные или субъективные значения и неполные или неоднозначные дан­ные. Выражая логику с помощью некоторых тщательно определенных неточно­стей, нечеткая логика ближе к способу, которым люди на самом деле думают, чем традиционные правила IF-THEN.

Компания Ford Motor разработала приложение нечеткой логики, которое по­зволяет дать задний ход имитируемому трейлеру-тягачу на некоторой площадке паркования. Приложение использует следующие три правила:

IF грузовик близок к «складыванию», THEN уменьшить угол поворота.

IF грузовик находится далеко от дока, THEN направить к доку.

IF грузовик находится около дока, THEN направить грузовик прямо в док.

Эта логика для людей имеет смысл, поскольку она отражает способ мышления водителя, когда он дает грузовику задних ход, въезжая на место парковки.

Каким образом компьютер понимает это программирование? Ответ относи­тельно прост. Условия (известные функции принадлежности) неточно опреде­ляются таким образом, чтобы, например (рис. 12.16), «прохладно» находилось в диапазоне 50-70° (по шкале Фаренгейта), хотя температура «наиболее ясно, что прохладно» держалась между 60-67°. Обратите внимание, что «прохладно» пере­секается с «холодно» или «нормально». Чтобы управлять климатом в помеще­нии, используя рассматриваемую логику, программист разработал бы анало­гичные неточные определения для влажности и других факторов, например ветреность и температуры внешней среды. Допустим, одно из правил гласит: «Если температура находится в пределах "прохладно" или "холодно" и влажность "низкая", в то время как ветреность вне помещения "высокая" и наружная темпе­ратура "низкая", необходимо повысить температуру и влажность в помещении». Компьютер объединил бы данные функции принадлежности методом взвешива­ния и, используя эти правила, поднимал бы и опускал температуру и влажность.

Нечеткая логика широко используется в Японии и популярна в США. Эта по­пулярность частично вызвана тем, что менеджеры считают, будто могут исполь­зовать нечеткую логику для уменьшения затрат и сокращения продолжительности разработки. Реализация нечеткой логики требует меньше правил IF-THEN, что делает ее проще традиционного кода. Чтобы реализовать в традиционной логи­ке правила из предыдущего примера и определения их условий, потребуется несколько сотен инструкций IF-THEN. Компактный код требует меньше вы­числительных возможностей, что позволило американской компании Sanyo Fisher реализовать средства управления видеокамерой без использования в своей продукции дополнительной дорогой памяти.

Нечеткая логика также позволяет решать ранее неразрешимые задачи, улуч­шая качество изделий. В Японии система метро Sendai использует средства управ­ления на основе нечеткой логики для плавного ускорения поездов, чтобы сто­ящим пассажирам не нужно было держаться за поручень. Токийская компания Mitsubishi смогла на 20% уменьшить потребляемую мощность своих кондиционеров в результате реализации программ управления по нечеткой логике. Устройство автоматической фокусировки в камерах работает только благодаря нечеткой логике.

Руководство также находит нечеткую логику полезной для принятия реше­ний и организационного управления. В фирме Wall Street разработали систему, которая выбирает компании для потенциального приобретения и использует язык, понимаемый биржевыми маклерами. Недавно была разработана система для обнаружения возможного мошенничества в медицинских патентных формулах, представляемых на рассмотрение поставщикам системы здравоохранения США.

Дата добавления: 2015-04-29