ΕΠΙΧΕΙΡΗΣΙΑΚΑ ΠΡΟΓΡΑΜΜΑΤΑ «ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΟΥ ΔΥΝΑΜΙΚΟΥ» ΕΘΝΙΚΟ ΣΤΡΑΤΗΓΙΚΟ ΠΛΑΙΣΙΟ ΑΝΑΦΟΡΑΣ ΕΣΠΑ

Transcript

1 Παραδοτέο Π ΕΠΙΧΕΙΡΗΣΙΑΚΑ ΠΡΟΓΡΑΜΜΑΤΑ «ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΟΥ ΔΥΝΑΜΙΚΟΥ» ΕΘΝΙΚΟ ΣΤΡΑΤΗΓΙΚΟ ΠΛΑΙΣΙΟ ΑΝΑΦΟΡΑΣ ΕΣΠΑ ΕΡΓΟ «Πρότυπο Σύστημα Υποστήριξης Ατόμων με Αυτισμό (ΠΣΥΑ) Βασιζόμενο σε ένα Ευφυές Πληροφοριακό Σύστημα (ΕΣΥΑ)» [«ΠΑΥΕΥΣ»], MIS Π Τεχνική Έκθεση Προδιαγραφών

2 Παραδοτέο Π ΠΕΡΙΕΧΟΜΕΝΑ ΦΑΚΕΛΟΥ ΠΑΡΑΔΟΤΕΟΥ Πίνακας Τμημάτων Παραδοτέου α/α Ονομασία Αρχείου Τύπος (format) 01 Τεχνική Έκθεση Προδιαγραφών Έντυπη μορφή 02 Τεχνική Έκθεση Προδιαγραφών Ψηφιακή μορφή, Διαθέσιμο Εργαστήριο Πληροφ. Συστημ. Διοίκησης & (hardcopy 158 σελίδων) Επιχειρ. Νοημοσύνης Εργαστήριο Πληροφ. Συστημ. Διοίκησης & Επιχειρ. Νοημοσύνης αρχείο Word (1 cd) 03 Τεχνική Έκθεση Προδιαγραφών Ψηφιακή μορφή, αρχείο PDF, με κωδικό πρόσβασης (ΠΑΥΕΥΣ Παραδοτέα Υποέργο 1)

3 Παραδοτέο Π Εισαγωγικό Σημείωμα Επιστημονικού Υπευθύνου Το παρόν Παραδοτέο αποτελεί συνέχεια του προηγούμενου Π1.3.1 και είναι το δεύτερο παραδοτέο που αφορά στην περιγραφή του Ευφυούς Συστήματος Υποστήριξης Ατόμων με Αυτισμό. Περιλαμβάνει τις Τεχνικές Προδιαγραφές των υποσυστημάτων του ΕΣΥΑ, για να επιτευχθεί η λειτουργικότητά τους, όπως αυτή περιγράφηκε στο παραδοτέο Π Η δομή του παραδοτέου είναι η τυπική δομή που ακολουθείται σε αντίστοιχα τεχνικά κείμενα περιγραφής Τεχνικών Προδιαγραφών. Οι περιγραφόμενες Τεχνικές Προδιαγραφές αφορούν και στο λογισμικό (software) και στο υλικό (hardware) που θα απαιτηθεί. Οι περιγραφόμενες Τεχνικές Προδιαγραφές θα χρησιμοποιηθούν και στην συγγραφή της διακήρυξης των δύο διαγωνισμών που προβλέπονται για την προμήθεια του αναγκαίου εξοπλισμού και για την ανάπτυξη μέρους της διεπαφής χρήστη από εξωτερικό συνεργάτη. Ένα βασικό χαρακτηριστικό του έργου ΠΑΥΕΥΣ, το οποίο έχει ήδη προβλεφθεί και ενσωματωθεί στο χρονοδιάγραμμα του έργου, είναι η ανάγκη μεγάλου εύρους αξιολόγηση του συστήματος μέσω μεγάλης διάρκειας δοκιμαστικής λειτουργίας πρώτα στο ελεγχόμενο περιβάλλον των συνεργαζόμενων φορέων και μετά σε ανοικτό κοινό. Συνεπώς, είναι λογικό να αναμένονται αλλαγές και διορθώσεις της λειτουργικότητας του συστήματος και συνεπώς των σχετιζόμενων τεχνικών προδιαγραφών, άρα θα παρέχουμε μία επικαιροποιημένη έκδοση του παρόντος Παραδοτέου, μόλις ολοκληρωθεί το μεγαλύτερο μέρος αυτής της δοκιμαστικής λειτουργίας.

4 Παραδοτέο Π Τέλος, θέλω να ευχαριστήσω θερμά τους συμμετέχοντες στο παρόν Παραδοτέο για το επίπονο έργο τους. Βασίλειος Βουτσινάς, Καθηγητής Επιστημονικός Υπεύθυνος Έργου

5 Παραδοτέο Π

6 Παραδοτέο Π ΠΕΡΙΕΧΟΜΕΝΑ 1. Εισαγωγή Τεχνικές Απαιτήσεις Συστήματος «ΠΑΥΕΥΣ» Δικαιώματα Χρηστών Συστήματος «ΠΑΥΕΥΣ» Συνολική Αρχιτεκτονική Πλατφόρμας «ΠΑΥΕΥΣ» Τεχνικές Απαιτήσεις Front End Πλατφόρμας «ΠΑΥΕΥΣ» Τεχνικές απαιτήσεις WEB Client Τεχνικές απαιτήσεις Mobile Client Τεχνικές απαιτήσεις VOIP Client Τεχνικές Απαιτήσεις Client Smart TV Τεχνικές Απαιτήσεις Λειτουργίας Μέσω Προτυπωμένων Φορμών Τεχνικές Απαιτήσεις Middleware (Web Services) «ΠΑΥΕΥΣ» Τεχνικές Απαιτήσεις Backoffice «ΠΑΥΕΥΣ» Υποσύστημα Οντολογίας Υποσύστημα Εξεύρεσης και Συσχέτισης Πληροφορίας ( Data Mining) Αλγόριθμος Apriori Αλγόριθμος DIVERSITY Αλγόριθμος C Υποσύστημα Βάσεων Δεδομένων Υποσύστημα Case Base Βάσης Δεδομένων Υποσύστημα Rule Base Υποσύστημα Inference Engine Υποσύστημα Recommendation Engine Υποσύστημα Online Analytical Processing OLAP... 91

7 Παραδοτέο Π Τεχνικές Απαιτήσεις Έμπειρου Συστήματος Αρχικής Διάγνωσης Τεχνικές Απαιτήσεις Εξοπλισμού Γραφικές Διεπαφές Χρηστών «ΠΑΥΕΥΣ» Cases Expert Cases Moderators Rules Expert- Knowledge Engineer OLAP Administrator Regular User Advanced User Βιβλιογραφία

8 Παραδοτέο Π ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ Εικόνα 1 Εννοιολογική προσέγγιση λειτουργικότητας συστήματος «ΠΑΥΕΥΣ» Εικόνα 2 Αρχιτεκτονική VOIP Εικόνα 3 Αναπαράσταση συστήματος PBX Εικόνα 4 Λειτουργικότητα Asterisk Εικόνα 5 Σύστημα αυτόματης κατανομής ACD Εικόνα 6 Λειτουργία ουράς κατανομής κλήσεων Εικόνα 7 Διάγραμμα ροής κλήσεων Εικόνα 8 Λογικό διάγραμμα Apriori Εικόνα 9 Διάγραμμα απιτούμενης ροής Apriori Εικόνα 10 Σχηματική αναπαράσταση του αλγορίθμου Forward Chaining Εικόνα 11 Παράδειγμα διαγράμματος που προκύπτει από το Process Mining Εικόνα 12 Κλάσεις που υλοποιούν το inference engine Εικόνα 13 Data transfer objects (DTOs) Εικόνα 14 Σχηματικό Διάγραμμα αρχιτεκτονικής μιας διαδικτυακής εφαρμογής που βασίζεται στην βιβλιοθήκη Tohu και Drools Εικόνα 15 Οθόνη Εισαγωγής Expert Εικόνα 16 Είσοδος Expert Εικόνα 17 Ενδεικτική Οθόνη Κεντρικού Μενού Expert Εικόνα 18 Κεντρική Οθόνη Εισαγωγής Case Εικόνα 19 Ενδεικτική Οθόνη Profile Information Εικόνα 20 Δενδρική Δομή Επιλογών Μενού Εικόνα 21 Τρόπος Αναπαράστασης Σύνδεσης Συμπεριφορών Εικόνα 22 Οθόνη Περιγραφής Συμπεριφοράς Εικόνα 23 Οθόνη Antecedents Εικόνα 24 ενδεικτική Οθόνη Outcome Εικόνα 25 Ενδεικτική Οθόνη Προβολής My Cases Εικόνα 26 Οθόνη Λειτουργίας Add Ticket Εικόνα 27 Οθόνη Eμφάνισης Tickets Εικόνα 28 Οθόνη Επιλογών Moderator Εικόνα 29 Οθόνη Εμφάνισης Περιπτώσεων Εικόνα 30 Οθόνη Δημιουργίας Λογαριασμού Expert Εικόνα 31 Ενδεικτική Κεντρική Οθόνη Εισαγωγής Κανόνων Εικόνα 32 Ενδεικτική Οθόνη Φόρμας Εισαγωγής Κανόνα Εικόνα 33 Ενδεικτική Διεπαφή Τρόπου Επιλογής Εννοιών Εικόνα 34 Διεπαφή Κατηγοριοποίησης Παραμέτρων Κανόνα

9 Παραδοτέο Π Εικόνα 35 Φόρμα Προειδοποίησης Πιθανών Σφαλμάτων Εικόνα 36 Δυνατότητες Καταχώρησης Κανόνα Εικόνα 37 Ενδεικτική Διεπαφή Τροποποίησης Παραμέτρων Κανόνων Εικόνα 38 Καταχώρηση Ελεγμένου Κανόνα Εικόνα 39 Ενδεικτική Διεπαφή Web Εφαρμογής OLAP Εικόνα 40 Ενδεικτικός Τρόπος Παρουσίασης Αποτελεσμάτων Α Εικόνα 41 Ενδεικτικός Τρόπος Παρουσίασης Β Εικόνα 42 Κεντρική Οθόνη Regular Χρήστη Εικόνα 43 Σελίδα Εγγραφής Regular User Εικόνα 44 Οθόνη Περιγραφής Περιστατικού Εικόνα 45 Οθόνη Εισαγωγής Χαρακτηριστικών Ατόμου Εικόνα 46 Οθόνη Παρουσίασης Διαγνώσεων Εικόνα 47 Οθόνη Εισαγωγής Κόστους Περιστατικού Εικόνα 48 Ενδεικτική Οθόνη Βοήθειας Χρήστη Εικόνα 49 Οθόνη Επιλογής Διαδικασίας Αξιολόγησης Εικόνα 50 Οθόνη Επιλογής Περίπτωσης για Αξιολόγηση Εικόνα 51 Οθόνη Ερωτήσεων Αξιολόγησης Περίπτωσης Εικόνα 52 Οθόνη Αποθήκευσης Αξιολόγησης Περίπτωσης Εικόνα 53 Οθόνη Ολοκλήρωσης Αξιολόγησης Περίπτωσης

10 Παραδοτέο Π Εισαγωγή Η υλοποίηση της πλατφόρμας λογισμικού «ΠΑΥΕΥΣ» στοχεύει να εξυπηρετήσει το σύνολο των ομάδων που εμπλέκονται στην διαδικασία υποστήριξης ατόμων που πάσχουν από αυτισμό. Μέσα από το σύστημα «ΠΑΥΕΥΣ» θα είναι δυνατή η καταγραφή περιστατικών που χρήζουν αντιμετώπισης είτε από τα άτομα του ανήκουν στο οικογενειακό περιβάλλον του ατόμου με αυτισμό, ή από ειδικούς που εμπλέκονται σε οποιοδήποτε στάδιο της παροχής ιατρικής βοήθειας και συμβουλευτικής, με τελικό στόχο την παροχή συστάσεων για την αντιμετώπιση των περιστατικών. Μετά την ολοκλήρωση της καταγραφής των ομάδων χρηστών του συστήματος και των περιπτώσεων χρήσης ανά ομάδα, που πραγματοποιήθηκε στο πλαίσιο του Παραδοτέου Π «Ανάλυση Απαιτήσεων», στην παρούσα αναφορά καταγράφεται το σύνολο των Τεχνικών Απαιτήσεων για τον σχεδιασμό και υλοποίηση της πλατφόρμας «ΠΑΥΕΥΣ». Αναγνωρίζονται τα επιμέρους συστήματα και υποσυστήματα αυτών, που πρέπει να υλοποιηθούν κατά την ανάπτυξη του συστήματος ώστε να καλυφθεί το σύνολο της λειτουργικότητας. Καταγράφεται επίσης η τεχνολογική απαίτηση για κάθε σύστημα και υποσύστημα και ο τρόπος με τον οποίο απαιτείται να διαλειτουργούν μεταξύ τους. Στη συνέχεια, παρουσιάζονται οι απαιτούμενες διεπαφές χρηστών που θα εξυπηρετήσουν την αλληλεπίδραση όλων των κατηγοριών χρηστών με την πλατφόρμα «ΠΑΥΕΥΣ», από το σύνολο των καναλιών πρόσβασης μέσω των οποίων οι χρήστες καταχωρώντας πληροφορίες, και θέτοντας ερωτήματα θα λαμβάνουν συστάσεις χειρισμού των περιστατικών. Τέλος στην παρούσα αναφορά παρουσιάζονται οι κανόνες υλοποίησης των υποτμημάτων της πλατφόρμας «ΠΑΥΕΥΣ», αποτελώντας με αυτόν τον τρόπο τον οδηγό υλοποίησης του συστήματος.

11 Παραδοτέο Π Τεχνικές Απαιτήσεις Συστήματος «ΠΑΥΕΥΣ» Το σύνολο των υποσυστημάτων που προσδιορίσθηκαν σε εννοιολογικό επίπεδο κατά την φάση της ανάλυσης των απαιτήσεων των αναγκών της πλατφόρμας «ΠΑΥΕΥΣ» (Παραδοτέο Π1.3.1), θα πρέπει να αναπτυχθούν με τέτοιο τρόπο και κατάλληλες μεθόδους οι οποίες και θα προσδίδουν στην πλατφόρμα: Αυτονομία: Τα επιμέρους υποσυστήματα θα πρέπει να είναι αυτόνομα έτσι ώστε η αναβάθμιση ή συντήρηση τους να μην επηρεάζει τη λειτουργία των υπολοίπων. Χρηστικότητα: Η αρχιτεκτονική των συστημάτων και εφαρμογών θα πρέπει να βοηθά τους χρήστες στο να ολοκληρώνουν τις εργασίες τους αποτελεσματικά και με ταχύτητα. Προσαρμοστικότητα: Η αρχιτεκτονική θα πρέπει να επιτρέπει την επανασχεδίαση υπαρχόντων λειτουργιών οικονομικά και με ευκολία, ώστε να μπορούν να ενσωματώνονται νέες τεχνολογίες (π.χ. χρήση των Web Services και η υλοποίηση αυτόνομων υποσυστημάτων ως υπηρεσιών). Τεχνολογική ανεξαρτησία: Τα επιμέρους στοιχεία και αντικείμενα της αρχιτεκτονικής θα πρέπει να μπορούν να λειτουργούν σωστά σε διάφορες πλατφόρμες υλικού (hardware platforms). Επικοινωνία: Θα πρέπει να εξασφαλίζεται η δυνατότητα εύκολης επικοινωνίας, διασύνδεσης ή και ολοκλήρωσης των υποσυστημάτων με τρίτες εφαρμογές ή / και υποσυστήματα. Γι αυτό το λόγο θα πρέπει να παρέχονται μεταξύ άλλων: Τεκμηρίωση της δυνατότητας ολοκλήρωσης διασύνδεσης με εφαρμογές και δεδομένα που ενσωματώνουν την επιχειρησιακή λογική με σκοπό την κάλυψη ενδεχόμενων μελλοντικών αναγκών. Δυνατότητα ενσωμάτωσης λειτουργιών διασύνδεσης με κινητά μέσα για κάλυψη των αναγκών, τόσο των χρηστών όσο και των διαχειριστών του συστήματος.

12 Παραδοτέο Π Διαλειτουργικότητα: Οι εφαρμογές της αρχιτεκτονικής θα πρέπει να μπορούν να λειτουργούν ανεξαρτήτως λειτουργικού συστήματος των χρηστών. Τυποποίηση: Τα αντικείμενα του συστήματος θα πρέπει να βασίζονται σε πρότυπα σχεδίασης λογισμικών, τα οποία έχουν οριστεί από διεθνείς οργανισμούς. Επεκτασιμότητα: Το σύστημα θα πρέπει να μπορεί να προσαρμόζεται εύκολα ώστε να ενσωματώνει τυχόν αλλαγές των προδιαγραφών ή των αναγκών των χρηστών. Για παράδειγμα η υλοποίηση του συστήματος σαν αυτόνομα και ανεξάρτητα - αρθρωτά modules υπηρεσιών εξυπηρετεί τον παραπάνω σκοπό, ώστε να επιτρέπονται μελλοντικές επεκτάσεις και αντικαταστάσεις, ενσωματώσεις, αναβαθμίσεις ή αλλαγές διακριτών τμημάτων λογισμικού ή εξοπλισμού Διαχειρισιμότητα: Οι διαχειριστές του συστήματος θα πρέπει να μπορούν εύκολα να παρακολουθούν, να ελέγχουν και να συντηρούν τα επιμέρους τμήματα του συστήματος. Κλιμακοποίηση: Το σύστημα θα πρέπει να μπορεί να χειριστεί σωστά μεγάλο όγκο δεδομένων, ανάλογα με τις ανάγκες τις εφαρμογής. Κάθε ομάδα λειτουργιών μπορεί να εκτελείται ανεξάρτητα από την άλλη σε ένα ή περισσότερα μηχανήματα ώστε να αντιμετωπίζονται δυναμικά πιθανά προβλήματα φόρτου του συστήματος λόγω αυξημένου αριθμού χρηστών. Ασφάλεια: Η αρχιτεκτονική θα πρέπει να μπορεί να προστατεύει τα δεδομένα από μη διαπιστευμένη χρήση. Επαναχρησιμοποίηση: Τα επιμέρους τμήματα του συστήματος θα πρέπει να είναι σχεδιασμένα ώστε να είναι εφικτή η επαναχρησιμοποίησή τους όπου αυτό απαιτείται. Αξιοπιστία: Τα αντικείμενα του συστήματος θα πρέπει να υποστηρίζουν την σωστή λειτουργία και αποθήκευση όλων των κρίσιμων πληροφοριών, ώστε το όλο σύστημα να αποτελεί ένα αξιόπιστο εργαλείο διαχείρισης.

13 Παραδοτέο Π Ανεξαρτησία: Το σύστημα θα πρέπει να έχει σαφή διαχωρισμό των λειτουργιών που αφορούν την παρουσίαση του user interface, την υλοποίηση των business functions και την πρόσβαση και διαχείριση των στοιχείων στην σχεσιακή βάση δεδομένων. Κάθε ομάδα λειτουργιών θα πρέπει να μπορεί να αλλάξει χωρίς να επηρεάζει την άλλη. Πληρότητα: Το σύστημα θα πρέπει να διασφαλίζει την πληρότητα των στοιχείων που αποθηκεύονται. Ακεραιότητα: Το σύστημα θα πρέπει να φροντίζει για την ακεραιότητα και ασφάλεια των δεδομένων των εφαρμογών. Η χρήση των μοντέλων σχεδιασμού του συστήματος, θα πρέπει να διασφαλίζει την συντηρησιμότητα και την επεκτασιμότητα του συστήματος με χαμηλό κόστος. Ο σχεδιασμός και η ανάλυση των τεχνικών απαιτήσεων του συστήματος «ΠΑΥΕΥΣ» λαμβάνει υπόψη τις κατηγορίες των χρηστών που αναγνωρίσθηκαν και οι οποίοι θα χρησιμοποιούν το σύστημα και το είδος της ζητούμενης κάθε φορά αλληλεπίδρασης με τα επιμέρους υποσυστήματα όπου αυτό απαιτείται με στόχο να τεθούν οι τεχνικές προδιαγραφές για την ανάπτυξη και διαλειτουργικότητα των συστημάτων και τον σχεδιασμό των γραφικών διεπαφών που απαιτούνται. 2.1 Δικαιώματα Χρηστών Συστήματος «ΠΑΥΕΥΣ» Μετά την αναγνώριση των κατηγοριών των χρηστών του συστήματος «ΠΑΥΕΥΣ» και της αναμενόμενης αλληλεπίδρασης με το σύστημα ανά κατηγορία και υποσύστημα, προέκυψε συγκεντρωτικά η ακόλουθη καταγραφή αναφορικά με τα δικαιώματα των χρηστών: Permissi ons Simple User Advance d User Cases Expert Data Rule Expert - Knowledg e Engineer Mining Specialist - OLAP Admin Ontology Specialis t Cases Moderato r Rules Moderato r Admin

14 Παραδοτέο Π User Managem ent (Advance d Users & Cases Experts) (Rules Experts - Knowledg e Engineer) CRUD access in cases db for OWN cases (access to personal data) (Συγκεκρ/ να πεδία) READ access in cases db for ALL cases. (no access to personal data) (Συγκεκρ /να πεδία) (Συγκεκρ/ να πεδία) DELETE access in cases db for ALL cases. (no access to personal data) CRUD access in rules db

15 Παραδοτέο Π for OWN rules RD access in rules db for ALL rules. Access to data mining & OLAP tools CRUD access to ontology

16 Παραδοτέο Π Συνολική Αρχιτεκτονική Πλατφόρμας «ΠΑΥΕΥΣ» Στην επόμενη Εικόνα 1 παρουσιάζεται η συνολική αρχιτεκτονική του συστήματος «ΠΑΥΕΥΣ» διαγραμματικά, ώστε να γίνει αντιληπτή η συνολική οργάνωση των υποσυστημάτων της πλατφόρμας και να αναλυθούν οι επιμέρους τεχνικές απαιτήσεις ανά υποσύστημα.

17 Παραδοτέο Π Εικόνα 1 Εννοιολογική προσέγγιση λειτουργικότητας συστήματος «ΠΑΥΕΥΣ»

18 Παραδοτέο Π Τεχνικές Απαιτήσεις Front End Πλατφόρμας «ΠΑΥΕΥΣ» Με δεδομένο ότι η πρόσβαση στο σύστημα «ΠΑΥΕΥΣ» θα πραγματοποιείται από διαφορετικά κανάλια, απαιτείται να γίνει η ανίχνευση των τεχνικών απαιτήσεων της πλατφόρμας ανά σημείο εισόδου, ώστε να εξασφαλισθεί το σύνολο της απαιτούμενης λειτουργικότητας. 3.1 Τεχνικές απαιτήσεις WEB Client Το σύστημα προβολής περιεχομένου (front-end) αποτελεί το τμήμα εκείνο του συστήματος που θα προβάλλεται προς τα έξω με όλες τις υπηρεσίες και λειτουργικότητες εκείνες που θα χρειαστούν οι τελικοί χρήστες. Το σύστημα θα πρέπει να είναι καλαίσθητο, λειτουργικό και να κάνει χρήση σύγχρονων τεχνολογιών. Απαιτήσεις Ευχρηστίας Συστήματος Κατά την υλοποίηση του συστήματος θα πρέπει να ληφθεί υπόψη οι διαφορετικές ομάδες χρηστών κι επομένως οι διαφορετικοί τρόποι εκπλήρωσης της παρεχόμενης λειτουργικότητας χωρίς να μειώνεται η χρηστικότητα των εφαρμογών. Κρίνεται ότι ο σχεδιασμός και η υλοποίηση της εφαρμογής με βασική αρχή την επίτευξη υψηλής χρηστικότητας και εργονομίας είναι κρίσιμος παράγοντας επιτυχίας για το παρόν έργο. Η λογική/ λειτουργική πληρότητα της εφαρμογής δεν αποτελεί από μόνη της ικανή συνθήκη για επιτυχή λειτουργία του συστήματος, αλλά οφείλει να συνυπάρχει με μία διεπαφή (ή διεπαφές) που επιτρέπει σε χρήστες ελάχιστα εξοικειωμένους με δικτυακές εφαρμογές να διεκπεραιώσουν τις συναλλαγές τους με το σύστημα με ευκολία Οι κυριότερες αρχές προς την κατεύθυνση της χρηστικότητας του διαδικτυακού τόπου «ΠΑΥΕΥΣ» περιλαμβάνουν: Συνέπεια: Οι εφαρμογές θα πρέπει να έχουν ομοιόμορφη εμφάνιση και να τηρείται συνέπεια στη χρήση των λεκτικών και των συμβόλων. Το λεξιλόγιο που χρησιμοποιείται για την περιγραφή εννοιών, σημείων και λειτουργιών σε όλο το εύρος των εφαρμογών και των συστημάτων πρέπει να είναι συνεπές. Αντίστοιχη συνέπεια πρέπει να επιδεικνύουν οι

19 Παραδοτέο Π οποιεσδήποτε γραφικές απεικονίσεις, διαμόρφωση σελίδων και η τοποθέτηση αντικειμένων στο χώρο των ιστοσελίδων. Στο επίπεδο των εφαρμογών και διαδραστικών λειτουργιών, παρόμοιες λεκτικές και λειτουργικές απεικονίσεις πρέπει να αντιστοιχούν σε ανάλογα αποτελέσματα. Αξιοπιστία: Ο χρήστης πρέπει να έχει σαφείς διαβεβαιώσεις αλλά και επίκτητη αντίληψη δια μέσου της εμφάνισης και συμπεριφοράς του συστήματος ότι: (α) οι πληροφορίες που εισάγει στο σύστημα είναι σωστές και αρκετές (ελαχιστοποίηση λαθών χρήστη μέσω ολοκληρωμένου πρωτοβάθμιου ελέγχου), (β) οι πληροφορίες που λαμβάνει από το σύστημα είναι ακριβείς και επικαιροποιημένες, (γ) η συμπεριφορά του συστήματος είναι προβλέψιμη. Απόκριση: Οι λειτουργίες του εσωτερικού δικτυακού κόμβου INTRANET πρέπει να έχουν χρόνο απόκρισης 3 sec. Στο χρόνο απόκρισης δεν συμπεριλαμβάνεται ο χρόνος καθυστέρησης που οφείλεται στη δυσλειτουργία του βασικού λογισμικού υποδομών του Φορέα και ο χρόνος καθυστέρησης που οφείλεται στο δίκτυο. Τα βήματα και οι ενέργειες από την πλευρά του χρήστη για κάθε επιθυμητή λειτουργία πρέπει να είναι ελαχιστοποιημένα και ανάλογα με το προφίλ του. Υποστήριξη Χρηστών: Το σύστημα θα πρέπει να περιλαμβάνει λειτουργίες υποστήριξης και βοήθειας στους χρήστες οι οποίες να παρέχουν κατάλληλες πληροφορίες όποτε και όταν απαιτούνται Απαιτήσεις Προσβασιμότητας Συστήματος Απαιτείται η διασφάλιση της πρόσβασης και ευχρηστίας του περιεχομένου από άτομα με αναπηρίες (ΑΜΕΑ) και συγκεκριμένα:. Σε όλες τις περιπτώσεις προβολής μέσω του διαδικτύου, συμμόρφωση με τις τεχνικές προδιαγραφές «Οδηγίες για την προσβασιμότητα του περιεχομένου του Ιστού»έκδοση 2.0 (WCAG 2.0). Απαιτήσεις Ασφάλειας Η ασφάλεια χρήσης των εφαρμογών και των δεδομένων θα πρέπει να διασφαλίζεται με προστασία από διαδικτυακές επιθέσεις, ιούς, παραβίαση

20 Παραδοτέο Π μη εξουσιοδοτημένης πρόσβασης, δημοσιοποίηση εσφαλμένων δεδομένων καθώς και πρόσβαση ανεπιθύμητων χρηστών. Συγκεκριμένα, στις βασικές απαιτήσεις που θα πρέπει ικανοποιεί το σύστημα συμπεριλαμβάνονται: Πρόβλεψη για διαμεσολάβηση τείχους προστασίας (firewall) για τη διασύνδεση του εξυπηρετητή (server) στο Internet, καθώς και την από απόσταση πρόσβαση για διαχείριση περιεχομένου (remote access). Αναγνώριση και πιστοποίηση ταυτότητας (identification and authentication) για την πρόσβαση στην εφαρμογή πελάτη και τη σύνδεση με τον εξυπηρετητή με διαδικασία «login / password». Ενεργοποίηση των μηχανισμών ταυτοποίησης που τυπικά παρέχει ένα DBMS (database authentication) επιπλέον των μηχανισμών ταυτοποίησης που παρέχονται από το λειτουργικό σύστημα. Πρόβλεψη διακεκριμένου ελέγχου πρόσβασης (authorization / access control). Προβλέπεται δυνατότητα παραχώρησης δικαιωμάτων χρήσης και εκτέλεσης λειτουργιών σε οντότητες με βάση τα πιστοποιημένα δικαιώματα του χρήστη ή ομάδων χρηστών. Δυνατότητα καταγραφής και ελέγχου κάθε ενέργειας πιστοποίησης και πρόσβασης (auditing) σε εσωτερική πληροφορία των συστημάτων και έκδοσης στατιστικών στοιχείων πρόσβασης. Ασφαλή πρόσβαση ιστοσελίδων που διακινούν ευαίσθητη πληροφορία, όπως passwords, με χρήση πρωτοκόλλων όπως π.χ. SSL, HTTPS κλπ. Απαιτήσεις Προστασίας Προσωπικών και Ιατρικών Δεδομένων Η προστασία των προσωπικών δεδομένων θα εξασφαλισθεί επίσημα από την «Αρχή Προστασίας Δεδομένων Προσωπικού Χαρακτήρα», στην οποία έχουμε ο φορέας υλοποίησης του έργου έχει ήδη αποταθεί και έχει αρχίσει η δημιουργία σχετικού φακέλου προς υποβολή. Συγκεκριμένα, όσον

21 Παραδοτέο Π αφορά στο θέμα αυτό, οι τεχνικές προδιαγραφές στοχεύουν στα παρακάτω: 1. Τα στοιχεία που ανταλλάσσονται κατά την επικοινωνία ενός χρήστη με το διαδικτυακό τόπο του «ΠΑΥΕΥΣ» προστατεύονται μέσω χρήσης του πρωτοκόλλου HTTPS (HyperText Transfer Protocol Secure) το οποίο να βασίζεται στη χρήση πιστοποιητικών που χαρακτηρίζονται ως ασφαλή από τους κατασκευαστές των φυλλομετρητών όταν αυτό απαιτείται από τη φύση των στοιχείων. 2. Διασφαλίζεται μέσω συστήματος ταυτοποίησης (τηλεφωνική επικοινωνία, αποστολή μέσω φαξ προσωπικών στοιχείων) ότι τα στοιχεία που υποβάλλει ο πολίτης για την πρόσβασή του στις ηλεκτρονικές υπηρεσίες που παρέχονται μέσω του «ΠΑΥΕΥΣ» επαρκούν για την εξακρίβωση της ταυτότητάς του και τη διεκπεραίωση των υπηρεσιών. 3. Σε περίπτωση που η παροχή ηλεκτρονικών υπηρεσιών μέσω του διαδικτυακού τόπου ενός φορέα περιλαμβάνει τη χρήση προσωπικών δεδομένων του αιτούντος, θα ΠΡΕΠΕΙ να αναφέρονται οι πολιτικές που εφαρμόζονται για τη συλλογή, χρήση, αποθήκευση και προστασία προσωπικών δεδομένων. Ο φορέας ΠΡΕΠΕΙ ΝΑ ικανοποιεί τις απαιτήσεις του Ν. 2472/1997, όπως ισχύει, και τις κατευθύνσεις της Αρχής Προστασίας Δεδομένων Προσωπικού Χαρακτήρα. 4. Μέσω του διαδικτυακού τόπου, θα ΠΡΕΠΕΙ να γνωστοποιούνται στους χρήστες του, η άδεια και οι όροι χρήσης με τους οποίους διατίθεται το περιεχόμενο του διαδικτυακού τόπου. 5. Το περιεχόμενο και οι ηλεκτρονικές υπηρεσίες που παρέχονται μέσω του διαδικτυακού τόπου ΠΡΕΠΕΙ να διασφαλίζουν την ιδιωτικότητα και την προστασία των προσωπικών και ιατρικών δεδομένων των χρηστών. a. Εξασφαλίζεται ότι δεν θα μπορεί απλός χρήστης που κάνει χρήση των υπηρεσιών του «ΠΑΥΕΥΣ» να έχει πρόσβαση σε άλλα δεδομένα εκτός από τα δικά του.

22 Παραδοτέο Π b. Eξασφαλίζεται ότι οι επαγγελματίες που θα κάνουν χρήση των εφαρμογών του «ΠΑΥΕΥΣ» θα μπορούν να έχουν πρόσβαση σε προσωπικά και ιατρικά δεδομένα μόνο για πολίτες που έχουν δώσει τη νομική τους συγκατάθεση για τα συγκεκριμένα πρόσωπα. c. Οι επαγγελματίες για ερευνητικούς σκοπούς θα μπορούν να έχουν πρόσβαση σε ιατρικά δεδομένα, όμως κατάλληλα τροποποιημένα ώστε να μην είναι δυνατή η σύνδεση με υπαρκτά πρόσωπα. Τέτοια στοιχεία θεωρούνται όνομα, τοποθεσία, τηλέφωνο, ΑΔΤ κτλ 6. Οι δηλώσεις αποκήρυξης ευθύνης (disclaimers) για συγκεκριμένα θέματα, τα οποία προσδιορίζονται ρητά, ΠΡΕΠΕΙ ΝΑ περιλαμβάνονται σε συγκεκριμένο σύνδεσμο (link) του διαδικτυακού τόπου, ο οποίος είναι τοποθετημένος σε εμφανές σημείο του διαδικτυακού τόπου. Εικαστική Παρουσίαση 1. Τα χρώματα και οι χρωματικοί συνδυασμοί που χρησιμοποιούνται για την παρουσίαση του περιεχομένου και το υπόβαθρο (φόντο) των ιστοσελίδων ΠΡΕΠΕΙ ΝΑ είναι ενιαία σε όλες τις σελίδες του διαδικτυακού τόπου εκτός από τις σελίδες των υπηρεσιών/εφαρμογών ώστε να είναι διακριτή η ξεχωριστή τους λειτουργικότητα. 2. Το περιεχόμενο των άρθρων του διαδικτυακού τόπου ΠΡΕΠΕΙ ΝΑ απεικονίζεται με σκούρο χρώμα γραμμάτων ενώ το υπόβαθρο (φόντο) ΠΡΕΠΕΙ ΝΑ είναι ανοιχτόχρωμο. 3. Το μενού πλοήγησης και τα κουμπιά θα πρέπει να είναι σκουρόχρωμα και τονισμένα ώστε να ξεχωρίζουν από απλό κείμενο και με ανοιχτόχρωμο χρώμα γραμμάτων. Όταν ο χρήστης θα επιλέγει ένα κουμπί ή μενού αυτό θα αλλάζει χρώμα ώστε να ειδοποιείται ο χρήστης ότι η ενέργεια του εκτελέστηκε από τον διαδικτυακό τόπο. 4. Τα εικονίδια ΠΡΕΠΕΙ ΝΑ συνοδεύονται από λεκτική περιγραφή, η οποία θα χρησιμοποιείται είτε ως επιπρόσθετος τρόπος περιγραφής της εικόνας είτε ως εναλλακτικός τρόπος παρουσίασης.

23 Παραδοτέο Π Η ονομασία των συνδέσμων ΠΡΕΠΕΙ ΝΑ είναι αντιπροσωπευτική του περιεχομένου στο οποίο οδηγεί ο σύνδεσμος. Γενικές ονομασίες όπως «Κάντε click εδώ» ΠΡΕΠΕΙ ΝΑ αποφεύγονται. 6. Εάν ένας σύνδεσμος οδηγεί σε άλλο διαδικτυακό τόπο ΠΡΟΤΕΙΝΕΤΑΙ αυτό ΝΑ είναι εμφανές στο χρήστη. 7. Η χρήση υπογραμμίσεων (underline) ΠΡΕΠΕΙ ΝΑ αποφεύγεται κατά τη μορφοποίηση και παρουσίαση του περιεχομένου του ΔΤ, ώστε να μην δημιουργείται σύγχυση με τους συνδέσμους (links) που περιλαμβάνονται στις ιστοσελίδες. 3.2 Τεχνικές απαιτήσεις Mobile Client Δεδομένου ότι το σύνολο της προβλεπόμενης λειτουργικότητας που θα είναι διαθέσιμη από τις κινητές συσκευές (SMARTPHONES και TABLETS), ταυτίζεται με τη προβλεπόμενη λειτουργικότητα του WEB Client, οι τεχνικές αιτήσεις περιορίζονται στην υποστήριξη των δημοφιλέστερων λειτουργικών συστημάτων των κινητών συσκευών. Πιο συγκεκριμένα απαιτείται να υποστηρίζονται συσκευές IOS, Android και Windows Phones, ανεξαρτήτου εκδόσεως. 3.3 Τεχνικές απαιτήσεις VOIP Client Το σύστημα «ΠΑΥΕΥΣ» θα υποστηρίζει «έξυπνα» τηλεφωνικά κέντρα (call centers) με ειδικά αυτοματοποιημένα τηλεφωνικά συστήματα παροχής υπηρεσιών φωνής (voice applications), όπως για παράδειγμα η τεχνολογία VoiceXML. Στόχος της συγκεκριμένης τεχνολογίας είναι να φέρει τα πλεονεκτήματα της ανάπτυξης που βασίζεται στον Παγκόσμιο Ιστό και τη μεταφορά περιεχομένου σε δια-λειτουργικές εφαρμογές που αφορούν απάντηση με φωνή. Σκοπός είναι η μονάδα φωνητικής απόκρισης (Voice Response Unit) να μεταφέρει πληροφορίες από τους χρήστες μέσω φωνής ή των πλήκτρων του τηλεφώνου βασιζόμενη στο σύστημα και να παρέχει ευελιξία τόσο στην παραμετροποίηση όσο και σε επεκτάσεις.

24 Παραδοτέο Π Παράλληλα υποστηρίζει μία μεγάλη ποικιλία από τηλέφωνα IP, διεπαφές δημόσιου τηλεφωνικού δικτυού μεταγωγής (PSTN) και σύνδεση στο Internet. Εξασφαλίζει την αποτελεσματική επικοινωνία, την άμεση πρόσβαση σε πληροφορίες και την ενημέρωση σε πραγματικό χρόνο. Το "VoIP" είναι τα αρχικά για την τεχνολογία Voice Over Internet Protocol, δηλαδή Φωνή Πάνω από Πρωτόκολλο του Διαδικτύου. H τεχνολογία VoIPi μας επιτρέπει να αξιοποιήσουμε οποιαδήποτε δικτυακή υποδομή που χρησιμοποιεί το πρωτόκολλο ΙΡ για να μεταφέρουμε φωνή.. Εικόνα 2 Αρχιτεκτονική VOIP PBX είναι τα αρχικά των λέξεων Private Branch Exchange (ιδιωτικό κέντρο), δηλαδή ιδιωτικό τηλεφωνικό σύστημα που χρησιμοποιείται μέσα σε μια εταιρεία. Οι χρήστες του τηλεφωνικού συστήματος PBX τηλεφωνούν εκτός εταιρείας με κοινή χρήση μιας σειράς εξωτερικών γραμμών. Το PBX συνδέει τα εσωτερικά τηλέφωνα μέσα σε μια επιχείρηση μεταξύ τους αλλά και με το δημόσιο τηλεφωνικό δίκτυο μεταγωγής (public switched telephone network (PSTN)). Μία από τις τελευταίες εξελίξειςii των τηλεφωνικών συστημάτων PBX είναι το VoIP PBX, επίσης γνωστό ως IP

25 Παραδοτέο Π PBX, που χρησιμοποιεί το πρωτόκολλο Ίντερνετ για τη μετάδοση κλήσεων. Το Asterisk είναι ένα ολοκληρωμένο PBX software. Συνδυάζει τα πλεονεκτήματα του VoIP και ενός καλού ψηφιακού τηλεφωνικού κέντρου. Παρέχει όλα τα χαρακτηρίστηκα που περιμένει ο χρήστης από ένα PBX. Το Asterisk παρέχει φωνή μέσα από το IP σε τέσσερα πρωτόκολλα, και μπορεί να επικοινωνήσει με σχεδόν όλα τα standards based τηλέφωνα. Μπορεί να λειτουργήσει σαν αυτόνομος εξυπηρετητής επεξεργασίας κλήσεων ή ακόμα και σαν προσθήκη σε κάποιο ήδη εγκατεστημένο κέντρο. Μπορεί να χρησιμοποιηθεί μόνο σε επίπεδο λογισμικού, μεταφέροντας φωνή μέσω IP ή να επικοινωνήσει με TDM (Time Division Multiplexing) διεπαφές και να χρησιμοποιήσει το τηλεφωνικό δίκτυο. Μέσω του Asterisk μπορεί να επιτευχθεί ποικιλία μεταβάσεων όπως: Κλειστό (εμπορικό) Ελεύθερο (δωρεάν) Δίκτυα μεταγωγής κυκλώματος VoIP συστήματα Φωνή Φωνή, Βίντεο, Δεδομένα Digital Signal Processing Host Media Processing Κεντρική διαχείριση Peer to Peer Παράλληλα παρέχονται γέφυρες επικοινωνίας με όλες τις προϋπάρχουσες τεχνολογίες και τα πρότυπά τους. Εικόνα 3 Αναπαράσταση συστήματος PBX

26 Παραδοτέο Π Τα συστήματα PBX χρησιμεύουν στη ζεύξη μεταξύ των τερματικών (τηλέφωνο, fax, Modem, κ.α.) που είναι συνδεδεμένα με το PBX και του δημόσιου τηλεπικοινωνιακού δικτύου μεταγωγής (PSTN). Με αυτήν τη συνδεσμολογία είναι δυνατόν να μη χρειάζεται κάθε τερματικό μια αποκλειστική σύνδεση με το PSTN δίκτυο αλλά αντί αυτού να χρησιμοποιείται ένα πλήθος γραμμών ανάλογο με τις απαιτήσεις για επικοινωνία με τον έξω κόσμο. Το Asterisk μπορεί να λειτουργήσει σαν ένα παραδοσιακό PBX με τις ευκολίες που αυτά παρέχουν όπως: ενδοεπικοινωνία (extension-toextension), τριμερής επικοινωνία, τηλεδιάσκεψη, φωνητικό ταχυδρομείο, αναμονή κλήσεων, προώθηση κλήσεων, καταγραφή αρχείου κλήσεων, ηχογράφηση συνομιλιών, κ.α., με τη διαφορά ότι όλα αυτά τα κάνει με πλήρη διαφάνεια και κατά βούληση του χρήστη και έτσι δεν επηρεάζεται από το πώς επικοινωνούν οι χρήστες, δηλαδή με softphones, παραδοσιακά τηλέφωνα ή VoIP handsets και δεν περιορίζει την τοπολογία του τηλεφωνικού δικτύου. Asterisk ως σύστημα αμφίδρομης φωνητικής απόκρισης (IVR) Το Asterisk παρέχει τη δυνατότητα δημιουργίας συστήματος αμφίδρομης φωνητικής απόκρισης. Αυτό σημαίνει ότι ο καλών έχει τη δυνατότητα μέσω ενός φωνητικού μενού και με τη χρήση του πληκτρολογίου της τηλεφωνικής του συσκευής να αλληλοεπιδράσει με το τηλεφωνικό κέντρο και να αποκτήσει πρόσβαση σε πληροφορίες οι οποίες βρίσκονται στο σύστημά μας. Χαρακτηριστικό παράδειγμα μίας τέτοιας εφαρμογής είναι το σύστημα που χρησιμοποιείται από πολλές τράπεζες, στο οποίο πληκτρολογούμε τον αριθμό της κάρτας μας και κάποιο συνθηματικό και αποκτάμε πρόσβαση σε πληροφορίες όπως το υπόλοιπο του λογαριασμού μας και τις τελευταίες κινήσεις του λογαριασμού.

27 Παραδοτέο Π Εικόνα 4 Λειτουργικότητα Asterisk Το Asterisk επίσης μπορεί να λειτουργήσει σαν σύστημα ουρών αναμονής των κλήσεων και αυτόματης δρομολόγησης στην κατάλληλη ουρά. Η λειτουργία αυτή, είναι από τις βασικότερες ενός τηλεφωνικού κέντρου, το οποίο θα πρέπει να είναι σε θέση να κάνει σωστή και αποτελεσματική διαχείριση των γραμμών του. Τα κριτήρια δρομολόγησης μπορούν να ποικίλουν, ανάλογα με την ώρα, τη διαθεσιμότητα, τα προσόντα, τα επίπεδα προτεραιοτήτων, κ.α Το Asterisk είναι σύστημα αυτόματης κατανομής κλήσεων (ACD)

28 Παραδοτέο Π Εικόνα 5 Σύστημα αυτόματης κατανομής ACD Το Asterisk μπορεί να λειτουργήσει σαν σύστημα ουρών αναμονής των κλήσεων και αυτόματης δρομολόγησης στην κατάλληλη ουρά. Η λειτουργία αυτή, είναι από τις βασικότερες ενός τηλεφωνικού κέντρου, το οποίο θα πρέπει να είναι σε θέση να κάνει σωστή και αποτελεσματική διαχείριση των γραμμών του. Τα κριτήρια δρομολόγησης μπορούν να ποικίλουν, ανάλογα με την ώρα, τη διαθεσιμότητα, τα προσόντα, τα επίπεδα προτεραιοτήτων, κ.α.

29 Παραδοτέο Π Εικόνα 6 Λειτουργία ουράς κατανομής κλήσεων

30 Παραδοτέο Π Εικόνα 7 Διάγραμμα ροής κλήσεων

31 Παραδοτέο Π Τεχνικές Απαιτήσεις Client Smart TV Το σύστημα επικοινωνίας μέσω Smart TVs, με το οποίο θα επεκταθεί η χρηστικότητα του «ΠΑΥΕΥΣ», ουσιαστικά θα επιτρέπει την πρόσβαση από τις Smart TVs σε όλη την λειτουργικότητα που θα αναπτυχθεί στα πλαίσια του έργου και ονομάζεται πυρήνας συστήματος πλατφόρμας «ΠΑΥΕΥΣ» η οποία θα συνεργάζεται με τρίτες πλατφόρμες λογισμικού, υποστηρίζοντας πολυγλωσσικότητα. Το πιλοτικά λογισμικό που θα αναπτυχθεί στο πλαίσιο του έργου, θα εκτελείται σε Samsung Smart TVs, προκειμένου να είναι εφικτή η διαλειτουργικότητα της πλατφόρμας «ΠΑΥΕΥΣ» σε κάθε είδους συσκευή hardware / software. Μετά την εγκατάσταση ο χρήστης βλέπει σαν εισαγωγική οθόνη το περιεχόμενο του web client. Για ευκολότερη πλοήγηση μέσα στη σελίδα θα προβλέπεται η δυνατότητα επιλογής των κύριων 4 βασικών μενού πλοήγησης, Main, Submit Query, Support Desk, Validation είτε με τα χρωματιστά κουμπιά του teletext είτε με απλή πλοήγηση με τα πλήκτρα κατεύθυνσης και ΟΚ. Η συγκεκριμένη λειτουργικότητα θα αφορά αποκλειστικά χρήστες των κατηγοριών τους Simple & Advanced.Σε κάθε από αυτές σελίδες τα use cases θα είναι ακριβώς όπως και αυτά των χρηστών του web client με μόνη διαφορά, οι επιλογές αντί να γίνονται με κλικ του ποντικιού θα γίνονται με το τηλεκοντρόλ ως εξής: Η εστίαση (focus) του χρήστη στο πεδίο που χρειάζεται να συμπληρωθεί ή στο μενού πλοήγησης, και η επιλογή στοιχείων μενού θα πραγματοποιείται μέσω των πλήκτρων κατεύθυνσης. Σε κάθε πάτημα αυτών των πλήκτρων επιλέγονται και κεντράρονται τα αντίστοιχα πεδία ή μενού που βρίσκονται στις αντίστοιχες θέσεις ανάλογα με την κατεύθυνση που δίνουμε. Μετά την εστίαση στο πεδίο ενδιαφέροντος με τη χρήση του πλήκτρου ΟΚ θα βλέπει τις αντίστοιχες τιμές προς συμπλήρωση που υπάρχουν και στο web client. Ακολούθως, η επιλογή θα γίνεται μέσω

32 Παραδοτέο Π πλοήγησης και η επιβεβαίωση με τη χρήση του πλήκτρου ΟΚ οδηγώντας στην τελική καταχώρηση. Η μετάβαση σε αντίστοιχη σελίδα μέσω του μενού θα πραγματοποιείται πάλι με την πλοήγηση και χρήση του πλήκτρου ΟΚ. Με δεδομένο ότι οι συσκευές τύπου SMART TV παρέχουν τη δυνατότητα σύνδεσης ποντικιού και πληκτρολογίου για υπολογιστή, για ακόμα πιο εύκολη πρόσβαση στη διεπαφή του χρήστη, αναμένεται η λειτουργικότητα να είναι όμοια με αυτή της χρήσης του web client από PC. 3.5 Τεχνικές Απαιτήσεις Λειτουργίας Μέσω Προτυπωμένων Φορμών Το σύστημα «ΠΑΥΕΥΣ» θα υποστηρίζει και τεχνολογίες με λιγότερες απαιτήσεις σε τεχνολογικά προηγμένες συσκευές, όπως αποστολή με fax προτυπωμένων φορμών σε συνδυασμό με τεχνικές αναγνώρισης χαρακτήρων (OCR). Οι χρήστες που δεν έχουν την δυνατότητα ηλεκτρονικής υποβολής, θα μπορούν να αποστέλλουν τη σχετική πληροφόρηση, μέσω fax. Θα σχεδιαστεί ανάλογη φόρμα, στην οποία ο χρήστης θα καταγράφει τις απαραίτητες πληροφορίες και θα την αποστέλλει. Για την υποστήριξη της οπτικής αναγνώρισης θα υλοποιηθεί ειδικό πρότυπο (template) της συγκεκριμένης φόρμας. Η λύση θα εντοπίζει την φόρμα, θα πραγματοποιεί οπτική αναγνώριση αυτής & θα εφαρμόζει το σύνολο των κανόνων και τεχνικών μεθόδων για την διόρθωση των δεδομένων. Ο εντοπισμός θα γίνεται βάσει των σημείων ευθυγράμμισης και των χαρακτηριστικών της φόρμας, όπως πεδία, γραμμές, στατικά κείμενα. Η αναγνώριση θα γίνεται σε επίπεδο πεδίου και όχι όλης της φόρμας, προκειμένου να επιτυγχάνεται η βέλτιστη ταχύτητα επεξεργασίας. Σε κάθε πεδίο που θα γίνεται αναγνώριση θα παίρνει μέρος συγκεκριμένο λεξικό ή σετ από χαρακτήρες τους οποίους μπορεί να δεχτεί το πεδίο αυτό. Το αποτέλεσμα της αναγνώρισης αυτής θα είναι ένα σύνολο πεδίων με τις

33 Παραδοτέο Π τιμές που θα έχουν συμπληρωθεί από τον χρήστη σε αυτά, σε μορφή πίνακα (κωδικός-τιμή) για όλα τα πεδία της φόρμας. Δεδομένου του τρόπου μετάδοσης (Fax) θα πρέπει να επισημανθεί ότι το ποιοτικό αποτέλεσμα της αναγνώρισης των δεδομένων εξαρτάται άμεσα από την ποιότητα της εικόνας που θα ληφθεί. Στη λύση θα έχει ληφθεί υπόψη ένας βαθμός παραμόρφωσης ή/και τονικής έντασης της εικόνας που ενδεχομένως να έχει προκληθεί από τις διαφορετικές μηχανές αποστολής. Σε περιπτώσεις όπου τα όρια παραμόρφωσης της ληφθείσας εικόνας θα ξεπερνούν τους αποδεκτούς κανόνες (πλήρης παραμόρφωση, υπερφωτισμός ή υποφωτισμός) θα υπάρχει επίπτωση στο αποτέλεσμα της αναγνώρισης. Τα δεδομένα των εντύπων/φορμών, θα εξάγονται σε συμβατή μορφή για την πλατφόρμα «ΠΕΑΥΕΥΣ», σε συγκεκριμένους πίνακες βάσης δεδομένων. Θα περιέχουν όλους τους συμπληρωμένους κωδικούς του χρήστη, στο σύνολο των εντύπων που θα έχουν αποσταλεί. Σε όλα τα έντυπα/φόρμες, θα αποδίδεται μοναδικός κωδικός. Οι εγγραφές που αφορούν τα έντυπα με τις διαφορετικές χρονικές περιόδους θα συνδέονται μεταξύ τους με το κλειδί του μοναδικού κωδικού.

34 Παραδοτέο Π Τεχνικές Απαιτήσεις Middleware (Web Services) «ΠΑΥΕΥΣ» Στον σχεδιασμό της τεχνικής λύσης του συστήματος απαιτείται η υλοποίηση του να γίνει μέσω μιας δομημένης τεχνικά λύσης, βασισμένης σε ανεξάρτητα υποσυστήματα, τα οποία θα επικοινωνούν μεταξύ τους με την χρήση WEB services (διαδικτυακών υπηρεσιών) Τα web services είναι μια τεχνολογία που επιτρέπει στις εφαρμογές να επικοινωνούν μεταξύ τους ανεξαρτήτως πλατφόρμας και γλώσσας προγραμματισμού. Ειδικότερα, ένα web service αποτελεί μια διεπαφή λογισμικού (software interface) που περιλαμβάνει μια συλλογή από λειτουργίες (web methods) οι οποίες μπορούν να χρησιμοποιηθούν μέσω δικτύου. Τα web services στηρίζονται σε διάφορα πρωτόκολλα και τεχνολογίες για την περιγραφή μιας λειτουργίας προς εκτέλεση καθώς και των προς ανταλλαγή δεδομένων. Τέτοια είναι το Simple Object Access Protocol (SOAP), η Web Service Definition Language (WSDL) και η Extensible Markup Language (XML) Ωστόσο, στο συγκεκριμένο έργο, η προϋπόθεση πρόσβασης στην πλατφόρμα μέσω φορητών συσκευών οδηγεί στην επιλογή μιας εναλλακτικής προσέγγισης η οποία παρέχεται μέσω web services τύπου REST (Representational State Transfer). Οι τελευταίες δεν απαιτούν XML, SOAP, ή WSDL ορισμούς API και χρησιμοποιούν εναλλακτικές, λιγότερο περίπλοκες μορφές ανταλλαγής δεδομένων όπως τύπου JavaScript Object Notation (JSON). Οι υπηρεσίες που απαιτείται να υλοποιηθούν για την κάλυψη των αναγκών της λειτουργικότητας τους συστήματος είναι οι ακόλουθες: Web Method Inputs Outputs DB Table HTTP Type insertrule() Rule (JSON Representation) Νέο RuleID Rules POST

35 Παραδοτέο Π updaterule() Rule (JSON Representation) Πλήθος γραμμών που τροποποιήθηκαν Rules POST deleterule() RuleID Πλήθος γραμμών που διαγράφηκαν Rules DELETE getallrules() - Πίνακας Rules (JSON Representation) Rules GET getrulebyrulei D() RuleID Rule (JSON Representation) Rules GET insertcase() Case (JSON Representation) Νέο CaseID Cases POST updatecase() Case (JSON Representation) Πλήθος γραμμών που τροποποιήθηκαν Cases POST deletecase() CaseID Πλήθος γραμμών που τροποποιήθηκαν Cases DELETE getallcases() - Πίνακας Cases (JSON Representation) Cases GET getcasebycas eid() CaseID Case (JSON Representation Cases GET

36 Παραδοτέο Π insertexpert() Expert (JSON Representation) Νέο ExpertID Experts POST updateexpert() Expert (JSON Representation) Πλήθος γραμμών που τροποποιήθηκαν Experts POST deleteexpert() ExpertID Πλήθος γραμμών που διαγράφηκαν Experts DELETE getallexperts() - Πίνακας Experts (JSON Representation) Experts GET getexpertbyex pertid() ExpertID Expert (JSON Representation) Experts GET uploadontolog yfile() OntologyFileDetai ls (JSON Representation) Νέο OntologyFileID Ontology Files POST getallontology Nodes() OntologyFileID, LanguageID Πίνακας SingleOntologyNod e (JSON Representation) N/A, from OWL file GET getnodedistan ce() Class IDs of Node A and Node B NodeDistance (JSON Representation) NodeDist ances GET

37 Παραδοτέο Π calculateandst oredistances() OntologyFileID - NodeDist ances POST Ακολουθεί αναλυτική περιγραφή κάθε Web μεθόδου που απαιτείται να αναπτυχθεί : Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης Path Όνομα Παραμέτρου newrule Παράδειγμα αίτησης Επιτυχής κλήση Ανεπιτυχής κλήση InsertRule Αποθηκεύει έναν κανόνα στον πίνακα Rules της βάσης δεδομένων του συστήματος { } POST backendws/insertrule Παράμετροι Εισόδου Τύπος Παραμέτρου Rule Περιγραφή Ο κανόνας που επιθυμούμε να εισαχθεί στον πίνακα Rules της βάσης δεδομένων "adminid":"2", "expertid":"4", "ifs":"111, 233", "statusflag":"16", "thens":"333,4445", "timestamp":" :00:00" Έξοδος Τύπος Ακέραιος Περιγραφή Νέο RuleID Ακέραιος -1 Όνομα της μεθόδου UpdateRule

38 Παραδοτέο Π Περιγραφή Ενημερώνει έναν κανόνα που βρίσκεται στον πίνακα Rules της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης POST Path backendws/updaterule Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή ruletoupdate Rule Ο ενημερωμένος κανόνας δεδομένων όπως επιθυμούμε να αλλάξει στην βάση { "ruleid":"1", "adminid":"2", "expertid":"4", Παράδειγμα αίτησης "ifs":"111, 233", "statusflag":"16", "thens":"333,4445", "timestamp":" :00:00" } Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Ο αριθμός των γραμμών στη βάση που ενημερώθηκαν Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου DeleteRule Περιγραφή Διαγράφει έναν κανόνα που βρίσκεται στον πίνακα Rules της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης DELETE Path backendws/deleterule/{ruleid} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή ruleid Ακέραιος Το RuleID του κανόνα που επιθυμούμε να διαγραφεί. Έξοδος Τύπος Περιγραφή

39 Παραδοτέο Π Επιτυχής κλήση Ακέραιος Ο αριθμός των γραμμών στη βάση που διαγράφηκαν Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου GetRuleByRuleID Περιγραφή Επιστρέφει έναν κανόνα που βρίσκεται στον πίνακα Rules της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης GET Path backendws/getrulebyruleid/{ruleid} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή ruleid Ακέραιος Το RuleID του κανόνα που επιθυμούμε να επιστραφεί. Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Rule (JSON) Ο κανόνας με το συγκεκριμένο ruleid Ανεπιτυχής κλήση Rule (JSON) null { "ruleid":"1", "adminid":"2", "expertid":"4", Παράδειγμα απάντησης "ifs":"111, 233", "statusflag":"16", "thens":"333,4445", "timestamp":" :00:00" } Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης GetAllRules Επιστρέφει όλους τους κανόνες που βρίσκονται αποθηκευμένοι στον πίνακα Rules της βάση δεδομένων του συστήματος GET

40 Παραδοτέο Π Path backendws/getallrules Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Επιτυχής κλήση Ανεπιτυχής κλήση Παράδειγμα απάντησης Έξοδος Τύπος Πίνακας από Rules (JSON) Περιγραφή Πίνακας με όλους τους κανόνες που βρίσκονται αποθηκευμένοι στην Βάση δεδομένων Πίνακας από Rules null (JSON) {"rule":[ { "adminid":"2", "expertid":"1", "ifs":"122, 150", "ruleid":"1", "statusflag":"15", "thens":"220", "timestamp":" :00:00" }, { "adminid":"1", "expertid":"1", "ifs":"150, 221", "ruleid":"2", "statusflag":"1", "thens":"100,125", "timestamp":" :00:00" } ]} Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης Path InsertCase Αποθηκεύει ένα Case στον πίνακα Cases της βάσης δεδομένων του συστήματος POST backendws/insertcase

41 Παραδοτέο Π Όνομα Παραμέτρου newcase Παράμετροι Εισόδου Τύπος Παραμέτρο υ Case Περιγραφή To Case που επιθυμούμε να εισαχθεί στον πίνακα Cases της βάσης δεδομένων { "casename":"case1", "expertid":"1", "dateinserted":" :00:00", "name":"john Doe", Παράδειγμα αίτησης "age":"12", "gender":"m", "d1":"1","d2":"2","d3":"3","d4":"4","d5":"5", "oc35":"0" } Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Νέο CaseID Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου UpdateCase Περιγραφή Ενημερώνει ένα Case που βρίσκεται στον πίνακα Cases της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης POST Path backendws/updatecase Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Tο ενημερωμένο Case casetoupdate Case δεδομένων όπως επιθυμούμε να αλλάξει στην βάση { Παράδειγμα αίτησης "caseid":"4", "casename":"case1",

42 Παραδοτέο Π Επιτυχής κλήση } "expertid":"1", "dateinserted":" :00:00", "name":"john Doe", "age":"12", "genter":"m", "d1":"1","d2":"2","d3":"3","d4":"4","d5":"5", "oc35":"0" Έξοδος Τύπος Ακέραιος Περιγραφή Ο αριθμός των γραμμών στη βάση που ενημερώθηκαν Ανεπιτυχής κλήση Ακέραιος -1 Παράδειγμα απάντησης Όνομα της μεθόδου DeleteCase Διαγράφει ένα Case (μια γραμμή) που βρίσκεται Περιγραφή στον πίνακα Cases της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης DELETE Path backendws/deletecase/{caseid} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή caseid Ακέραιος Το ID του Case που επιθυμούμε να διαγραφεί. Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Ο αριθμός των γραμμών στη βάση που διαγράφηκαν Ανεπιτυχής κλήση Ακέραιος -1

43 Παραδοτέο Π Όνομα της μεθόδου GetCaseByCaseID Περιγραφή Επιστρέφει ένα Case που βρίσκεται στον πίνακα Cases της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης GET Path backendws/getrcasebycaseid/{caseid} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή caseid Ακέραιος Το ID του Case που επιθυμούμε να επιστραφεί. Παράδειγμα αίτησης Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Case (JSON) To case με το συγκεκριμένο caseid Ανεπιτυχής κλήση Case (JSON) null Παράδειγμα απάντησης { } "caseid":"1", "casename":"case1", "expertid":"1", "dateinserted":" :00:00", "name":"john Doe", "age":"12", "genter":"m", "d1":"1","d2":"2","d3":"3","d4":"4","d5":"5", "oc35":"0" Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης Path GetAllCases Επιστρέφει όλa τα Cases που βρίσκονται αποθηκευμένα στην βάση δεδομένων του συστήματος GET backendws/getallcases Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή - - -

44 Παραδοτέο Π Παράδειγμα αίτησης Επιτυχής κλήση Ανεπιτυχής κλήση Παράδειγμα απάντησης Έξοδος Τύπος Πίνακας από Cases (JSON) Περιγραφή Πίνακας με όλα τα Cases που βρίσκονται αποθηκευμένα στην Βάση δεδομένων Πίνακας από Cases null (JSON) {"case":[ { "caseid":"1", "casename":"case1", "expertid":"1", "dateinserted":" :00:00", "name":"john Doe", "age":"12", "genter":"m", "d1":"1","d2":"2","d3":"3","d4":"4","d5":"5", "oc35":"0" }, { "caseid":"4", "casename":"case4", "expertid":"1", "dateinserted":" :00:00", "name":"john Doe", "age":"12", "genter":"m", "d1":"1","d2":"2","d3":"3","d4":"4","d5":"5", "oc35":"0" },.. ]} Όνομα της μεθόδου InsertExpert

45 Παραδοτέο Π Περιγραφή Αποθηκεύει έναν χρήστη-«ειδικό» στον πίνακα Experts της βάσης δεδομένων του συστήματος Τύπος HTTP αίτησης POST Path backendws/insertexperts Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Ο χρήστης που newexpert Expert επιθυμούμε να εισαχθεί στον πίνακα Experts της βάσης δεδομένων { " ":"john.doe@gmail.com", "firstname":"john", "lastname":"doe", Παράδειγμα αίτησης "password":"1234", "phone":" ", "roleid":"1", "username":"john.doe" } Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Νέο ExpertID Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου UpdateExpert Ενημερώνει έναν χρήστη που βρίσκεται στον Περιγραφή πίνακα Experts της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης POST Path backendws/updateexpert Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή experttoupdate Expert Ο ενημερωμένος χρήστης δεδομένων όπως επιθυμούμε να αλλάξει στην βάση { Παράδειγμα αίτησης " ":"john.doe@gmail.com", "expertid":"1",

46 Παραδοτέο Π "firstname":"john", "lastname":"doe", "password":"1234", "phone":" ", "roleid":"1", "username":"john.doe" } Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Ο αριθμός των γραμμών στη βάση που ενημερώθηκαν Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου DeleteExpert Περιγραφή Διαγράφει έναν χρήστη που βρίσκεται στον πίνακα Experts της βάση δεδομένων του συστήματος Τύπος HTTP αίτησης DELETE Path backendws/deleteexpert/{expertid} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Το ExpertID του χρήστη expertid Ακέραιος που επιθυμούμε να διαγραφεί. Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Ο αριθμός των γραμμών στη βάση που διαγράφηκαν Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου Περιγραφή GetExpertByExpertID Επιστρέφει έναν χρήστη που βρίσκεται στον πίνακα Experts της βάση δεδομένων του συστήματος

47 Παραδοτέο Π Τύπος HTTP αίτησης GET Path backendws/getexpertbyexpertid/{expertid} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Το ExpertID του χρήστη expertid Ακέραιος που επιθυμούμε να επιστραφεί. Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Expert (JSON) Ο χρήστης με το συγκεκριμένο ExpertID Ανεπιτυχής κλήση Expert (JSON) null { " ":"john.doe@gmail.com", "expertid":"1", "firstname":"john", Παράδειγμα απάντησης "lastname":"doe", "password":"1234", "phone":" ", "roleid":"1", "username":"john.doe" } Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης Path GetAllExperts Επιστρέφει όλους τους χρήστες που βρίσκονται αποθηκευμένοι στον πίνακα Experts της βάση δεδομένων του συστήματος GET backendws/getallexperts Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Πίνακας από Experts Πίνακας με όλους τους

48 Παραδοτέο Π Ανεπιτυχής κλήση Παράδειγμα απάντησης (JSON) χρήστες που βρίσκονται αποθηκευμένοι στην Βάση δεδομένων Πίνακας από Experts null (JSON) {"expert": { " ":"john.doe@gmail.com", "expertid":"1", "firstname":"john", "lastname":"doe", "password":"1234", "phone":" ", "roleid":"1", "username":"john.doe" } } Όνομα της μεθόδου UploadOntologyFile Αποθηκεύει ένα αρχείο τύπου owl το οποίο περιέχει μια οντολογία στον φάκελο Περιγραφή /var/www/ontologyrepository του server. Παράλληλα δημιουργείται μια εγγραφή στον πίνακα OntologyFiles της βάσης δεδομένων του συστήματος. Τύπος HTTP αίτησης POST Path backendws/uploadontologyfile Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή Ta περιεχόμενα του αρχείου της οντολογίας καθώς και μια σειρά από filedetails OntologyFile μετα-πληροφορίες που επιθυμούμε να αποθηκευθούν στο σύστημα. { Παράδειγμα αίτησης "dateupdated":"2014/05/28 00:00:00", "expertid":"1",

49 Παραδοτέο Π "isdefault":"0", "ontodescription":"version 45", "ontofilename":"esm_ant45.owl", "ontofilecontent":"<?xml version=\"1.0\"?>\r\n<rdf:rdf\r\n xmlns: " } Έξοδος Τύπος Περιγραφή Επιτυχής κλήση Ακέραιος Νέο OntologyFileID Ανεπιτυχής κλήση Ακέραιος -1 Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης Path Όνομα Παραμέτρου ontologyfilei D languageid GetAllOntologyNodes Επιστρέφει όλους τους κόμβους έννοιες που βρίσκονται στο αρχείο της οντολογίας με το συγκεκριμένο ontologyfileid GET backendws/getallontologynodes/{ontologyfileid},{languagei D} Παράμετροι Εισόδου Τύπος Παραμέτρου Ακέραιος String Περιγραφή Το ΟntologyFileID της οντολογίας της οποίας επιθυμούμε τους κόμβους. H γλώσσα στην οποία επιθυμούμε να λάβουμε τα σχόλια και τις περιγραφές των κόμβων. ALL - για όλες τις γλώσσες EN - για Αγγλικά GR για Ελληνικά NONE για καμιά περιγραφή Έξοδος Τύπος Περιγραφή Επιτυχής Πίνακας SingleOntologyNode κλήση (JSON) Όλοι οι κόμβοι της οντολογίας Ανεπιτυχής Πίνακας SingleOntologyNode null

50 Παραδοτέο Π κλήση Παράδειγμα απάντησης {"singleontologynode": [ { "descren":"forceful showing of emotions", "labelen":"emotional Outbursts", "nodeid":"class_155", "parentnodes":"class_13", "siblingnodes":["class_678", "Class_344", "Class_679", "Class_218"] }, { "labelen":"change", "nodeid":"class_520", "parentnodes":"class_80", "siblingnodes":["class_525", "Class_514", "Class_521", "Class_515"] }] Όνομα της μεθόδου Περιγραφή Τύπος HTTP αίτησης Path GetNodeDistance Επιστρέφει την απόσταση ανάμεσα σε δύο κόμβους της default οντολογίας GET backendws/getnodedistance/{nodea},{nodeb} Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή NodeA Ακέραιος Το ID του κόμβου Α NodeB Ακέραιος Το ID του κόμβου Β Επιτυχής κλήση Έξοδος Τύπος NodeDistance (JSON) Περιγραφή Η απόσταση ανάμεσα στους κόμβους Α και Β Ανεπιτυχής κλήση NodeDistance (JSON) null Παράδειγμα {

51 Παραδοτέο Π απάντησης } "distance":" ", "distanceid":"398418", "hashedindex":"111_123", "nodea":"111", "nodeb":"123" Όνομα της μεθόδου CalculateAndStoreDistances Υπολογίζει και αποθηκεύει τις αποστάσεις όλων των πιθανων συνδυασμών κόμβων στην οντολογία Περιγραφή με το συγκεκριμένο OntologyFileID. Η αποθήκευση πραγματοποιείται στον πίνακα NodeDistances. Να σημειωθεί πως όλες οι προηγούμενες αποστάσεις διαγράφονται. Τύπος HTTP αίτησης POST Path backendws/calculateandstoredistances Παράμετροι Εισόδου Όνομα Παραμέτρου Τύπος Παραμέτρου Περιγραφή OntologyFileID Ακέραιος Το OntologyFileID της οντολογίας Έξοδος Τύπος Περιγραφή Επιτυχής κλήση String OK Ανεπιτυχής κλήση String NOTOK Όνομα της μεθόδου Περιγραφή CheckOntologyNodeConnectivity Επιστρέφει πληροφορίες σε σχέση με την συνδεσιμότητα ανάμεσα σε δύο κόμβους της default οντολογίας. Ειδικότερα επιστρέφει επίπεδο κόμβων, τον χαμηλότερο κοινό πρόγονο, το επίπεδο του χαμηλότερου κοινού κόμβου και τα μέγιστα μονοπάτια που περνούν από κάθε κόμβο και καταλήγουν σε leaf node.

52 Παραδοτέο Π Τύπος HTTP αίτησης Path Όνομα Παραμέτρου NodeA NodeB Επιτυχής κλήση Ανεπιτυχής κλήση Παράδειγμα απάντησης { } GET ontows/checkontologynodeconnectivity/{nodea},{nodeb} Παράμετροι Εισόδου Τύπος Παραμέτρου String String Έξοδος Τύπος NodeConnectivityResult (JSON) NodeConnectivityResult (JSON) "nodea":"class_41", "nodeb":"class_709", "levelnodea":"6", "levelnodeb":"5", "LCAnode":"Class_143", "leveloflca":"2", "longestpathtoleaffornodea":"7", "longestpathtoleaffornodeb":"5" Περιγραφή Το ID του κόμβου Α (Class_ID) Το ID του κόμβου Β (Class_ID) Περιγραφή Πληροφορίες για τους κόμβους Α και Β null

53 Παραδοτέο Π Τεχνικές Απαιτήσεις Backoffice «ΠΑΥΕΥΣ» Στην παρούσα ενότητα θα αναφερθούν οι τεχνικές απαιτήσεις του συνόλου των υποσυστημάτων της πλατφόρμας «ΠΑΥΕΥΣ». Οι τεχνικές απαιτήσεις για κάθε υποσύστημα λαμβάνουν υπόψη τις λειτουργικές ανάγκες όπως αυτές έχουν αναγνωρισθεί στο πλαίσιο της καταγραφής των απαιτήσεων των χρηστών. 5.1 Υποσύστημα Οντολογίας Διαλειτουργικότητα & Έκφραση Οντολογίας Η γλώσσα OWL (Web Ontology Language )iii iv v που υιοθετήθηκε για την περιγραφή της οντολογίας αποτελεί ουσιαστικά επέκταση της RDFS (Resource Description Framework Schema), δίνοντας πολύ περισσότερες δυνατότητες εκφραστικότητας και συμπερασμού. Όπως και η RDFS βασίζεται στην σύνταξη της στο πρότυπο RDF (Resource Description Framework) που χρησιμοποιεί την γλώσσα XML για να εκφράσει τριπλέτες της μορφής Πόρος Ιδιότητα Αντικείμενο (Resource Property Object). Ένα αντικείμενο μπορεί να είναι είτε Πόρος ή Αλφαριθμητικό (Literal). Αν αναπαραστήσουμε τους πόρους ως κόμβους και τις ιδιότητες ως ακμές μεταξύ τους είναι φανερό ότι η RDF μας δίνει δυνατότητα να εκφράσουμε γράφους. Οι γλώσσες RDFS και OWL παρέχουν κατάλληλες ιδιότητες για την περιγραφή μιας οντολογίας, ορίζοντας κλάσεις και την σημασιολογία τους η οποία μπορεί να αξιοποιηθεί στην συνέχεια από κατάλληλες μηχανές συμπερασμού. Στην περίπτωση μας η οντολογία αποτελεί απλά μια ιεραρχία κλάσεων οπότε το αρχείο OWL αποτελείται κυρίως από δηλώσεις κλάσεων και προσδιορισμό για κάθε μια των υπερκλάσεων (ιδιότητα rdfs:subclassof) και ετικετών (ιδιότητα rdfs:label). Για την εύκολη συγγραφή και επεξεργασία οντολογιών OWL, θα χρησιμοποιηθεί ο Protégé Editor vi που παρέχει κατάλληλο γραφικό περιβάλλον και πολλές ευκολίες για την οπτικοποίηση, την ανάκτηση δεδομένων, την χρήση μηχανισμού συμπερασμού κ.α. Πέρα από τις

54 Παραδοτέο Π βασικές λειτουργίες διατίθενται πολλές επεκτάσεις (plug-ins) που παρέχουν επιπλέων λειτουργικότητα. Για την αξιοποίηση της OWL οντολογίας προγραμματιστικά υπάρχουν διαθέσιμα διάφορες βιβλιοθήκες όπως: Jena Ontology API (JAVA) Protege-OWL API (JAVA) The OWL API (JAVA) OwlDotNetApi (C#) Οι βιβλιοθήκες αυτές παρέχουν κατάλληλες κλάσεις που επιτρέπουν να φορτωθεί η οντολογία ως ένα μοντέλο και να προσπελαστούν/επεξεργαστούν πόροι (Resources) και τριπλέτες (RDF Statements). Συνήθως παρέχεται δυνατότητα ανάκτησης δεδομένων από την οντολογία με χρήση κατάλληλης γλώσσας ερωτημάτων όπως η SPARQL ενώ ορισμένες βιβλιοθήκες όπως η Jena vii συμπεριλαμβάνουν και μηχανισμό συμπερασμού που μπορεί να αξιοποιήσει την σημασιολογία της OWL για να παράγει επιπλέων πληροφορία (νέες τριπλέτες RDF). Σύγκριση & Μέτρο Ανομοιότητος Μια σημαντική χρήση της Οντολογίας πέρα από τον ορισμό του λεξιλογίου αποτέλεσε η αξιοποίηση της ιεραρχίας των κλάσεων για τον προσδιορισμό ομοιότητας μεταξύ κλάσεων/εννοιών. Υιοθετήθηκε ένα μέτρο ομοιότητας το οποίο θα αξιοποιείται σε δύο σημαντικούς μηχανισμούς του συστήματος: 1. Στον μηχανισμό συμπερασμού με κανόνες: Κάθε κανόνας περιέχει μια ή περισσότερες συνθήκες, οι οποίες αντιστοιχούν σε κλάσεις της οντολογίας. Για να ενεργοποιηθεί ένας κανόνας θα πρέπει να ισχύουν όλες οι συνθήκες του. Η οντολογία θα αξιοποιηθεί αρχικά από αυτόν τον μηχανισμό ως προς την ιεραρχία των κλάσεων. Τα «παιδιά» μια κλάσης δηλώνουν πιο

55 Παραδοτέο Π συγκεκριμένες έννοιες (πχ το Hiding αποτελεί πιο συγκεκριμένη περίπτωση του Non Compliance ). Αν μια συνθήκη ενός κανόνα αφορά κλάση που δεν είναι φύλο του δέντρου, τότε μπορεί να ικανοποιηθεί αν ισχύει κάποια έννοια απόγονός της. Για παράδειγμα, αν έχουμε στον κανόνα την συνθήκη Non Compliance τότε μπορούμε να θεωρήσουμε ότι ικανοποιείται η συνθήκη και όταν γνωρίζουμε ότι ισχύει κάτι πιο συγκεκριμένο όπως το Hiding. Επίσης μπορούμε θα θεωρήσουμε ότι μία συνθήκη ικανοποιείται και όταν ισχύει μια κλάση που είναι πολύ κοντινή/όμοια με αυτήν με βάση το μέτρο ανομοιότητας που έχει οριστεί. Ουσιαστικά θεωρούμε ότι λόγω της μεγάλης ομοιότητας των κλάσεων, ο κανόνας έφτασε πολύ κοντά να ενεργοποιηθεί (Near Miss), οπότε μπορούμε να αξιοποιήσουμε τα αποτελέσματα του κανόνα με σχετική ασφάλεια. 2. Στον μηχανισμό ανάκτησης περιπτώσεων: Όταν ο τελικός χρήστης εισάγει την περιγραφή ενός περιστατικού, το σύστημα για να παρέχει υποστήριξη βασίζεται σε μεγάλο βαθμό στην εύρεση όμοιων περιστατικών στην βάση δεδομένων. Για την σύγκριση ενός πεδίου μπορεί, όπως παραπάνω, να χρησιμοποιηθεί η εγγύτητα των δύο όρων στην οντολογία με βάση το μέτρο ανομοιότητας. Το μέτρο ανομοιότητας: Πρόκειται για ένα μέτρο που παρουσιάζει την ανομοιότητα μεταξύ κλάσεων οντολογίας που έχει δενδρική δομή viii. Στην οντολογία παρουσιάζονται οι σχέσεις μεταξύ διαφόρων τιμών κάποιων χαρακτηριστικών. Για να υπολογιστεί η ανομοιότητα ανάμεσα σε δύο από αυτά, αρκεί να παρουσιαστεί η απόσταση μεταξύ των αντίστοιχων κόμβων της δενδρικής δομής με βάση τον παρακάτω τύπο:

56 Παραδοτέο Π Στον παραπάνω τύπο, τα αναπαριστούν δύο κόμβους της οντολογίας, το είναι το επίπεδο του κοντινότερου κοινού πατέρα των κόμβων, το είναι το επίπεδο του κόμβου, το είναι το μήκος του μεγαλύτερου μονοπατιού που ξεκινά από τη ρίζα (root node) μέχρι το φύλλο και περιλαμβάνει τον κόμβο, το είναι το μήκος του μονοπατιού (αριθμός κόμβων) που συνδέουν τους κόμβους. Ο όρος, υπολογίζει τη μέση απόσταση των κόμβων από τον πατρικό τους κόμβο σύμφωνα με την απόσταση των μεγαλύτερων μονοπατιών που περιλαμβάνουν τους κόμβους αντίστοιχα. Όσο πιο μικρή είναι η τιμή του μέτρου ανομοιότητας, τόσο πιο όμοιοι είναι οι κόμβοι της οντολογίας που συγκρίνονται.

57 Παραδοτέο Π Υποσύστημα Εξεύρεσης και Συσχέτισης Πληροφορίας ( Data Mining) Για την ολοκλήρωση της εξεύρεσης και συσχέτισης των πληροφοριών που καταχωρούνται στο σύστημα από τους Ειδικούς (Experts) και τους Χρήστες (Users) αναφορικά με τα περιστατικά που χρήζουν αντιμετώπισης, είναι απαραίτητη η ανάπτυξη του Υποσυστήματος Εξεύρεσης και συσχέτισης πληροφορίας που θα λειτουργεί με τη χρήση ενός συνόλου αλγορίθμων και εργαλείων που θα επιτρέψουν την υλοποίηση αρχικά της εξεύρεσης και στη συνέχεια της συσχέτισης της πληροφορίας. Για την υλοποίηση του συστήματος απαιτείται να υποστηρίζεται συγκεκριμένη λειτουργικότητα για τους επιμέρους αλγορίθμους που θα χρησιμοποιηθούν, η οποία και περιγράφεται ακολούθως σε ότι αφορά τα τεχνικά χαρακτηριστικά που θα πρέπει να υποστηρίζονται Αλγόριθμος Apriori Ο αλγόριθμος APRIORI οφείλει την γέννηση του στην ανάγκη συσχέτισης των προτιμήσεων των καταναλωτών σε σχέση με τα πολλαπλά και διαφορετικά είδη τα οποία αυτοί αγοράζουν κατά την επίσκεψή τους σε αντίστοιχα καταστήματα πώλησης πολλαπλών ειδών όπως supermarkets. Η κύρια ιδέα η οποία υποστηρίζει την πρόταση του αλγορίθμου αυτού είναι ότι προσεγγίζοντας την συσχέτιση και ανακαλύπτοντάς τη, επί της ουσίας βαίνουμε προς την πρόγνωση των καταναλωτικών συνηθειών των καταναλωτών και άρα προς την καλύτερη προετοιμασία της επιχείρησης προκειμένου να εξυπηρετήσει τον καταναλωτή αλλά και το ίδιο συμφέρον, με τη μορφή πηγών (ανθρώπινο δυναμικό, αποθήκευση, διαθεσιμότητα, οικονομικά, κλπ). Η ανάγκη αυτή επέβη ακόμα περισσότερο κρισιμότερη και πιο αναγκαία, με την παραγωγή κατά μαζικό τρόπο πληροφορίας σχετικά με τις αγοραστικές συνήθειες των καταναλωτών. Ένας κανόνας συσχέτισης δηλώνει, για παράδειγμα, ότι «το 98% των πελατών που αγοράζουν ένα προϊόν Α και ένα προϊόν Β, αγοράζουν και υπηρεσίες τύπου Γ». Είναι άμεσα φανερή λοιπόν η χρηστικότητα τέτοιας εξεύρεσης συσχετίσεων κανόνων, που βέβαια για να προκύψουν απαιτούν

58 Παραδοτέο Π πολύ μεγάλες βάσεις δεδομένων πληροφοριών και άρα απαιτούν επίσης πολύ γρήγορες υλοποιήσεις υπολογισμών (λογισμικού και υλικού). Στα ανωτέρω πλαίσια, οι περιπτώσεις στον αυτισμό είναι μοντελοποιημένες κατά τέτοιο τρόπο έτσι ώστε να είναι σε θέση να επεξεργάζονται από το module του αλγορίθμου Apriori και να προχωρούν σε συσχετίσεις και άρα πιθανές προτάσεις περιπτώσεων κατόπιν, αντικαθιστώντας το πλήθος των διαφορετικών καταναλωτικών ειδών με συμπτώματα, ορίζοντας έτσι «transactions» συμπτωμάτων. Παράμετροι για τη λειτουργία του αλγορίθμου Apriori Είναι φανερό ότι για την εξεύρεση των κανόνων συσχέτισης απαιτούνται τα itemsets, τα transactions μεταξύ αυτών και 2 επιπλέον παράμετροι οι οποίοι λειτουργούν σαν όρια απόδοσης και ονομάζονται support και confidence και τα οποία παραμετρικά παίρνουν τιμές από τον χρήστη, δηλώνοντας επί της ουσίας την «αυστηρότητα» του μοντέλου εξόρυξης κανόνων. Κατ αυτόν τον τρόπο, πρώτα εξορύσσονται τα large itemsets, δηλαδή αυτά τα οποία υπερβαίνουν το minimum support. Ακολούθως, αυτά αναλύονται περαιτέρω με σκοπό την συσχέτιση όλων των μη κενών υποσυνόλων του καθενός εξ αυτών των large itemesets, με το ερώτημα sup l min confidence εάν το sup. Σε περίπτωση που αυτό ισχύει, l a δημιουργείται ο κανόνας συσχέτισης Αξίζει να σημειωθεί, ότι εκτός των κλασσικών υλοποιήσεων του αλγορίθμου, προκειμένου να αντιμετωπισθεί αυξημένος όγκος απαιτήσεων με πάρα πολύ μεγάλο αριθμό transactions, έχει προταθεί υλοποίηση του χρησιμοποιώντας πολυεπεξεργασικά παράλληλα περιβάλλοντα. Στο παρακάτω διάγραμμα παρουσιάζεται μία υψηλού επιπέδου ροή εργασιών και βημάτων όπως αυτά απαιτούνται να υλοποιούνται στον αλγόριθμο Apriori

59 Παραδοτέο Π Αναλυτικότερα, η απαιτούμενη υλοποίηση του αλγορίθμου Apriori που πραγματοποιήθηκε στα πλαίσια του data mining του συστήματος «ΠΑΥΕΥΣ», παρουσιάζεται στο παρακάτω λογικό διάγραμμα.

60 Παραδοτέο Π Εικόνα 8 Λογικό διάγραμμα Apriori Ο Apriori είναι ένας αλγόριθμος εξόρυξης κανόνων συσχέτισης για συνδυασμούς στοιχείων από σετ δεδομένων. Τα σετ δεδομένων, μπορούν να είναι είτε της μορφής String (red, orange, blue etc..) είτε της μορφής 1 και 0. Ο αλγόριθμος ξεκινά με τον προσδιορισμό του αριθμού εμφάνισης των στοιχείων (Itemsets) που διαβάζει απο το input file και φτιάχνει συνδυασμούς μεταξύ τους. Εφ 'όσον ένας συνδυασμός στοιχείων (Itemset) εμφανίζεται σε τόσες γραμμές μέσα στο αρχείο με το πίνακα δεδομένων ώστε να καλύπτει το ελάχιστο όριο εμφάνισης ανά γραμμή, το θεωρεί σαν Frequent Itemset και συνεχίζει να φτιάχνει συνδυασμούς μεταξύ τους μέχρι να εξαντλήσει όλους τους πιθανούς συνδυασμούς. Το όριο αυτό ονομάζεται minimum support και αποτελεί την πρώτη παράμετρο που παίρνει σαν είσοδο ο αλγόριθμος. Αφού δημιουργήσει frequent Ιtemsets αναλόγως του minimum support, ο αλγόριθμος προχωράει στην παραγωγή κανόνων με τα υπλογισμένα

61 Παραδοτέο Π Frequent Itemsets. Οι παραγόμενοι κανόνες που επιστρέφονται μέσω του αλγορίθμου, αξιολογούνται κατόπιν μέσω της παραμέτρου minimum Confidence. Ο όρος του minimum Confidence και αποτελεί την δευτερη παράμετρο του αλγόριθμου και δείχνει πότε ένας κανόνας είναι σημαντικός. Στην συνέχεια η φόρμα καλεί ένα jsp αρχείο το οποίο πάιρνει τις Post μεταβλητές απο την φόρμα (min. support, min confidence, txt file) και τρέχει τον αλγόριθμο με τις συγκεκριμένες παραμέτρους. Το στήσιμο της html σελίδας έγινε με responsive design με σκοπό την καλαίσθητη προβολή της εφαρμογής σε κινητά και tablet s. Τα html στοιχεία διαμορφώνονται αναλόγως το πλάτος της συσκευής ώστε να είναι πάντα εμφανή στο χρήστη. Απαιτούμενα Inputs:Τα πεδία της φόρμας τα οποία είναι και οι παράμετροι του Apriori είναι το minimum support, minimum confidence και το αρχείο με τους υπό δοκιμή πίνακα. Το minimum support και minimum confidence δηλώνονται σαν text fields στην φόρμα και στην συνέχεια μετατρέπονται σε double για τον υπολογισμό του αλγορίθμου. Απαιτούμενα Outputs: Τα αποτελέσματα του αλγορίθμου τυπώνονται στην οθόνη σε iframe στην ίδια σελίδα με την φόρμα, για μεγαλύτερη ευκολία στην περιήγηση του χρήστη μεταξύ των σελίδων. Εκτός από το τύπωμα στην οθόνη ο χρήστης μπορεί να αποθηκεύσει τα αποτελέσματα και στον υπολογιστή του σε txt αρχείο. Απαιτούμενα Flowchart: Ακολουθεί ένα flowchart ροής της Web εφαρμογής του Apriori

62 Παραδοτέο Π Εικόνα 9 Διάγραμμα απιτούμενης ροής Apriori

63 Παραδοτέο Π Αλγόριθμος DIVERSITY Όταν ο τελικός χρήστης θα εισάγει κάποιες πληροφορίες που αφορούν στην περιγραφή μίας συμπεριφοράς και ζητήσει από το σύστημα την παροχή σμβουλών επί αυτής της συμπεριφοράς, το σύστημα θα αναζητήσει ανάλογες περιπτώσεις (cases) που υπάρχουν στην Βάση Γνώσης του. Από αυτές τελικά θα πρέπει να επιλέξει έναν μικρό αριθμό (3-5) από τις οποίες θα προκύψει η τελική απόκριση του συστήματος. Η επιλογή αυτών των τελικών περιπτώσεων θα βασισθεί σε τεχνικές των recommender συστημάτων για πρόταση προϊόντων σε καταναλωτές. Για το σκοπό αυτό θα υιοθετηθεί αλγόριθμος (Diversity) που επιλέγει διαφοροποιημένες μεταξύ τους περιπτώσεις. Τα δεδομένα για τον Diversity είναι της μορφής Binary (0 και 1) και εμπεριέχουν επίσης βάρη για κάθε στήλη και γραμμή. Ένας τέτοιος πίνακας είναι και ο gitest. Όπως φαίνεται στη εικόνα με τη μορφή υπολογιστικού φύλλου:

64 Παραδοτέο Π Η πρώτη γραμμή του αρχείου είναι οι διαστάσεις του πίνακα, οι επόμενες έχουν τα βάρη για κάθε γραμμή και στήλη, και μετά ακολουθούν για κάθε γραμμή (εξυπηρετούμενο) πρώτα ο συνολικός αριθμός στηλών (εξυπηρετητών) που υπάρχουν στην γραμμή και από κάτω οι στήλες που έχουν 1 (οι στήλες με τιμή 0 παραλείπονται) και ούτω κάθε εξής για τις υπόλοιπες γραμμές του πίνακα. Ο πίνακας όπως φαίνεται και από το παραπάνω σχήμα είναι ένας πίνακας 20x20 με ομαδοποιημένα 1 και 0 δηλαδή για κάθε ένα εξυπηρετούμενο έχουμε λίγους εξυπηρετητές (maximum 7) διαθέσιμους. Τέτοιου είδους πίνακες αλλά με περισσότερους εισόδους (entries) 1 αναμένονται να υπάρχουν για δεδομένα εισαγωγής στον DIVERSITY αλγόριθμο στο πλατφόρμα του προγράμματος «ΠΑΥΕΥΣ». O DIVERSITY είναι σχεδιασμένος να διαβάζει πίνακες σαν τον ανωτέρω, με βάρη στις στήλες και στις γραμμές από αρχεία απλού κειμένου txt καθώς επίσης και από κατάλληλα διαμορφωμένους πίνακες βάσης MySQL. Τα δεδομένα του «ΠΑΥΕΥΣ» θα είναι καταχωρημένα σε βάση δεδομένων MySQL, με τη δυνατότητα εκτύπωσης και ανάγνωσης των δεδομένων αυτών σε μορφοποίηση αρχείων ανάλογη του παραπάνω πίνακα. Σε αυτήν ακριβώς τη μορφή θα λαμβάνονται και τα δεδομένα για τα cases του «ΠΑΥΕΥΣ». Ο DIVERSITY θα δέχεται ένα πίνακα με αριθμούς από 0 μέχρι 0.99 Σε αυτόν τον πίνακα θα θεωρείται 1 ότι είναι μικρότερο από ένα δεδομένο δεκαδικό π.χ Έτσι για ότι έχει βάρος μεγαλύτερο από 0.2 θα παίρνει τιμή 0 και για ότι μικρότερο από 0.2 τιμή 1, όπου το βάρος του θα είναι και η αριθμητική του δεκαδική τιμή. Ακολούθως παρουσιάζεται ο τρόπος λειτουργίας του αλγορίθμου και ο τρόπος παραμετροποίησης του. Η διαδικασία απαιτεί κάθε φορά να τεθεί ένα αρχείο (ή πίνακα της MySQL) σαν εισαγόμενα δεδομένα ως προς επεξεργασία σαν του τύπου που έχει περιγραφεί στην ανωτέρω παράγραφο, υποχρεωτικά, προκειμένου να είναι σε θέση συνεχίσει και να καλέσει τους αλγόριθμους biclustering στο αντίστοιχο τεχνικό τμήμα (module).

65 Παραδοτέο Π Εύρεση υποσύνολων (Biclustering) Ο Diversity βασίζεται σε αλγόριθμους biclustering για να προχωρήσει σε υπολογισμό βέλτιστων εξυπηρετητών. Τα δεδομένα εισαγωγής biclustering, είναι της μορφής binary (1 και 0). Ο Diversity θα χρησιμοποιεί δύο αλγόριθμους biclustering, τον BIB και τον BIROW. Παρακάτω, δίνεται η οθόνη αλληλεπίδρασης του χρήστη για το biclustering BIB του Diversity: Επεξήγηση Παραμέτρων BIB & BIROW για το Diversity: 1) Type ΒΙΒ Αλγορίθμος biclustering βασιζόμενος στον Apriori. (προκαθορισμένη επιλογή) BIROW. Εναλλακτικός αλγόριθμος biclustering.

66 Παραδοτέο Π ) Min Rows (Min Support %) Ο ζητούμενος ελάχιστος αριθμός συχνότητας γραμμών. Εάν μια συστοιχία στηλών (ή η αριθμητικές τους τιμές) δεν εμφανίζεται συχνότερα από τον ζητούμενο αριθμό Min Rows τότε ο Apriori δεν δημιουργεί καινούριες συστοιχίες με βάση τη συγκεκριμένη. Min Columns Εξάγει μόνο συστοιχίες στηλών με το ζητούμενο μέγεθος. Π.χ. εάν Min Columns = 3 δεν θα εξαχθούν τα μονόστηλα και δίστηλα υποσύνολα αλλά όλα τα υπόλοιπα υποσύνολα με συστοιχίες στηλών μεγαλύτερου μεγέθους. Max Columns Περιορισμός για το biclustering να σταματήσει όταν οι συστοιχίες στηλών ξεπεράσει το συγκεκριμένο μέγεθος. Δηλαδή εάν MaxColumns=5, θα υπολογιστούν τα υποσύνολα μέχρι και τις συστοιχίες 5 στηλών. Εκτέλεση του Αλγορίθμου Diversity Αφού υπολογιστούν τα biclusters και φορτωθούν στη μνήμη μέσω του Load Results, ο αλγόριθμος υπολογίζει τις βέλτιστες στήλες με το μικρότερο κόστος σε βάρη. Π.χ. στο παρακάτω στιγμιότυπο και για BV=1:

67 Παραδοτέο Π Εξαγωγή Δεδομένων Τα εξαγόμενα αποτελέσματα θα βρίσκονται μετά την εκτέλεση του αλγορίθμου σε δύο αρχεία txt, ένα το οποίο περιγράφει τα biclusters και ένα δεύτερο το οποίο περιγράφει τα DiversityResults με όλα τα βήματα.

68 Παραδοτέο Π Αλγόριθμος C4.5 Παράμετροι εισόδου: 1. binarysplits Να χρησιμοποιήσουμε binary splits σε ονομαστικά γνωρίσματα όταν χτίζεται το δέντρο (default value- false) 2. confidencefactor Παράγοντας εμπιστοσύνης που χρησιμοποιείται για κλάδεμα στο δέντρο (default value- 0,25). 3. minnumobj -- Ο ελάχιστος αριθμός περιπτώσεων σε κάθε φύλλο του δέντρου (default value- 2). 4. numfolds Προσδιορίζει το μέγεθος των δεδομένων που χρησιμοποιούνται για reduced-error pruning. Το ένα δίπλωμα χρησιμοποιείται για κλάδεμα και τα υπόλοιπα για την ανάπτυξη του δέντρου απόφασης (default value -3). 5. reducederrorpruning Αν χρησιμοποιείται reduced-error pruning αντί για το κλάδεμα του C.4.5 (default value-false). 6. seed To seed που χρησιμοποιείται για το reduced-error pruning (default value- 1). 7. subtreeraising Αν θα θεωρήσουμε τη λειτουργία subtree raising στο κλάδεμα (default value- true). 8. unpruned Αν πραγματοποιείται κλάδεμα ή όχι (default value- false). Έξοδος-Αποτελέσματα Το αποτέλεσμα που θα επιστρέφεται είναι ένα σύνολο κανόνων που προκύπτουν από το δέντρο απόφασης για κάθε κατηγορία. Επίσης επιστρέφεται και μια αξιολόγηση των αποτελεσμάτων με χρήση το ίδιο το σύνολο δεδομένων εκπαίδευσης. Για παράδειγμα, θεωρούμε το απλό πρόβλημα απόφασης να παίξουμε golf ή όχι. Θέλουμε να δημιουργήσουμε κανόνες απόφασης με τις προϋποθέσεις που πρέπει να ισχύουν έτσι ώστε να παίξουμε ή όχι Το παρακάτω σύνολο δεδομένων εκπαίδευσης αποτελείται από 4 μεταβλητές

69 Παραδοτέο Π (outlook, temperature, humidity, windy) και την ανεξάρτητη μεταβλητή μοντελοποίησης play με δύο διακριτές τιμές κατηγοριών. Με βάση αυτά τα κατηγοριοποιημένα εκ των προτέρων δεδομένα, θα δημιουργήσουμε κανόνες απόφασης για τις δύο κατηγορίες (yes, no). attribute outlook {sunny, overcast, rainy} attribute temperature {hot, mild, cool} attribute humidity {high, normal} attribute windy {TRUE, FALSE} attribute play {yes, no} data sunny,hot,high,false,no sunny,hot,high,true,no overcast,hot,high,false,yes rainy,mild,high,false,yes rainy,cool,normal,false,yes rainy,cool,normal,true,no overcast,cool,normal,true,yes sunny,mild,high,false,no sunny,cool,normal,false,yes rainy,mild,normal,false,yes sunny,mild,normal,true,yes overcast,mild,high,true,yes overcast,hot,normal,false,yes rainy,mild,high,true,no Το αποτέλεσμα για το συγκεκριμένο πρόβλημα μετά από την εκτέλεση του αλγορίθμου με τις προεπιλεγμένες τιμές των παραμέτρων είναι: 3 Κανόνες για την κατηγορία yes [outlook=sunny, humidity <= 75], [outlook=rainy, windy=false],

70 Παραδοτέο Π [outlook=overcast] 2 Κανόνες για την κατηγορία no [outlook=sunny, 75 < humidity], [outlook=rainy, windy=true] Η αξιολόγηση του μοντέλου κατηγοριοποίησης με χρήση του ίδιου του συνόλου δεδομένων εκπαίδευσης παρουσιάζεται παρακάτω: Biclustering Για παράδειγμα ένας τέτοιος πίνακας 200 γραμμών και 1000 στηλών ix είναι ο scp41.txt εμπεριέχει και στοιχεία τα οποία δεν αφορούν το biclustering, έτσι μια πιο απλοϊκή του μορφή είναι η μορφή όπου κάθε γραμμή του κειμένου περιέχει τον αριθμό κάθε στήλης, για την οποία η τιμή της έχει 1. Τα 0 παραλείπονται.

71 Παραδοτέο Π Κατ αυτόν τον τρόπο, δίνεται η μορφή του scp41 και σε υπολογιστικό φύλλο, όπως φαίνεται στην παρακάτω εικόνα, απεικονίζοντας μέρος μόνο αυτού λόγω των μεγάλων διαστάσεων του. 5.3 Υποσύστημα Βάσεων Δεδομένων Το υποσύστημα βάσεων δεδομένων της πλατφόρμας «ΠΑΥΕΥΣ» θα αποτελεί τον πυρήνα του συστήματος όπου θα καταχωρούνται οι περιπτώσεις (cases) και οι κανόνες (rules) που εισάγονται από το σύνολο των χρηστών του συστήματος και οι οποίες μέσω κατάλληλων εργαλείων και μεθόδων θα υποστηρίζουν τη λειτουργία της διάγνωσης όπως αυτή θα υλοποιείται από το «ΠΑΥΕΥΣ». Ακολουθεί η παρουσίαση των τεχνικών προδιαγραφών για τις ανωτέρω βάσεις δεδομένων που θα αναπτυχθούν στο πλαίσιο του έργου Υποσύστημα Case Base Βάσης Δεδομένων Τα πεδία στην πλειοψηφία τους θα πρέπει να λαμβάνουν τιμές από κλάσεις της οντολογίας που έχει αναπτυχθεί στα πλαίσια του έργου για τον σκοπό αυτό. Τα δεδομένα των πεδίων σε μία Βάση Δεδομένων η οποία θα περιλαμβάνει τα αντίστοιχα πεδία. Θα υπάρχουν 3 ενότητες: 1. Main 2. Profile Information 3. Behaviour Στην πρώτη ενότητα (Main) θα περιλαμβάνονται μία σειρά από πεδία, τα οποία αφορούν σε γενικές πληροφορίες που σχετίζονται με το άτομο, το οποίο προκάλεσε το περιστατικό. Ενότητα Πεδία Περιγραφή

72 Παραδοτέο Π Όνομα περίπτωσης (case name) Θα λαμβάνει αλφαριθμητικές τιμές και θα επιτρέπει στο χρήστη (ειδικό) να καταγράφει, με ελληνικούς ή λατινικούς χαρακτήρες και σύμβολα, ονόματα. Main Ηλικία (age) Θα παίρνει τιμές από μία λίστα τιμών ηλικίας Φύλο (Gender) Θα παίρνει τιμές από σχετικές υποκλάσεις της κλάσης φύλο (άνδρας, γυναίκα, διεμφυλικός) της οντολογίας. Ημερομηνία Έναρξης (Start Date) Ημερομηνία Λήξης (End Date) Θα λαμβάνουν τιμές από ένα πρότυπο ημερολόγιο και αποθηκεύουν επίσης και τιμές ώρας. Στην επόμενη ενότητα Profile Information θα πρέπει να περιλαμβάνονται πληροφορίες σχετικά με το διαγνωστικό προφίλ του ατόμου που προκάλεσε το περιστατικό αλλά και κάποιες πληροφορίες αναφορικά με τους πιθανούς παράγοντες κινδύνου. Ενότητα Πεδία Τεχνική Περιγραφή

73 Παραδοτέο Π Profile Information Διάγνωση Diagnosis Παράγοντες Κινδύνου Risk History/Factors Το πεδίο που αφορά στη Διάγνωση θα πρέπει να παίρνει τιμές από την αντίστοιχη κλάση της οντολογίας, που θα ονομάζεται Διάγνωση και τις πιο ειδικές κατηγορίες (υποκλάσεις) αυτής. Πρόκειται για ένα πεδίο, το οποίο θα παρουσιάζεται εξαρχής στο χρήστη με τη μορφή 5 δυνατών γραμμών για επιλογή διαφορετικών διαγνώσεων. Τα πεδία που αφορούν στους Παράγοντες Κινδύνου θα πρέπει να παίρνουν τιμές από την αντίστοιχη κλάση της οντολογίας, που θα ονομάζεται Παράγοντες Κινδύνου και τις πιο ειδικές κατηγορίες (υποκλάσεις) αυτής. Πρόκειται για ένα πεδίο, το οποίο θα παρουσιάζεται εξαρχής στο χρήστη με τη μορφή 5 δυνατών γραμμών για επιλογή διαφορετικών παραγόντων κινδύνου.

74 Παραδοτέο Π Στην ενότητα που αφορά στη συμπεριφορά (Behaviour) θα περιλαμβάνονται 3 χρονικές περίοδοι, οι οποίες θα διαχωρίζονται μεταξύ τους με βάση κάποια κριτήρια. Τα κριτήρια αυτά συνήθως θα είναι η παρέμβαση (Response) του φροντιστή ή κάποιου άλλου ειδικού στη συμπεριφορά που εκδηλώνει το άτομο ή κάποιο εξωτερικό ερέθισμα (μπορεί να υπάρχει στο περιβάλλον) το οποίο συμβάλλει στη διαφοροποίηση, εξέλιξη ή κλιμάκωση της συμπεριφοράς. Η κάθε περίοδος θα μπορεί να δίνει τη δυνατότητα καταγραφής έως 5 ταυτόχρονων συμπεριφορών, με στόχο την πληρέστερη καταγραφή του γεγονότος. Οι συμπεριφορές αυτές ανά περίοδο μπορεί να συνδέονται μεταξύ τους. Αυτό σημαίνει ότι η κάθε συμπεριφορά που καταγράφεται σε συγκεκριμένη περίοδο θα μπορεί να συνδέεται με μία ή περισσότερες συμπεριφορές επόμενης περιόδου. Η εφαρμογή απαιτείται να σχεδιαστεί με τέτοιο τρόπο, ώστε να δίνεται γραφικά η δυνατότητα στο χρήστη να συνδέει τις συμπεριφορές ανά περιόδους. Μία ενδεικτική σχηματική απεικόνιση παρουσιάζεται στο επόμενο σχήμα:

75 Παραδοτέο Π Στη συνέχεια, έχει σχεδιαστεί εκτός από τη σύνδεση μεταξύ των συμπεριφορών να δίνεται η δυνατότητα στο χρήστη να βλέπει τι έχει συμπληρώσει ανά στιγμή και να του προβάλλεται επίσης η δεδομένη συμπεριφορά που έχει επιλέξει. Η καταγραφή της συμπεριφοράς ουσιαστικά θα αναλύεται σε 3 ενότητες, ξεκινώντας από την περιγραφή της συμπεριφοράς (ενότητα: description of event) και παραμέτρων που συνδέονται με αυτή και συμβάλλουν στην αποτελεσματικότερη περιγραφή του περιστατικού. Στη συνέχεια, ο χρήστης θα πρέπει να καταγράφει τα προγενόμενα (ενότητα: antecedents) που μπορεί να οδήγησαν με τον ένα ή άλλο τρόπο στην εκδήλωση της συμπεριφοράς. Τέλος, θα καταγράφεται ο αντίκτυπος της συμπεριφοράς (ενότητα: outcome) συμπεριλαμβανόμενης της απάντησης (παρέμβασης) που έδωσε ο ειδικός (χρήστης) στη συμπεριφορά. Ενότητα Πεδία Τεχνική Περιγραφή

76 Παραδοτέο Π Description of Event Description of Behaviour Θα πρόκειται για ένα πεδίο, το οποίο θα παίρνει τιμές από κλάσεις της οντολογίας ειδικά διαμορφωμένες ώστε να περιγράφουν όλο το φάσμα των συμπεριφορών που μπορεί να εκδηλώνει το άτομο με αυτισμό και υποκλάσεις αυτών. Please describe the type of event Οι επιλογές που θα περιλαμβάνονται στην οντολογία ως κλάσεις θα είναι μόνο 2, ατύχημα και περιστατικό. Is this a known behaviour? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Body part involved Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα αφορά στην ανατομία του σώματος και θα έχει ως υποκλάσεις τα διάφορα μέρη του σώματος. Was a physical object used? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Injury sustained? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές

77 Παραδοτέο Π Ναι, Όχι. Destruction of objects? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Frequency Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα εκφράζει χαμηλά, μέτρια και υψηλά επίπεδα συχνότητας. Intensity Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα εκφράζει χαμηλά, μέτρια και υψηλά επίπεδα έντασης. Location Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα εκφράζει διάφορες τοποθεσίες και υποκατηγορίες αυτών. Is this a preferred location? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Is this a familiar location? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι.

78 Παραδοτέο Π Αφού περιγραφεί η συμπεριφορά, στη συνέχεια, θα πρέπει να περιγραφεί το σύνολο των προγενόμενων (antecedents) που ενδεχομένως μπορεί να συνέβαλαν στην εκδήλωση της συμπεριφοράς. Ενότητα Πεδία Τεχνική Περιγραφή Antecedents State of the person Θα πρόκειται για ένα πεδίο, το οποίο θα παίρνει τιμές από κλάσεις της οντολογίας ειδικά διαμορφωμένες ώστε να περιγράφουν τη συναισθηματική, φυσική/σωματική, ψυχική/διανοητική κατάσταση, αλλά και την κατάσταση υγείας του ατόμου. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και τεσσάρων επιλογών. Physical Environment Θα πρόκειται για ένα πεδίο, το οποίο θα παίρνει τιμές από κλάσεις της οντολογίας ειδικά διαμορφωμένες ώστε να περιγράφουν διαφορετικές διαστάσεις του φυσικού περιβάλλοντος. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 3 επιλογών.

79 Παραδοτέο Π Who was involved? Θα πρόκειται για ένα πεδίο, το οποίο θα παίρνει τιμές από κλάσεις της οντολογίας ειδικά διαμορφωμένες ώστε να περιγράφουν διαφορετικές κατηγορίες ατόμων του περιβάλλοντος που μπορεί να παρευρίσκονταν στο περιβάλλον του ατόμου λίγο πριν την εκδήλωση της συμπεριφοράς. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 4 επιλογών. Number of people involved Το πεδίο αυτό θα λαμβάνει τιμές από την αντίστοιχη κλάση της οντολογίας, η οποία θα έχει κάποιες υποκατηγορίες - υποκλάσεις (μόνος, λιγότερα από 2 άτομα, περισσότερα από 2 άτομα). Location Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα εκφράζει διάφορες τοποθεσίες και υποκατηγορίες αυτών. Is this a preferred location? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι.

80 Παραδοτέο Π Is this a familiar location? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Specific triggers Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία και θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 3 επιλογών. Αφού περιγραφεί η συμπεριφορά και τα προγενόμενα, στη συνέχεια, θα πρέπει να περιγραφεί ο αντίκτυπος (outcome) από την εκδήλωση της συγκεκριμένης συμπεριφοράς. Ο αντίκτυπος αφορά στα αποτελέσματα της συμπεριφοράς και είναι μία ενότητα που θα πρέπει να περιλαμβάνει πεδία όπως απάντηση στη συμπεριφορά, κίνδυνοι προς τον εαυτό του και προς τους άλλους, περιορισμοί που τέθηκαν στο άτομο, κόστη κ.ά. Ενότητα Πεδία Τεχνική Περιγραφή Outcome Were other people/services involved? Θα πρόκειται για ένα πεδίο, το οποίο θα παίρνει τιμές από κλάσεις της οντολογίας οι οποίες θα περιγράφουν τους ανθρώπους ή τις υπηρεσίες που απευθύνθηκαν οι ειδικοί μετά το περιστατικό. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και δύο επιλογών. What was the Θα πρόκειται για ένα πεδίο, το

81 Παραδοτέο Π response to the behaviour? οποίο θα παίρνει τιμές από κλάσεις της οντολογίας ειδικά διαμορφωμένες ώστε να περιγράφουν διαφορετικές κατηγορίες παρεμβάσεων του ειδικού για την αντιμετώπιση της συμπεριφοράς. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 3 επιλογών. Was the response effective? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Was the response part of a planned/agreed strategy? Το πεδίο είναι δυαδικού (binary) τύπου και θα λαμβάνει δύο τιμές Ναι, Όχι. Risks to the person Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα εκφράζει διάφορους κινδύνους για το ίδιο το άτομο. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 2 επιλογών. Risks to others Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από μία συγκεκριμένη κλάση που θα εκφράζει διάφορους κινδύνους για τους άλλους. Θα δίνεται η δυνατότητα επιλογής στο

82 Παραδοτέο Π χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 2 επιλογών. Restrictions Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία, από κλάσεις που θα εκφράζει διάφορους περιορισμούς που μπορεί να τίθενται από τους ειδικούς προς το άτομο που προκάλεσε το περιστατικό. Θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 3 επιλογών. Cost for the person Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία και θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 2 επιλογών. Cost for others Το πεδίο αυτό θα λαμβάνει τιμές από την οντολογία και θα δίνεται η δυνατότητα επιλογής στο χρήστη με αντίστοιχη εμφάνιση εξαρχής έως και 2 επιλογών. Στη συνέχεια και αφού συμπληρωθούν οι 3 ενότητες που σχετίζονται με την πρώτη συμπεριφορά (behaviour 1 period 1) δηλαδή Description of Event, Antecedents και Outcome, ο χρήστης ανάλογα με το αν υπήρξαν συμπεριφορές ταυτόχρονες με την ήδη καταγραφείσα συμπεριφορά ή η συγκεκριμένη συνεχίστηκε και σε επόμενη περίοδο, θα προχωρήσει αντιστοίχως συμπληρώνοντας τις ίδιες 3 ενότητες αλλά για άλλη

83 Παραδοτέο Π συμπεριφορά (π.χ. Behaviour 2 period 1 κ.ο.κ.) ή άλλη περίοδο (Behaviour 1 period 2) Υποσύστημα Rule Base Η εφαρμογή θα αναπτυχθεί σε περιβάλλον Java και θα εγκαθίσταται τοπικά, στον υπολογιστή κάθε χρήστη. Θα προβλέπεται η καταχώρηση για όλα τα δεδομένα διαδικτυακά στην Βάση Δεδομένων MySql που βρίσκεται στον Server του «ΠΑΥΕΥΣ». Η βασική τεχνική απαίτηση είναι η υλοποίηση της λειτουργικότητας που επιτρέπει την εισαγωγή των κανόνων, την επιλογή των εννοιών από την αντίστοιχη οντολογία που έχει αναπτυχθεί σε περιβάλλον PORTEGE ώστε να δίνεται η δυνατότητα στον χρήστη να επιλέγει τις έννοιες, να τις χαρακτηρίζει ως IF ή THEN και στη συνέχεια να ελέγχει αν ο κανόνας είναι σωστός. Το σύστημα περιλαμβάνει την εφαρμογή Rules Checker που στόχος της είναι η καταγραφή των Κανόνων Rules για την δημιουργία της Αρχικής Βάσης Γνώσης. Η δυνατότητα μεταβολής των παραμέτρων σε περίπτωση που το αποτέλεσμα των ελέγχων ορθότητας είναι αρνητικός αποτελεί επίσης τεχνική απαίτηση υλοποίησης της βάσης δεδομένων. Η εφαρμογή στην φάση της καταχώρησης περνά τον Κανόνα Rule από μια σειρά Ελέγχων - Checks όπου ελέγχει, την σύνθεση του, την ορθότητα του, την σχέση του με τους υπάρχοντες Κανόνες Rules αλλά και τις πιθανές συγκρούσεις και επικαλύψεις με αυτούς. Ο έλεγχος εντοπίζει αν υπάρχουν τα ακόλουθα σφάλματα - λάθη : 1. Σε έναν Κανόνα Rule μια Έννοια Concept βρίσκεται και στο Εάν - If και στο Τότε - Then. 2. Ένας Κανόνας Rule δεν έχει Έννοιες Concept και στο Εάν - If και στο Τότε - Then.

84 Παραδοτέο Π Σε έναν Κανόνα Rule έχουμε δύο Έννοιες Concept με μικρή Απόσταση Distance. 4. Σε έναν Κανόνα Rule έχουμε μια Έννοια Concept δύο φορές ή στο Εάν - If ή στο Τότε - Then. 5. Ένας Κανόνας Rule είναι ίδιος με έναν καταχωρημένο στο σύστημα Κανόνα Rule. 6. Δύο Κανόνες Rules με διαφορετικό Εάν -If έχουν το ίδιο Τότε - Then 7. Δύο Κανόνες Rules με ίδιο Εάν - If έχουν διαφορετικό Τότε - Then 8. Δύο Κανόνες Rules όπου το Τότε - Then του ενός είναι Εάν - If του άλλου 9. Δύο Κανόνες Rules παρουσιάζουν Κυκλική Αναφορά. Καταχωρώντας ο Μηχανικός Γνώσης Knowledge Engineer τον Κανόνα Rule στο σύστημα και μετά από τον έλεγχο και τις ανάλογες διορθώσεις, θα ορίζει τον Κανόνα Rule ως: Ελεγμένο- Tested, Ελεγμένο Αγνοώντας την Προειδοποίηση Tested Ignore Warnings και Μη Ελεγμένο- Untested. Ελεγμένος- Tested θα χαρακτηρίζεται ένας Κανόνας Rule όπου πέρασε από τον έλεγχο, δεν παρουσίασε κανένα σφάλμα - λάθος και καταχωρήθηκε στο σύστημα. Ελεγμένος Αγνοώντας την Προειδοποίηση Tested Ignore Warnings θα χαρακτηρίζεται ένας Κανόνας Rule όπου πέρασε από τον έλεγχο παρουσίασε κάποιο σφάλμα - λάθος, αλλά αγνοήθηκε η προειδοποίηση σφάλματος - λάθους και καταχωρήθηκε στο σύστημα.

85 Παραδοτέο Π Μη Ελεγμένος- Untested θα χαρακτηρίζεται ένας Κανόνας Rule όπου δεν πέρασε από την διαδικασία ελέγχου αλλά καταχωρήθηκε στο σύστημα. Στην περίπτωση αυτή ο Κανόνας Rule καταχωρείται προσωρινά στο σύστημα με σκοπό να περάσει από έλεγχο μια άλλη χρονική στιγμή. 5.4 Υποσύστημα Inference Engine Στα πλαίσια του έργου, η δομική μονάδα του Inference Engine θα αποτελείται από τις παρακάτω δομικές υπό-μονάδες που λειτουργούν αυτόνομα και συμπληρωματικά: i) Μηχανή κανόνων (Rule Engine) ii) Μηχανή εμπλουτισμού μέσω εξόρυξης διαδικασιών (Process Mining) Μηχανή κανόνων (Rule Engine) Όπως έχει ήδη αναφερθεί με λεπτομέρεια σε προηγούμενη παράγραφο, ο όρος Μηχανή Κανόνων (Rules Engine) χρησιμοποιείται για να περιγράψει ένα έμπειρο σύστημα που χρησιμοποιεί ένα σετ κανόνων ώστε να επεξεργαστεί τα δεδομένα εισόδου και να παράξει την αντίστοιχη έξοδο. Το σημαντικότερο πλεονέκτημα αυτού του είδους των συστημάτων που βασίζονται σε κανόνες έναντι άλλων συστημάτων Τεχνητής Νοημοσύνης (πχ Νευρωνικών δικτύων) είναι ότι παρέχουν μια αναλυτική, βήμα προς βήμα, εξήγηση για τον τρόπο με τον οποίο καταλήξανε σε μια απόφαση. Επιπλέων, η υιοθέτηση ενός τέτοιου συστήματος οδηγεί στον διαχωρισμό λογικής και δεδομένων προσφέροντας μεγαλύτερο βαθμό ευελιξίας, μικρότερη πολυπλοκότητα και τέλος ευκολότερη επεκτασιμότητα. Οι κανόνες ενός τέτοιου είδους συστήματος είναι συνήθως της μορφής: If then <conditions>

86 Παραδοτέο Π <actions>; Στο σημείο αυτό αξίζει να αναφερθεί πως στην περίπτωση του παρόντος έργου, τόσο οι συνθήκες (conditions), όσο και οι ενέργειες (actions) των κανόνων του Rule Engine, θα αναφέρονται και θα παίρνουν τιμές από την οντολογία του συστήματος. Γενικά, στην βιβλιογραφία αναφέρονται δύο κύριοι τρόποι λειτουργίας των Rule Engines. Ακολούθως έχουμε τα Forward Chaining (Ορθή Αλυσίδωση) και τα Backward Chaining (Ανάστροφη Αλυσίδωση συστήματα ενώ υπάρχουν και υβριδικά συστήματα που υιοθετούν στοιχεία και των δυο αλγορίθμων εκτέλεσης. Ο αλγόριθμος Forward Chaining, όπως υποδεικνύει και η ονομασία του, ξεκινάει λαμβάνοντας υπόψη του τα υπάρχοντα δεδομένα (facts) και στη συνέχεια χρησιμοποιεί μια βάση κανόνων για να εξάγει επιπλέον δεδομένα μέχρι να φτάσει στο επιθυμητό αποτέλεσμα, ή στην απάντηση. Με άλλα λόγια, μια μηχανή κανόνων που υλοποιεί την λογική Forward Chaining ξεκινάει από τα δεδομένα και ψάχνει ποιοι κανόνες μπορούν να ενεργοποιηθούν ελέγχοντας αν πληρούνται οι συνθήκες τους. Στην περίπτωση που βρεθεί τέτοιος κανόνας, τότε η μηχανή κανόνων τον ενεργοποιεί, εκτελώντας τις ενέργειες που αυτός ορίζει, και κατά συνέπεια προσθέτοντας νέα πληροφορία στα δεδομένα. Αυτό με την σειρά του μπορεί να οδηγήσει στην ενεργοποίηση νέων κανόνων κ.ο.κ. Η Εικόνα 10 παρουσιάζει την Forward Chaining λογική.

87 Παραδοτέο Π Εικόνα 10 Σχηματική αναπαράσταση του αλγορίθμου Forward Chaining Αντίθετα, ο αλγόριθμος Backward Chaining ξεκινά με μια ομάδα υποθέσεων και δουλεύει «προς τα πίσω», από τις ενέργειες των κανόνων προς τις συνθήκες τους, προσπαθώντας να ανακαλύψει κανόνες των οποίων οι ενέργειες μπορούν να υποστηριχτούν από τα υπάρχοντα δεδομένα. Στην περίπτωση που τέτοιοι κανόνες βρεθούν, ο αλγόριθμος εμπλουτίζει τα δεδομένα με τις αρχικές συνθήκες αυτών των κανόνων. Στις μέρες μας υπάρχουν αρκετά παραδείγματα μηχανών κανόνων ανοιχτού κώδικα, όπως τα Drools, Jess, OpenRules, Java Rule Engine API. Παρόλα αυτά, για τις ανάγκες του παρόντος έργου, θα αναπτυχτεί μια πρότυπη μηχανή κανόνων η οποία θα υιοθετεί την Forward Chaining λογική για τον λόγο ότι αυτή θεωρείται καταλληλότερη σε δυναμικές περιπτώσεις, όπου οι συνθήκες είναι πιθανόν να αλλάζουνε συνεχώς. Επιπλέον, στα πλαίσια του έργου θα διερευνηθεί η τροποποίηση/βελτίωση του Forward Chaining αλγορίθμου ώστε αυτός να λαμβάνει υπόψη του και την έννοια της απόστασης ανάμεσα σε δύο όρους της οντολογίας. Με τον

88 Παραδοτέο Π τρόπο αυτό η προτεινόμενη μηχανή κανόνων που θα προκύψει θα δίνει βελτιωμένα αποτελέσματα καθώς θα είναι σε θέση να ενεργοποιήσει και να εκτελέσει «κοντινούς» κανόνες που υπό κανονικές συνθήκες θα αγνοούσε. Μηχανή εμπλουτισμού μέσω εξόρυξης διαδικασιών (Process Mining) Το δεύτερο δομικό κομμάτι του Inference Engine αναλαμβάνει τον εμπλουτισμό ενός ερωτήματος χρήστη με επιπλέον πληροφορία χρησιμοποιώντας μια Βάσης Γνώσης που έχει συγκροτηθεί με την βοήθεια αλγορίθμων εξόρυξης διαδικασιών (Process Mining). Ειδικότερα, η συγκεκριμένη δομική υπο-μονάδα βασίζεται στα αποτελέσματα του process mining, που αποδίδονται συνήθως με τη μορφή κάποιου διαγράμματος Petri Net, όπως αυτό του Εικόνα 11 με την διαφορά πως, στην περίπτωση του παρόντος έργου, οι κόμβοι ενός αντίστοιχου διαγράμματος θα αναφέρονται και θα παίρνουν τιμές από την οντολογία του συστήματος. Εικόνα 11 Παράδειγμα διαγράμματος που προκύπτει από το Process Mining Έχοντας ένα τέτοιο μοντέλο διαδικασιών (γράφο), το συγκεκριμένο υποσύστημα θα αναλύει το ερώτημα που προέρχεται από κάποιον χρήστη και θα το εμπλουτίζει με την πληροφορία που απαιτείται ώστε να «κλείνει» ένα μονοπάτι κόμβων από την αρχή έως το τέλος του γράφου, π.χ. αν το ερώτημα περιλαμβάνει τους κόμβους a και b τότε το σύστημα θα

89 Παραδοτέο Π συμπληρώνει με τον κόμβο d ώστε μέσω του μονοπατιού (a->p1->b->p3- >d) να υπάρχει διαδρομή από την αρχή μέχρι το τέλος του γράφου. Όλες οι δομικές υπό-μονάδες του Inference Engine θα αναπτυχθούν σε γλώσσα προγραμματισμού Java χρησιμοποιώντας το JDK 7. Ο παρακάτω πίνακας παρουσιάζει τον τρόπο που θα οργανωθεί ο κώδικας του inference engine, ενώ στην Εικόνα 12 και Εικόνα 12 παρουσιάζονται οι σχέσεις ανάμεσα στις κλάσεις καθώς και οι βασικές μέθοδοι και ιδιότητές τους. Όνομα Κλάσης Περιγραφή RuleEngine Κλάση που υλοποιεί την πρότυπη μηχανή κανόνων με τον Forward Chaining αλγόριθμο εκτέλεσης και την χρήση του μετρικού της απόστασης ProcessMining Κλάση που υλοποιεί τον εμπλουτισμό μέσω του μοντέλου που έχει προκύψει από την διαδικασία process mining ProcessMiningModel Αναλαμβάνει τη δημιουργία, αναπαράσταση στη μνημη και προσπέλαση του μοντέλου. DBUtility Διαχειρίζεται τις ενεργές συνδέσεις με την κεντρική βάση δεδομένων του συστήματος και αναλαμβάνει την εκτέλεση sql queries για την ανάκτηση των κανόνων, των προϋπολογισμένων αποστάσεων

90 Παραδοτέο Π ανάμεσα στους όρους της οντολογίας καθώς και του μοντέλου του process mining PropertiesUtility Αναλαμβάνει την ανάγνωση και εγγραφή από και προς αρχείο των βασικών παραμέτρων του συστήματος Case Data transfer object (DTO) για τα case-query του χρήστη Rule DTO για έναν κανόνα του συστήματος Distance DTO για την απόσταση ανάμεσα σε δυο όρους της οντολογίας

91 Παραδοτέο Π Εικόνα 12 Κλάσεις που υλοποιούν το inference engine Εικόνα 13 Data transfer objects (DTOs)

92 Παραδοτέο Π Υποσύστημα Recommendation Engine Το υποσύστημα Προτεινόμενων κανόνων του συστήματος «ΠΑΥΕΥΣ» θα ακολουθεί τις αρχές των content based recommender systems. Στο συγκεκριμένο σύστημα θα καταγράφεται σε μία Βάση Γνώσης ένα σύνολο από περιπτώσεις που έχουν παρατηρηθεί στην πραγματικότητα και οι δοκιμασμένες στρατηγικές αντιμετώπισης που χρησιμοποιήθηκαν. Τα χαρακτηριστικά της κάθε περίπτωσης θα είναι όλα τα πεδία που ουσιαστικά θα συμπληρώνει ο χρήστης για να καταγράψει την περίπτωση. Για παράδειγμα, τα χαρακτηριστικά μίας περίπτωσης που μπορεί να χρησιμοποιηθούν σε ένα recommender system μπορεί να είναι: Η εκδήλωση συμπεριφοράς: συγκεκριμένα άτομα με δεδομένο διαγνωστικό προφίλ παρουσιάζουν ένα συγκεκριμένο σύνολο από συμπεριφορές Παρέμβαση: για συγκεκριμένα άτομα, οι ειδικοί έχουν προσυμφωνημένους τύπους παρέμβασης Προγενόμενα: συγκεκριμένα προγενόμενα με βάση την προηγούμενη εμπειρία μπορεί να οδηγούν στην εμφάνιση συγκεκριμένων συμπεριφορών και πολλά άλλα ανάλογα χαρακτηριστικά. Με βάση, λοιπόν, τις περιπτώσεις που θα έχουν αποθηκευτεί στη Βάση Γνώσης, το σύστημα ακολουθώντας τις τεχνικές των recommender systems με τη χρήση μέτρων ομοιότητας θα προτείνει στο χρήστη ανάλογα με το ερώτημα που θα έχει θέσει (query) ανάλογες περιπτώσεις. Θα προσπαθεί να ταιριάξει, δηλαδή, τα χαρακτηριστικά του ερωτήματος με τα χαρακτηριστικά περιπτώσεων ήδη αποθηκευμένων στη Βάση, ώστε να προτείνονται οι αντίστοιχες περιπτώσεις στο χρήστη. 5.6 Υποσύστημα Online Analytical Processing OLAP Η Ανάλυση Δεδομένων OLAP (Online Analytical Processing) αποτελεί σήμερα ένα σύγχρονο τεχνολογικό υπόβαθρο για την ανάπτυξη εξελιγμένων συστημάτων υποστήριξης λήψης αποφάσεων. Η λειτουργία

93 Παραδοτέο Π OLAP χαρακτηρίζεται από δυναμική, πολυδιάστατη ανάλυση των δεδομένων ενός οργανισμού. Βασικός στόχος της είναι να παρέχει την δυνατότητα στον χρήση, να βλέπει τα λειτουργικά δεδομένα του οργανισμού σε διαφορετικά επίπεδα ανάλυσης από το πιο αναλυτικό στο πιο συγκεντρωτικό και αντίστροφα, από διαφορετικές οπτικές γωνίες και με μια ανθρωποκεντρική μεθοδολογία απαλλαγμένη από την απαίτηση για τεχνικές γνώσεις. Στο επίκεντρο κάθε συστήματος ΟLAP βρίσκεται η έννοια του «κύβου» που ονομάζεται και πολυδιάστατος κύβος ή υπέρκύβος. Ένας κύβος είναι μια δομή δεδομένων που μας επιτρέπει την γρήγορη ανάλυση των δεδομένων που περιέχει. Αποτελείται από αριθμητικά δεδομένα που ονομάζονται «Μέτρα» τα οποία προσπελαύνονται μέσω «Διαστάσεων». Κάθε διάσταση μπορούμε να την ομαδοποιήσουμε με μία «Ιεραρχία». Οι υπέρ-κύβοι δίνουν την δυνατότητα προσπέλασης των δεδομένων (Μέτρων) μέσω πλοήγησης στις ιεραρχίες των διαστάσεών τους. Κατά την πλοήγηση στις ιεραρχίες γίνεται ομαδοποίηση των δεδομένων για να προκύψουν συγκεντρωτικά αποτελέσματα μέσω της εφαρμογής διαφόρων συναρτήσεων όπως sum, average, min, max κ.ά. Για τις ανάγκες ανάλυσης των δεδομένων του συστήματος «ΠΑΥΕΥΣ» και για την εξαγωγή χρήσιμων συμπερασμάτων, θα δημιουργηθεί μια εφαρμογή Web όπου θα παρουσιάζει κύβους OLAP στους οποίους θα έχουν πρόσβαση μόνο εξουσιοδοτημένα άτομα. Η Web εφαρμογή OLAP θα ενσωματωθεί με το «ΠΑΥΕΥΣ» και θα συνδεθεί με τη βάση δεδομένων του συστήματος. Η πρόσβαση θα δίνεται σε εξειδικευμένους χρήστες, οι οποίοι θα έχουν δυνατότητα αλληλεπίδρασης με τους κύβους και να καθορίζουν τις πληροφορίες που θα εμφανίζονται. Θα μπορούν να εκτελούν πράξεις επί των κύβων (Rollup, Drill-down, Slice, Pivot) και θα υπάρχει δυνατότητα αποθήκευσης της τρέχουσας εμφάνισης του κύβου σε διάφορους τύπους αρχείων (π.χ. spreadsheet, pdf κ.α.). Λειτουργικά, ο χρήστης θα επιλέγει το URL της εφαρμογής και θα κάνει login. Εκεί θα υπάρχουν ένας ή και περισσότεροι σύνδεσμοι για διαφορετικούς κύβους OLAP ή οποίοι παρουσιάζουν και διαφορετικά δεδομένα από την αποθήκη δεδομένων. Επίσης, οι ίδιες πληροφορίες να

94 Παραδοτέο Π μπορούν να παρουσιαστούν και με τη χρήση γραφημάτων. Η εκτέλεση των πράξεων και η αποθήκευση της εμφάνισης του κύβου θα γίνεται με το πάτημα των κατάλληλων κουμπιών. Η υλοποίηση της εφαρμογής για την ανάλυση των δεδομένων σε πραγματικό χρόνο θα βασιστεί στο Mondrian ( Ο Mondrian είναι ένας server OLAP, γραμμένος στη γλώσσα java, και το σύστημα θα αποκρίνεται πολύ γρήγορα σε ερωτήματα για τη διαδραστική αναπαράσταση των δεδομένων, ακόμα κι αν αποτελούνται από εκατομμύρια εγγραφές. Ο Mondrian είναι ανοικτού κώδικα και δίνει τη δυνατότητα πολυδιάστατων ερωτημάτων στη βάση δεδομένων με τη χρήση της γλώσσας MDX. Για την ολοκλήρωση της αναμενόμενης λειτουργικότητας της πλατφόρμας «ΠΑΥΕΥΣ» όπως αυτή έχει αναγνωρισθεί κατά την φάση της ανάλυσης των απαιτήσεων του συστήματος, θα απαιτηθεί να καταγράφεται ένα σύνολο πληροφοριών το οποίο και θα πρέπει να υπακούει στα κατωτέρω: Στοιχεία Τελικού Χρήστη Ονομασία Πεδίου Τύπος Τιμή Ημερομηνία Γέννησης Ημερομηνία Ημερομηνία Φύλο Κείμενο Λίστα (Α,Θ) Επάγγελμα Κείμενο Λίστα (Ψυχολόγος, Ειδικός Παιδαγωγός Δάσκαλος..) Μορφωτικό Επίπεδο Κείμενο [Β/θμια,Γ/θμια,Μεταπτυχιακά] Ειδικότητα Κείμενο Λίστα (Ψυχολόγος, Ειδικός

95 Παραδοτέο Π Παιδαγωγός Δάσκαλος..) Φορέας Απασχόλησης Κείμενο [Δημόσιο,Ιδιώτης] Πόλη Κείμενο Λίστα (Πάτρα, Αθήνα, Ιωάννινα ) Νομός Κείμενο Λίστα (Αχαΐας, Αττικής, Ιωαννίνων ) Περιφέρεια Κείμενο Λίστα (Δυτικής Ελλάδας, Κεντρικής Ελλάδας.) Έτη Εμπειρίας Αριθμός [5-10,10-15,15-20,20-25,25-30,30-..] Λόγος Χρήσης Συστήματος Κείμενο Λίστα( Υποστήριξη Ατόμου, Επιστημονικλο Ενδιαφέρον Πλήθος χρήσεων Αριθμός Αριθμός Στοιχεία Υποστηριζόμενου Ατόμου Ονομασία Πεδίου Τύπος Τιμή Ημερομηνία Γέννησης Ημερομηνία Ημερομηνία Φύλο Κείμενο Λίστα (Α,Θ)

96 Παραδοτέο Π Ηλικία Διάγνωσης Αριθμός Αριθμός Επίπεδο Λειτουργικότητας Κείμενο Λίστα (Υψηλό,Μεσαίο,Χαμηλό) Είδος Διάγνωσης Κείμενο Λίστα (Κλασικό Αυτισμό Asperger..) Συν-νοσηρότητα Κείμενο Λίστα (Ναι, Όχι) Στοιχεία Ερωτημάτων Χρήστη Ονομασία Πεδίου Τύπος Τιμή Ημ. Διατύπωσης Ερωτ/τος Ημερομηνία Ημερομηνία Προ-γενόμενα Κείμενο Λίστα (Μόνος, στην αυλή του σπιτιού.) Συμπεριφορές Κείμενο Λίστα (Αυτοτραυματίζεται,Μεγάλη Ένταση, Ουρλιάζει. κ.α) Παρεμβάσεις Κείμενο Λίστα (Αλλαγή Περιβάλλοντος, Θεραπευτική Αγωγή.) Αξιολόγηση Κείμενο Λίστα (Θετική, Αρνητική)

97 Παραδοτέο Π Πλήθος Ερωτημάτων Αριθμός Αριθμός 6. Τεχνικές Απαιτήσεις Έμπειρου Συστήματος Αρχικής Διάγνωσης Η ανάπτυξη του προτεινόμενου ΕΣ θα πραγματοποιηθεί σε γλώσσα προγραμματισμού JAVA, όπως και το υπόλοιπο σύστημα. Ειδικότερα, αποφασίστηκε η χρήση της βιβλιοθήκης ανοιχτού κώδικα Tohu ( Το framework ανάπτυξης Tohu αποτελεί μια επέκταση της μηχανής κανόνων ανοιχτού κώδικα Drools ( και παρέχει την δυνατότητα σε προγραμματιστές και ερευνητές να δημιουργήσουν διαδραστικές διαδικτυακές εφαρμογές (web applications) Έμπειρων Συστημάτων, απλά καθορίζοντας ένα σετ κανόνων, απαλλάσσοντας τους, με αυτόν τον τρόπο, από το επίπονο έργο να σχεδιάσουν μία προς μία την κάθε γραφική διεπαφή (online web forms) του συστήματος. Στην επόμενη εικόνα παρουσιάζεται με γραφικό τρόπο η αρχιτεκτονική μιας διαδικτυακής εφαρμογής που βασίζεται στην βιβλιοθήκη Tohu και Drools.

98 Παραδοτέο Π Εικόνα 14 Σχηματικό Διάγραμμα αρχιτεκτονικής μιας διαδικτυακής εφαρμογής που βασίζεται στην βιβλιοθήκη Tohu και Drools Μέσω του Tohu, οι ερωτήσεις και οι απαντήσεις του ΕΣ αποθηκεύονται σε κατάλληλα αντικείμενα JAVA και ενημερώνονται σύμφωνα με τις επιλογές και αποκρίσεις των χρηστών, έτσι π.χ. μια τυχόν θετική απάντηση σε μια ερώτηση μπορεί να προκαλέσει την εμφάνιση μιας άλλης διευκρινιστικής ερώτησης. Η κατάσταση αυτών των αντικειμένων μεταφέρεται ασύγχρονα από και προς τον φυλλομετρητή (Internet Browser) μέσω αιτημάτων AJAX (AJAX requests) και τα ερωτήματα παρουσιάζονται στην γραφική διεπαφή με χρήση κάποιας JavaScript Βιβλιοθήκης, π.χ. jquery. Κάθε φορά που ο χρήστης του συστήματος αλλάζει κάποιο πεδίο μέσω της γραφική διεπαφής, ένα νέο αίτημα AJAX μπορεί να προκαλέσει την εκτέλεση κάποιων κανόνων και να ανανεώσει την οθόνη που βλέπει ο χρήστης.

99 Παραδοτέο Π Τεχνικές Απαιτήσεις Εξοπλισμού ΠΙΝΑΚΑΣ ΤΕΧΝΙΚΩΝ ΠΡΟΔΙΑΓΡΑΦΩΝ ΕΞΟΠΛΙΣΜΟΥ Α/ Α ΕΙΔΟΣ ΤΕΧΝΙΚΕΣ ΠΡΟΔΙΑΓΡΑΦΕΣ ΠΟΣΟΤΗΤΑ System features Processor >= τύπου Intel Xeon E (8 core, 2.60 GHz, 20MB, 115W) Number of processors >= 2 1. Ένας (1) εξυπηρετητ ής (Server) Processor core available 8 Form factor (fully configured) 1 [Main Server] Rack (2U) Power supply type >= (2) 750W Expansion slots >= 6 Memory Memory, installed

100 Παραδοτέο Π GB (8) X 8GB Dual Rank x4 PC3L (DDR3-1333) Reg CAS-9 LP Memory Kit Memory slots 24 DIMM slots Memory type PC3L-10600R-9 (Low voltage DIMM) Storage Included hard drives supports up to 8 SFF (2) X 146GB 6G SAS 15K rpm SFF (2.5- inch) SC Enterprise 3yr Warranty Hard Drive; Included Optical drive (1)12.7mm Slim SATA DVD-RW JackBlack Optical Drive Controller Cards Network controller (1) 1Gb Ethernet Adapter 4 Ports Storage controller Smart Array τύπου P420i / >=512MB FBWC ή PERC H710 Integrated RAID Controller

101 Παραδοτέο Π with >= 512MB NV Cache Security management Infrastructure management ilo 4 Management Engine with Insight Control Management - License included ή idrac7 Enterprise with VFlash, 8GB SD Card Συμπεριλαμβάνετε Εγγύηση Server Warranty includes 3-Year Parts, 3-Year Labor, 3-Year Onsite support with next business day response. Rail kits 2U SFF Rail Kit Cable Management Arm (2) x Rack Power Cord 2M (C13/C14 12A) Τεκμηρίωση συστήματος Electronic System Documentation 2. Ένας (1) εξυπηρετητ ής System features 1

102 Παραδοτέο Π (Server) [Testing Server] Processor τύπου Intel Xeon E (6 core, 2 GHz, 15MB, 95W) Number of processors >=1 Processor core available >=6 Form factor (fully configured) 1U Power supply type (2) 460W Platinum Plus hot plug power supply kit Common Slot Expansion slots >= (2) PCIe; For detail descriptions reference the QuickSpec Memory Memory, installed 32GB RDIMM (4) X 8GB Dual Rank x4 PC3L (DDR3-1333) Reg CAS-9 LP Memory Kit Memory slots 24 DIMM slots Memory type PC3L-10600R-9 (Low voltage DIMM)

103 Παραδοτέο Π Storage Included hard drives supports up to 8 SFF (2) X 146GB 6G SAS 15K rpm SFF (2.5- inch) SC Enterprise 3yr Warranty Hard Drive; Included Optical drive (1) 12.7mm Slim SATA DVD-RW JackBlack Optical Drive Controller Cards Network controller 1Gb Ethernet Adapter 4 Ports per controller Storage controller τύπου P420i / >=512MB FBWC ή τύπου PERC H310 Integrated RAID Controller Security management Infrastructure management ilo 4 Management Engine with Insight Control Management - License included

104 Παραδοτέο Π ή idrac7 Express Συμπεριλαμβάνετε Εγγύηση Server Warranty includes 3-Year Parts, 3-Year Labor, 3-Year Onsite support with next business day response. Rail kits Cable Management Arm (2) x Rack Power Cord 2M (C13/C14 12A) Τεκμηρίωση συστήματος Electronic System Documentation System features 3. Ένας (1) εξυπηρετητ ής (Server) [Backup Server] Processor τύπου Intel Xeon E (6 core, 2 GHz, 15MB, 95W) Number of processors >=1 Processor core available 1 >=6 Form factor (fully configured)

105 Παραδοτέο Π U Power supply type (2) 460W Platinum Plus hot plug power supply kit Common Slot Expansion slots >= (2) PCIe; For detail descriptions reference the QuickSpec Memory Memory, installed 32GB RDIMM (4) X 8GB Dual Rank x4 PC3L (DDR3-1333) Reg CAS-9 LP Memory Kit Memory slots 24 DIMM slots Memory type PC3L-10600R-9 (Low voltage DIMM) Storage Included hard drives supports up to 8 SFF (2) X 146GB 6G SAS 15K rpm SFF (2.5- inch) SC Enterprise 3yr Warranty Hard Drive; (6) X 1TB 6G SAS 7.2K rpm SFF (2.5- inch) SC Midline 1yr Warranty Hard Drive

106 Παραδοτέο Π Included Optical drive (1) 12.7mm Slim SATA DVD-RW JackBlack Optical Drive Controller Cards Network controller (1)1Gb Ethernet Adapter 4 Ports per controller Storage controller τύπου P420i / >=512MB FBWC ή τύπου PERC H710 Integrated RAID Controller, 1GB NV Cache Security management Infrastructure management ilo 4 Management Engine with Insight Control Management - License included ή idrac7 Express Συμπεριλαμβάνετε Εγγύηση Server Wa rranty includes 3-Year Parts, 3-Year Labor, 3-Year Onsite support with next business day

107 Παραδοτέο Π response. Rail kits Cable Management Arm (2) x Rack Power Cord 2M (C13/C14 12A) Τεκμηρίωση συστήματος Electronic System Documentation Βάση 42U Rack with Doors and Side Panels, Standard Packaging Υπηρεσίες υποστήριξης 3Yr Basic Warranty - Next Business Day Υπηρεσίες: Εγκαταστάσεις Installation of a Rack 4. Περίβλημα - Rack 42U, PDU, UPS Παρεχόμενα Καλώδια 5x Rack Power Cord 4M (C13/C14, 10A, 250V) - Kit 5x Rack Power Cord 3.5M (C19/C20, 16A, 250V), Also for connecting UPS to PDU Kit 1 Μονάδες διανομής τροφοδοσίας (PDU) PDU LCD-Metered, Full-Height, 3ph 16A 400V, In(IEC309-16A & 3M cord) Out(21*C13+6*C19) PDU Temperature/Humidity Sensor for Metered & Managed PDUs Κιτ βοηθητικού εξοπλισμού ερμαρίου

108 Παραδοτέο Π Set of 4 Fans for 42U Βοηθητικός εξοπλισμός (2) x 2U Closeout Filler Panel For Dell Racks, Steel, 10-Pack Μονάδα UPS 2U Rack UPS, >=2KVA, 230V, incl. Cable Pack (της ίδιας κατασκευάστριας εταιρίας με το προσφερόμενο rack και τους εξυπηρετητές) Βοηθητικός εξοπλισμός UPS UPS Network Management Card Υπηρεσίες υποστήριξης 3Yr Parts Only Warranty Included 5. Δρομολογητ ής (Router) Multimode VDSL2/ADSL2+ Router (Annex A) ADSL Modem / Router 4-port 10/100 Mbps managed switch with autosensing MDI/MDX for autocrossover, CON/AUX port IP and IP services features IEEE n draft 2.0 standards-based access point with b/g compatibility Automatic rate selection for g/n Captive omnidirectional 2-dBi gain dipole antennas

109 Παραδοτέο Π x 3 MIMO radio operation Removable antennas on Cisco 881W models Wi-Fi n Draft v2.0 certified Autonomous or unified access point Cisco WCS support for monitoring of autonomous-mode access points Option to maximize throughput or maximize range Software-configurable transmit power Radio roles, including access point, root bridge, nonroot bridge, and workgroup bridge Wi-Fi Multimedia (WMM) certification Traffic specifications (TSPEC) Call Admission Control (CAC) to ensure voice quality is maintained Unscheduled Automatic Power Save Delivery (UPSD) to reduce latency Routing Information Protocol Versions 1 and 2 (RIPv1 and RIPv2) Generic routing encapsulation (GRE) and Multipoint GRE (MGRE) Cisco Express Forwarding Standard 802.1d Spanning Tree Protocol Layer 2 Tunneling Protocol (L2TP) Network Address Translation (NAT) Dynamic Host Configuration Protocol (DHCP) server, relay, and client Dynamic Domain Name System (DNS)

110 Παραδοτέο Π DNS Proxy DNS Spoofing Access control lists (ACLs) ATM features (ADSL and G.SHDSL ATM models only) ATM Variable Bit Rate real-time (VBRrt) ATM Unspecified Bit Rate (UBR), Constant Bit Rate (CBR), and Variable Bit Rate non-realtime (VBR-nrt) ATM operations, administration, and maintenance (OA&M) support for F5 Continuity Check; segment and end-to-end loopback; and Integrated Local Management Interface (ILMI) support TX ring adjustment Virtual-circuit (VC) bundling Per-VC queuing Per-VC traffic shaping 10 ATM virtual circuits on the 886, 887, and 888 models 4 ATM virtual circuits on the 886VA and 887VA models RFCs 1483 and 2684 Point-to-Point Protocol over ATM (PPPoA) PPP over Ethernet (PPPoE)

111 Παραδοτέο Π Switch features Auto Media Device In/Media Device Cross-Over (medium dependent interface (MDI)/MDI crossover (MDX) Eight 802.1Q VLANs MAC filtering Two-port 802.3af and Cisco compliant PoE Switched Port Analyzer (SPAN) Storm Control Smartports Security features Secure connectivity: SSL VPN for secure remote access Hardware-accelerated DES, 3DES, AES 128, AES 192, and AES 256 Public-key-infrastructure (PKI) support 20 IPsec tunnels Cisco Easy VPN Client and Server NAT transparency Zone-based policy firewall: Stateful inspection transparent firewall Advanced application inspection and control Secure HTTP (HTTPS), FTP, and Telnet authentication proxy

112 Παραδοτέο Π Dynamic and static port security Cisco IOS Software Release >= 15.1(4)M Μεταγωγέας τύπου 3560-X series 24 Ethernet 10/100/1000 ports and 4 SFP-based Gigabit Ethernet ports Power over Ethernet (PoE) support 1RU fixed-configuration, multilayer switch Enterprise-class intelligent services delivered to the network edge Standard Multilayer Software Image (SMI) installed Basic RIP and static routing, upgradable to full dynamic IP routing 6. Μεταγωγέας (Switch) Management platform: Cisco IOS CLI, Cisco Network Assistant, SAA 32 Gbps forwarding bandwidth Forwarding rate based on 64-byte packets: 38.7 Mpps 128 MB DRAM 32 MB Flash memory Configurable up to 12,000 MAC addresses Configurable up to 11,000 unicast routes Configurable up to 1000 IGMP groups and multicast routes Configurable maximum transmission unit (MTU) of up to 9000 bytes, with a 1

113 Παραδοτέο Π maximum Ethernet frame size of 9018 bytes (Jumbo frames), for bridging on Gigabit Ethernet ports, and up to 1546 bytes for bridging of Multiprotocol Label Switching (MPLS) tagged frames on 10/100 ports 7. Οθόνη 27 Μέγεθος οθόνης 27 ίντσες με αναλογία 16:9 LED με ευρεία γωνία θέασης Φωτεινότητα 300 cd/m² Λόγος αντίθεσης: Δυναμική αντίθεση Mega Dynamic Contrast Ratio (Στατικός λόγος αντίθεσης 1000:1) Ανάλυση 1920 x 1080 Χρόνος απόκρισης 5 ms (GTG) Γωνία θέασης (Οριζόντια / Κάθετη) 178 / 178 Χρώματα οθόνης 16,7 εκατομμύρια Κλάση ενεργειακής απόδοσης A+ Τροφοδοσία AC V 50 /60 Hz Κατανάλωση ρεύματος 23 W (τυπική) Κατανάλωση ρεύματος (Σύστημα εξοικονόμησης ενέργειας DPMS) 0,3 W (τυπική) Κατανάλωση ρεύματος 0,3 Watt (τυπική) (Κατάσταση αναμονής) 1 x D-Sub 6

114 Παραδοτέο Π x HDMI Έξοδος ήχου Eco Saving, Magic Upscale, Λογισμικό Multi Screen, Samsung MagicBright3, Χρονοδιακόπτης απενεργοποίησης, MagicTune, Ρύθμιση μεγέθους εικόνας Υποστηρίζονται Συμβατότητα με λειτουργικά συστήματα Windows, Mac Πιστοποίηση Windows 8 Κεντρική μονάδα επεξεργασίας Intel Core i7-4500u with Turbo Boost up to 3.00 GHz 4 MB - L3 Cache 8. Laptop 15,5 Μνήμη 8 GB DDR3 SDRAM Τύπος μνήμης PC3L Ταχύτητα μνήμης (MHz) 1600 Χωρητικότητα 1000 GB SATA (5400 rpm) + 16 GB NAND Flash Μονάδα οπτικού δίσκου Μονάδα Blu-ray Disc (BDXL ) με DVD SuperMulti 6

115 Παραδοτέο Π Οθόνη Επεξεργασία επιφάνειας Αντανάκλαση Οθόνη αφής Ναι 15.5" LED TFT ( WXGA++ ) - 16:9 Ανάλυση x Γραφικά Nvidia GeForce GT 735M & Intel HD Graphics GB memory Διασυνδέσεις Κάμερα web HD x 720 Ethernet 10/100/1000Mbps Wi-Fi a/b/g/n Bluetooth 4.0 HS 1 x USB 2.0, 2 x USB x HDMI Microsoft Windows 8, 64bit Βάρος με παρεχόμενη μπαταρία (kg): <=2,6 9. Laptop 15,6 Οθόνη LED 15,6 ιντσών LED-Backlit Glossy Display Επεξεργαστής Intel Core i3 2328M 4

116 Παραδοτέο Π ,20GHz Μνήμη 4GB Σκληρός Δίσκος 500GB VGA Intel HD3000 Λειτουργικό Windows 8 64bit Gigabit, b/g/n/, Bluetooth, HDMI Καθαρό βάρος <=2,360 KG Μέγεθος Οθόνης σε Ίντσες: 37 Τύπος Panel : LED Smart TV Τεχνολογία 3D 10. Smart TV Συχνότητα Σάρωσης Εικόνας: 200Hz Full HD 16:9 1 3D HyperReal Engine, Wide Color Enhancer Plus Dolby Digital Plus / Dolby Pulse, dts Digital Out Wi-Fi Direct 11. Κινητό Τηλέφωνο Λειτουργικό σύστημα Windows Chipset Qualcomm MSM8960 Snapdragon CPU Dual-core Krait 1.5 GHz 1

117 Παραδοτέο Π GPU Adreno 225 Super AMOLED capacitive touchscreen, 16M colors 4,8'' 1280 x 720 pixels 16M COLORS Συνδεσιμότητα Wi-Fi GPS Δέκτης with A-GPS support and GLONASS MP3 PlayerMP3 και MP4 Μνήμη16000 MB microsd Λειτουργικό σύστημα Google Android 4.0 Quad-core 1.4 GHz Cortex-A9 WCDMA (UMTS) / GSM 850/900/1800/ Κινητό Τηλέφωνο LCD display - colour - 4.8" Ενσωματωμένη μνήμη 16 GB Wi-Fi a/b/g/n 1 Bluetooth 4.0 with A2DP Ραδιόφωνο, MP3 Player, Α-GPS Δέκτης Κάμερα 8 Megapixel 13. Κινητό Τηλέφωνο Λειτουργικό Σύστημα: ios 6 1

118 Παραδοτέο Π Apple Dual Core A6 1.2GHz PowerVR SGX 543MP3 (triple-core graphics) Μνήμη: 1GB RAM 4.0" Retina έγχρωμη ευρεία Multi-Touch Ανάλυση 1136 x 640 pixel στα 326 ppi Wi-Fi a/b/g/n (802.11n 2.4GHz και 5GHz) Bluetooth 4.0 με υποστήριξη A2DP 1.4GHz τύπου Apple A6X Dual Core 14. Ταμπλέτα 9,7 LED-backlit IPS LCD Capacitive, 16M Χρωμάτων 1536 x " 1 ios 6 16GB Να αναφερθεί η ονομασία και η τρέχουσα έκδοση του λογισμικού. 15. Κιτ Ανάπτυξης Λογισμικού (SDK) Συλλογής Δεδομένων από Έγγραφα Να αναφερθεί ο διανομέας και κατασκευαστής του λογισμικού. Να προσφερθεί ένα ενιαίο προϊόν που να καλύπτει το σύνολο των προδιαγραφών που ακολουθούν. Να προσφερθεί ένα τεμάχιο λογισμικού που να καλύπτει τις ζητούμενες απαιτήσεις. 1 Το λογισμικό πρέπει να είναι SDK (Software Development Kit) για την ανάπτυξη εφαρμογών (ή την ενσωμάτωση σε τρίτες εφαρμογές) δυνατοτήτων συλλογής δεδομένων από έγγραφα με

119 Παραδοτέο Π χρήση τεχνολογιών ICR (αναγνώριση χειρόγραφων χαρακτήρων) / OCR (αναγνώριση μηχανογραφημένων χαρακτήρων)/ OMR (αναγνώριση checkmark) /OBR (αναγνώριση barcode). Το λογισμικό πρέπει να έχει τη δυνατότητα αυτοματοποιημένης συλλογής δεδομένων από στατικές φόρμες (fixed forms). Το προϊόν πρέπει να διαθέτει εργαλείο για την δημιουργία τυποποιημένων περιγραφών για την αναζήτηση δεδομένων από έγγραφα τα οποία δεν είναι δομημένα, (οπότε δεν θα είναι γνωστή η ακριβής θέση των προς αναγνώριση πεδίων εκ των προτέρων). Το λογισμικό πρέπει να έχει τη δυνατότητα αναγνώρισης εντύπων και χειρόγραφων Ελληνικών και Αγγλικών χαρακτήρων με υποστήριξη ελληνικών και Αγγλικών λεξικών. Να αναφερθούν οι ελάχιστες προδιαγραφές εγκατάστασης του σταθμού εργασίας (workstation) που θα χρησιμοποιηθεί για την ανάπτυξη της τελικής εφαρμογής. Το προϊόν πρέπει να έχει τη δυνατότητα εισαγωγής εικόνων από αρχεία: TIFF JPEG JPEG2000 PNG PDF BMP Το προϊόν πρέπει να έχει τη δυνατότητα

120 Παραδοτέο Π αναγνώρισης: Έντυπων χαρακτήρων (OCR) Χειρόγραφων χαρακτήρων (ICR) Check boxes (OMR) Γραμμωτών κωδικών (Barcode) Το προϊόν πρέπει να έχει τη δυνατότητα αυτοματοποιημένου ελέγχου των τιμών των πεδίων με χρήση εύρους τιμών. Το προϊόν πρέπει να έχει τη δυνατότητα αυτοματοποιημένου ελέγχου των τιμών των πεδίων με χρήση αναζητήσεων σε βάσεις δεδομένων. Το προϊόν πρέπει να έχει τη δυνατότητα αυτοματοποιημένου ελέγχου των τιμών των πεδίων με χρήση ελέγχων γραμμένων σε script. Το προϊόν πρέπει να δίνει τη δυνατότητα εξαγωγής των εικόνων στις ακόλουθες μορφές: TIFF JPEG JPEG2000 PNG PCX BMP PDF με δυνατότητα αναζήτησης κειμένου PDF/Α με δυνατότητα αναζήτησης κειμένου MRC PDF με δυνατότητα αναζήτησης κειμένου Το προϊόν πρέπει να δίνει τη δυνατότητα εξαγωγής των συλλεχθέντων πεδίων στις ακόλουθες

121 Παραδοτέο Π μορφές αρχείων: XML CSV XLS TXT DBF Το προσφερόμενο λογισμικό SDK να υποστηρίζει το πρότυπο COM και να μπορεί να χρησιμοποιηθεί σε C/C++,VB6, VB,.Net, Delphi. Το προσφερόμενο λογισμικό SDK να περιλαμβάνει κλάσεις Java οι οποίες μπορούν να χρησιμοποιηθούν από εφαρμογές Java. Η εγκατάσταση του SDK λογισμικού να περιλαμβάνει δείγματα πηγαίου κώδικα τουλάχιστον στις κάτωθι γλώσσες προγραμματισμού: C/C++, VB6, VB.Net, C#, Delphi. Το προσφερόμενο λογισμικό SDK να υποστηρίζει περιβάλλον MS Windows. Το προσφερόμενο λογισμικό θα περιλαμβάνει και ειδική άδεια εκτέλεσης της τελικής εφαρμογής που θα αναπτυχθεί από τον Ανάδοχο. Η άδεια εκτέλεσης (Runtime License) θα πρέπει να καλύπτει τις ανάγκες του φορέα όσον αφορά το μέγιστο πλήθος των σελίδων προς επεξεργασία ανά έτος το οποίο ανέρχεται στις σελίδες. Ο Ανάδοχος θα αναπτύξει εφαρμογή συλλογής δεδομένων από έγγραφα με χρήση του προσφερόμενου SDK λογισμικού σύμφωνα με τις ανάγκες του Φορέα.

122 Παραδοτέο Π Ο Ανάδοχος πρέπει να προσφέρει υπηρεσίες εγκατάστασης του λογισμικού SDK σε Η/Υ του Φορέα. Να αναφερθούν οι ελάχιστες προδιαγραφές Η/Υ που απαιτούνται. Ο Ανάδοχος πρέπει να προσφέρει υπηρεσίες εγκατάστασης της εφαρμογής που ανέπτυξε σε Η/Υ του Φορέα. Να αναφερθούν οι ελάχιστες προδιαγραφές Η/Υ που απαιτούνται. Ο Ανάδοχος πρέπει να προσφέρει υπηρεσίες εκπαίδευσης των χρηστών της εφαρμογής συλλογής δεδομένων από έγγραφα που ανέπτυξε. Το λογισμικό SDK καθώς και η εφαρμογή συλλογής δεδομένων που θα αναπτυχθεί από τον ανάδοχο πρέπει να συνοδεύονται από εγγύηση ενός έτους, δηλαδή την επιδιόρθωση τυχόν κατασκευαστικών λαθών, την τεχνική υποστήριξη, καθώς και την παροχή νέων αναβαθμίσεων και εκδόσεων του προϊόντος. Το λογισμικό SDK καθώς και η εφαρμογή συλλογής δεδομένων που θα αναπτυχθεί από τον ανάδοχο πρέπει να έχουν τη δυνατότητα επέκτασης της εγγύησης πέραν του ενός έτους. 8. Γραφικές Διεπαφές Χρηστών «ΠΑΥΕΥΣ» Για την υλοποίηση των γραφικών διεπαφών των χρήστών του συστήματος «ΠΑΥΕΥΣ», λήφθηκαν υπόψη τόσο η ομαδοποίηση των χρηστών και οι λειτουργικές απαιτήσεις όπως αυτές καθορίσθηκαν στο παραδοτέο Π1.3.1 όσο και η διαφορετικοί τύποι συσκευών που θα χρησιμοποιηθούν για την πρόσβαση στο σύστημα «ΠΑΥΕΥΣ» ώστε να είναι δυνατή η λεπτομερέστερη καταγραφή των απαιτήσεων σχεδιασμού των διεπαφών.

123 Παραδοτέο Π Cases Expert Ακολουθεί η παρουσίαση των οθονών του συστήματος που απαιτούνται για την κάλυψη της λειτουργικότητας των experts κατά την εισαγωγή περιπτώσεων (cases) στο σύστημα «ΠΑΥΕΥΣ». Εικόνα 15 Οθόνη Εισαγωγής Expert Η ενδεικτική οθόνη που θα συναντά ο χρήστης (expert) ακολουθώντας το url για την εισαγωγή στο σύστημα εισαγωγής περιπτώσεων είναι αυτή που απεικονίζεται παραπάνω Εικόνα 15. Ανάλογα με την ιδιότητά του, θα επιλέγει μία από τις δύο επιλογές (είσοδος διαχειριστών ή experts) και θα οδηγείται στην επόμενη οθόνη.

124 Παραδοτέο Π Εικόνα 16 Είσοδος Expert Η ενδεικτική οθόνη που απεικονίζεται στην Εικόνα 16 θα απαιτεί από το χρήστη (expert) να εισάγει τα στοιχεία ταυτοποίησής του, προκειμένου να του επιτραπεί η είσοδος στο σύστημα. Επιπλέον, θα υπάρχει η δυνατότητα επιλογής της γλώσσας στην οποία θέλει να εμφανίζεται το μενού της εφαρμογής (Δυνατές γλώσσες: Αγγλικά, Ελληνικά). Στην επόμενη Εικόνα 17 απεικονίζεται το κύριο μενού που θα βλέπει ο χρήστης (expert). Οι βασικές λειτουργίες που θα προσφέρει το σύστημα θα απεικονίζονται στο αριστερό τμήμα της οθόνης και είναι η λειτουργία του Πίνακα Ελέγχου (Dashboard), η λειτουργία εισαγωγής ή εμφάνισης περιπτώσεων (add case or view my cases) και η λειτουργία Υποστήριξης Χρηστών (Support Desk), η οποία θα επιτρέπει την εισαγωγή/προσθήκη ticket ή την εμφάνιση κάποιου ήδη εισηγμένου. A. Dashboard Ο Πίνακας Ελέγχου θα δίνει διάφορες δυνατότητες στο χρήστη, όπως παρουσιάζονται ενδεικτικά αυτές στην επόμενη Εικόνα 17. Πρόκειται για ανακοινώσεις (announcements) που θα αφορούν σε πιθανά νέα που θα πρέπει να αναρτώνται ώστε να ενημερώνονται συνολικά οι experts, ειδοποιήσεις (notifications) που πιθανά θα αφορούν εξατομικευμένα τον κάθε expert, εκθέσεις (reports) που θα προκύπτουν ως έξοδος από το

125 Παραδοτέο Π σύστημα και θα μπορεί να είναι για παράδειγμα καταχωρημένες περιπτώσεις, έγγραφα (documents) και το προφίλ (profile) του χρήστη, το οποίο θα μπορεί ο ίδιος να επεξεργάζεται. B. Cases B.1. Λειτουργία Add Case Εικόνα 17 Ενδεικτική Οθόνη Κεντρικού Μενού Expert Επιλέγοντας τη λειτουργία "add case" που είναι η βασική λειτουργία που θα επιτελεί ο expert, το σύστημα θα πρέπει να κατευθύνει το χρήστη στην επόμενη ενδεικτική οθόνη Εικόνα 18.

126 Παραδοτέο Π Εικόνα 18 Κεντρική Οθόνη Εισαγωγής Case Η οθόνη αυτή θα αναπαριστά τις τρεις επιμέρους ενότητες που θα συνιστούν την ολοκλήρωση μίας εισαγωγής. Θα πρόκειται για τις βασικές πληροφορίες "Main", που θα είναι υποχρεωτική η εισαγωγή τους (η ενότητα Main απεικονίζεται στην παραπάνω οθόνη, η επιλογή της φαίνεται από το γκρι χρώμα του Main), τις πληροφορίες που αφορούν στο προφίλ του ατόμου που σχετίζεται με την εκδήλωση της συμπεριφοράς "Profile Information" και το βασικό τμήμα της λειτουργίας εισαγωγής περίπτωσης που είναι η καταγραφή της συμπεριφοράς (Ενότητα "Behaviour").

127 Παραδοτέο Π Στη συνέχεια, θα αναπαρασταθούν με ενδεικτικές οθόνες οι άλλες δύο ενότητες "Profile Information" και "Behaviour" και τα πεδία που θα συμπεριλαμβάνονται θα παρουσιαστούν ενδεικτικά (τμήμα αυτών). Εικόνα 19 Ενδεικτική Οθόνη Profile Information

128 Παραδοτέο Π Στην ανωτέρω Εικόνα 19 παρουσιάζεται η ενδεικτική οθόνη που θα βλέπει ο χρήστης (expert) όταν θα μετακινείται στην ενότητα "Profile Information", όπου θα καλείται να εισάγει στοιχεία διάγνωσης και παράγοντες κινδύνου με δυνατότητα έως και 5 επιλογών για το καθένα. Οι δυνατές επιλογές, καθ' όλη τη διάρκεια εισαγωγής της περίπτωσης στις ενότητες Profile Information και Behaviour, με εξαίρεση τα δυαδικού τύπου πεδία, θα παρουσιάζονται με δενδρική δομή όπως φαίνεται στην επόμενη Εικόνα 20. Εικόνα 20 Δενδρική Δομή Επιλογών Μενού Στην επόμενη Εικόνα 21. παρουσιάζεται η ενδεικτική οθόνη που θα βλέπει ο χρήστης όταν διαλέξει την ενότητα "Behaviour". Τα βέλη δείχνουν τον τρόπο με τον οποίο θα του δίνεται η δυνατότητα να συνδέσει συμπεριφορές μεταξύ τους ανά περίοδο.

129 Παραδοτέο Π Εικόνα 21 Τρόπος Αναπαράστασης Σύνδεσης Συμπεριφορών Ο χρήστης (expert) θα διαλέγει μία από τις συμπεριφορές (Behaviour 1,2,3,4,5) ανάλογα με την περίοδο στην οποία θέλει να καταγράψει συμπεριφορά. Επιλέγοντας την αντίστοιχη συμπεριφορά, θα κατευθύνεται στην επόμενη οθόνη Εικόνα 22 στην οποία παρουσιάζεται μία από τις 3 ενότητες που περιγράφουν τη συμπεριφορά, τα προγενόμενα και τον αντίκτυπο. Σε αυτή (description of event) θα γίνεται καταγραφή της συμπεριφοράς και άλλων διαστάσεων που τη χαρακτηρίζουν όπως ένταση, συχνότητα αλλά και περιγραφή της τοποθεσίας που συνέβη το περιστατικό. Στην ενδεικτική οθόνη απεικονίζεται μόνο το βασικό (υποχρεωτικό) πεδίο (description of behaviour) και όχι τα υπόλοιπα πεδία που προαναφέρθηκαν.

130 Παραδοτέο Π Εικόνα 22 Οθόνη Περιγραφής Συμπεριφοράς Επιλέγοντας την ενότητα "Antecedents" θα κατευθύνεται στην επόμενη οθόνη Εικόνα 23 στην οποία, θα συμπληρώνει μία σειρά από πεδία, που θα αφορούν στα προγενόμενα που συνετέλεσαν στην εκδήλωση της συμπεριφοράς όπως ενδεικτικά παρουσιάζονται, η κατάσταση του ατόμου λίγο πριν την εκδήλωση της συμπεριφοράς (state of the person), φυσικό περιβάλλον (physical environment), ποιοι ενεπλάκησαν (who was involved), τοποθεσία (location), συγκεκριμένα προγενόμενα (specific triggers).

131 Παραδοτέο Π Εικόνα 23 Οθόνη Antecedents Τέλος, επιλέγοντας την ενότητα "Outcome" θα του προβάλλεται μία οθόνη (όπως ενδεικτικά παρουσιάζεται τμήμα της στην Εικόνα 24), στην οποία θα καλείται να συμπληρώσει μία σειρά από πεδία σχετικά με τον αντίκτυπο της συμπεριφοράς που παρουσιάστηκε, με κύρια αναφορά στην απάντηση/απόκριση/παρέμβαση του ειδικού στην εκδήλωση της συμπεριφοράς (what was the response to the behaviour) και στην αποτελεσματικότητα ή όχι αυτής, γεγονός που θα οδηγεί ουσιαστικά (όχι με αυτόματο έλεγχο αλλά με την κριτική ματιά του ειδικού) αντίστοιχα στον τερματισμό της συμπεριφοράς σε αυτή την περίοδο ή στην ανάγκη για αναφορά σε επόμενη περίοδο με καταγραφή άλλης συμπεριφοράς. Οι οθόνες που θα παρουσιάζονται για την καταγραφή μίας άλλης

132 Παραδοτέο Π συμπεριφοράς σε ίδια ή επόμενη περίοδο είναι ακριβώς οι ίδιες με αυτές που έχουν ήδη περιγραφεί στην ενότητα "Behaviour". Εικόνα 24 ενδεικτική Οθόνη Outcome B.2. Λειτουργία View my Cases Επιλέγοντας από το κύριο μενού τη λειτουργία εμφάνισης των ήδη ολοκληρωμένων από το χρήστη περιπτώσεων, του προβάλλεται μία οθόνη Εικόνα 25 στην οποία παρουσιάζονται οι περιπτώσεις (με το όνομα της περίπτωσης, την ηλικία, το φύλο, την ημερομηνία και ώρα εισαγωγής της και οι ενέργειες που θα του δίνεται η δυνατότητα να κάνει είναι να δει

133 Παραδοτέο Π την περίπτωση, να την επεξεργαστεί και να τη διαγράψει) που έχει ήδη εισάγει, ώστε να επιλέξει αυτή την οποία θέλει να εμφανίσει. Εμφανίζοντας μία περίπτωση, ο χρήστης (expert) μπορεί εκτός από το να δει την περίπτωση, να την επεξεργαστεί κιόλας και να την αποθηκεύσει ξανά με τις νέες αλλαγές ή προσθήκες. Γ. Λειτουργία Support Desk Εικόνα 25 Ενδεικτική Οθόνη Προβολής My Cases Γ.1. Λειτουργία Προσθήκης Ticket (Add New ticket) Όταν ο χρήστης (expert) θα επιλέγει αυτή τη λειτουργία (προσθήκη ticket), θα κατευθύνεται σε μία οθόνη Εικόνα 26 που θα του δίνει τη δυνατότητα να προσθέσει ένα θέμα που τον απασχολεί (subject, να καταγράψει την κατηγορία αυτού επιλέγοντας από μία λίστα με δυνατές τιμές, να το περιγράψει με λόγια και να σημειώσει το βαθμό σημαντικότητάς του) και να απευθύνει το αίτημα για επίλυση του θέματος προς το σύστημα και συγκεκριμένα τους διαχειριστές.

134 Παραδοτέο Π Εικόνα 26 Οθόνη Λειτουργίας Add Ticket Γ.2. Λειτουργία Εμφάνισης Ticket (View tickets) Όταν ο χρήστης (expert) θα επιλέγει τη λειτουργία Εμφάνισης Ticket (View tickets), θα μπορεί να δει τα tickets που έχει ήδη προσθέσει ανά κατηγορία και να ελέγξει την κατάστασή τους. Η επίλυσή τους μπορεί να εκκρεμεί (pending) ή να έχει τελειώσει (resolved) και θα παρουσιάζεται επίσης, η ημερομηνία που δημιουργήθηκε το ticket, το θέμα του και η σημαντικότητά του, όπως φαίνεται στην ενδεικτική οθόνη που ακολουθεί Εικόνα 27.

135 Παραδοτέο Π Εικόνα 27 Οθόνη Eμφάνισης Tickets 8.2 Cases Moderators Η πλατφόρμα «ΠΑΥΕΥΣ» θα εξυπηρετεί και την πρόσβαση των moderators. Πρόκειται για χρήστες που βρίσκονται ένα επίπεδο πιο πάνω από τον χρήστη expert. Είναι εξειδικευμένοι χρήστες του συστήματος οι οποίοι εγγράφονται από τον Administrator, έχουν πλήρη δικαιώματα δημιουργίας, ανανέωσης, διαγραφής και εμφάνισης δικών τους περιπτώσεων, εμφάνισης και διαγραφής περιπτώσεων των experts και προσθήκης ή αφαίρεσης experts. Οι οθόνες που θα βλέπουν αναφορικά με την προσθήκη ή εμφάνιση περιπτώσεων (cases) και tickets θα είναι οι ίδιες με τους απλούς experts, αλλά θα τους δίνονται και επιπλέον δυνατότητες, όπως προαναφέρθηκε, με τις παρακάτω ενδεικτικές οθόνες. Στο κύριο μενού, θα υπάρχει άλλη μία κατηγορία, η οποία θα ονομάζεται "Experts", η οποία θα δίνει τρεις δυνατότητες (λειτουργίες) στον moderator. Αυτές θα είναι: η εμφάνιση των υπαρχόντων στη Βάση experts η εμφάνιση των cases των experts και

136 Παραδοτέο Π η προσθήκη νέου λογαριασμού expert. View Experts Στον moderator με την επιλογή της ενότητας "Experts" θα παρουσιάζονται οι 3 προαναφερθείσες δυνατές λειτουργίες. Επιλέγοντας την πρώτη "View Experts" θα προβάλλεται μία οθόνη όπως ενδεικτικά απεικονίζεται στην παρακάτω Εικόνα 28, όπου θα παρουσιάζονται οι experts του συστήματος με το username τους, το ονοματεπώνυμό τους, την κατάσταση του λογαριασμού τους (account status active or not) και θα υπάρχουν ενεργές και οι δυνατότητες επεξεργασίας ή διαγραφής του λογαριασμού ενός expert (actions- edit/delete). View Experts Cases Εικόνα 28 Οθόνη Επιλογών Moderator Η επιλογή της λειτουργίας εμφάνισης περιπτώσεων από τον moderator θα οδηγεί στην εμφάνιση μίας οθόνης, όπως ενδεικτικά παρουσιάζεται στην επόμενη Εικόνα 29, όπου θα δίνεται η δυνατότητα εμφάνισης των ήδη καταχωρημένων περιπτώσεων ανά expert και ανά ημερομηνία ή εύρος ημερομηνίας. Θα δίνεται επίσης, η δυνατότητα στον moderatorνα διαγράψει συγκεκριμένο case με την επιλογή "Delete".

137 Παραδοτέο Π Add New Expert Account Εικόνα 29 Οθόνη Εμφάνισης Περιπτώσεων O moderator θα έχει τη δυνατότητα να κάνει προσθήκη νέου expert, εισάγοντας κάποια στοιχεία (Όνομα, Επώνυμο, username, password και κατάσταση λογαριασμού - ενεργή ή απενεργοποιημένη) γι' αυτόν, όπως προκύπτει στην επόμενη Εικόνα 30. Εικόνα 30 Οθόνη Δημιουργίας Λογαριασμού Expert

138 Παραδοτέο Π Rules Expert- Knowledge Engineer Το σύστημα «ΠΑΥΕΥΣ» θα προσφέρει στους ειδικούς τη δυνατότητα εισαγωγής κανόνων, σύμφωνα με τους οποίους θα πραγματοποιείται η διαδικασία παροχής καθοδήγησης αντιμετώπισης περιστατικών (cases) στους τελικούς χρήστες τους συστήματος. Οι απαιτούμενες γραφικές διεπαφές για την υποστήριξη της διαδικασίας απεικονίζεται στις ακόλουθες ενδεικτικές εικόνες. Με δεδομένο ότι η πρόσβαση πραγματοποιείται web εφαρμογής που θα αναπτυχθεί στο πλαίσιο του έργου, για να γίνει η έναρξη της διαδικασίας καταχώρησης «Κανόνα» απαιτείται γραφική διεπαφή με τις αντίστοιχες επιλογές όπως εμφανίζεται στην ακόλουθη Εικόνα 31. Εικόνα 31 Ενδεικτική Κεντρική Οθόνη Εισαγωγής Κανόνων Επιλέγοντας από το μενού «Προσθήκη» της προηγούμενης οθόνης, ο χρήστης θα πρέπει να έχει τη δυνατότητα να μεταβαίνει στην «Φόρμα Εισαγωγής Κανόνα» η οποία θα έχει την μορφή που παρουσιάζεται στην επόμενη Εικόνα 32

139 Παραδοτέο Π Εικόνα 32 Ενδεικτική Οθόνη Φόρμας Εισαγωγής Κανόνα Για να καταχωρήσει έναν κανόνα ο χρήστης θα πρέπει να επιλέξει από την πρώτη λίστα στην ανωτέρω εικόνα τον Expert που συντάσσει τον κανόνα και από την δεύτερη λίστα τον Μηχανικό Γνώσης που καταχωρεί τον κανόνα. Στην συνέχεια θα επιλέγει Έννοιες από την Οντολογία που βρίσκεται στην λίστα στα αριστερά της Φόρμας Εικόνα 33.

140 Παραδοτέο Π Εικόνα 33 Ενδεικτική Διεπαφή Τρόπου Επιλογής Εννοιών Αφού επιλέξει τις έννοιες από την Οντολογία θα πρέπει να δηλώσει εάν αυτές ανήκουν στο If ή στο Then και με τα βελάκια θα περνά τις έννοιες στο αντίστοιχο δεξιό μέρος της Φόρμας, στο αντίστοιχο παράθυρο όπως εμφανίζεται στην Εικόνα 34.

141 Παραδοτέο Π Εικόνα 34 Διεπαφή Κατηγοριοποίησης Παραμέτρων Κανόνα Στο επόμενο βήμα θα πρέπει το σύστημα να δίνει την δυνατότητα ολοκλήρωσης και ελέγχου του κανόνα. Έτσι όταν ο χρήστης θα ολοκληρώσει την δημιουργία του κανόνα καταχωρεί τον κανόνα πατώντας στο ΟΚ και η εφαρμογή θα ελέγχει αν ο κανόνας είναι σωστός ή όχι πληροφορώντας τον χρήστη για το αποτέλεσμα της διαδικασίας όπως εμφανίζεται στην ακόλουθη Εικόνα 35.

142 Παραδοτέο Π Εικόνα 35 Φόρμα Προειδοποίησης Πιθανών Σφαλμάτων Ο χρήστης θα έχει τη δυνατότητα να διορθώσει τον κανόνα πριν την οριστική καταχώρηση ή να προχωρήσει στην καταχώρηση του κανόνα χωρίς να πραγματοποιήσει διόρθωση όπως φαίνεται και στην επόμενη Εικόνα 36.

143 Παραδοτέο Π Εικόνα 36 Δυνατότητες Καταχώρησης Κανόνα Τυχόν διορθώσεις θα πρέπει να υποστηριχθούν από αντίστοιχες γραφικές διεπαφές που θα δίνουν την δυνατότητα στον χρήστη να πραγματοποιεί τις επιθυμητές τροποποιήσεις όπως εμφανίζεται στην ακόλουθη Εικόνα 37 Εικόνα 37 Ενδεικτική Διεπαφή Τροποποίησης Παραμέτρων Κανόνων Μετά την ολοκλήρωση των διορθώσεων των παραμέτρων θα μπορεί να καταχωρείται ο κανόνας ως ελεγμένος.

144 Παραδοτέο Π OLAP Administrator Εικόνα 38 Καταχώρηση Ελεγμένου Κανόνα Για τις ανάγκες ανάλυσης των δεδομένων του συστήματος «ΠΑΥΕΥΣ» και για την εξαγωγή χρήσιμων συμπερασμάτων, θα δημιουργηθεί μια εφαρμογή Web όπου θα παρουσιάζει κύβους OLAP στους οποίους θα έχουν πρόσβαση μόνο εξουσιοδοτημένα άτομα. Η Web εφαρμογή OLAP θα ενσωματωθεί με το «ΠΑΥΕΥΣ» και θα συνδεθεί με τη βάση δεδομένων του συστήματος. Η πρόσβαση θα δίνεται σε εξειδικευμένους χρήστες, οι οποίοι θα έχουν δυνατότητα αλληλεπίδρασης με τους κύβους και να καθορίζουν τις πληροφορίες που θα εμφανίζονται. Θα μπορούν να εκτελούν πράξεις επί των κύβων (Rollup, Drill-down, Slice, Pivot) και θα υπάρχει δυνατότητα αποθήκευσης της τρέχουσας εμφάνισης του κύβου σε διάφορους τύπους αρχείων (π.χ. spreadsheet, pdf κ.α.). Η ακόλουθη Εικόνα 39 παρουσιάζει την ενδεικτική διεπαφή για το υποσύστημα OLAP της πλατφόρμας «ΠΑΥΕΥΣ».

145 Παραδοτέο Π Εικόνα 39 Ενδεικτική Διεπαφή Web Εφαρμογής OLAP Στις επόμενες ενδεικτικές οθόνες (Εικόνα 40, Εικόνα 41) παρουσιάζεται ο αναμενόμενος τρόπος παρουσίασης των αποτελεσμάτων των πράξεων που εκτελούνται μέσα από το σύστημα OLAP της εφαρμογής «ΠΑΥΕΥΣ».

146 Παραδοτέο Π Εικόνα 40 Ενδεικτικός Τρόπος Παρουσίασης Αποτελεσμάτων Α Εικόνα 41 Ενδεικτικός Τρόπος Παρουσίασης Β

147 Παραδοτέο Π Regular User Οι απλοί χρήστες του συστήματος ΠΑΥΕΣ αποκτούν πρόσβαση στο σύστημα μετά την εγγραφή τους, Κατά την πρώτη επίσκεψη στην πλατφόρμα θα πρέπει να κάνουν εγγραφή και στην συνέχεια να χρησιμοποιήσουν το σύστημα σύμφωνα με δικαιώματα που προκύπτουν. Ακολουθεί η παρουσίαση των γραφικών διεπαφών που αφορούν την εξυπηρέτηση του χρήστη αυτής της κατηγορίας. Εικόνα 42 Κεντρική Οθόνη Regular Χρήστη Κατά την πρώτη είσοδο στο σύστημα ο χρήστης θα καλείται να δημιουργήσει τον προσωπικό του λογαριασμό εισάγοντας ένα σύνολο πληροφοριών και να δώσει την περιγραφή της ιδιότητας του επιλέγοντας από τις κατηγορίες Γονέας/ Κηδεμόνας, Ειδικός (Ψυχολόγος, Λόγο/Έργοθεραπευτής, Παιδαγωγός, Γυμναστής ΑΜΕΑ), Εκπαιδευτικός, Συγγενής, Φίλος, Άλλο.

148 Παραδοτέο Π Εικόνα 43 Σελίδα Εγγραφής Regular User Στην συνέχεια θα μπορεί να επιλέγει τύπο συμβάντος για το οποίο επιθυμεί πληροφορίες όπως εμφανίζεται στην ακόλουθη ενδεικτική οθόνη:

149 Παραδοτέο Π Εικόνα 44 Οθόνη Περιγραφής Περιστατικού Για την πλήρη περιγραφή του περιστατικού απαιτείται η περιγραφή των χαρακτηριστικών του ατόμου η οποία περιλαμβάνει (1) το φύλο του ατόμου, (2) την ηλικία και τα στοιχεία της χρονικής στιγμής που συνέβη το περιστατικό. Η όλη διαδικασία θα πραγματοποιείται μέσω της κατωτέρω ενδεικτικής οθόνης:

150 Παραδοτέο Π Εικόνα 45 Οθόνη Εισαγωγής Χαρακτηριστικών Ατόμου Μετά την εισαγωγή των πληροφοριών στην οθόνη που εμφανίζεται στην Εικόνα 45 ο χρήστης θα κατευθύνεται στην σελίδα των αποτελεσμάτων διάγνωσης. Μέσα από την σελίδα αυτή αναμένεται να προβάλλονται ένα πλήθος 1-5 απαντήσεων για την αντιμετώπιση του περιστατικού. Η οθόνη παρουσίασης των διαγνώσεων αναμένεται να είναι ως εξής:

151 Παραδοτέο Π Εικόνα 46 Οθόνη Παρουσίασης Διαγνώσεων Στη συνέχεια ο χρήστης καλείται να συσχετίσει το κόστος του περιστατικού αναφορικά με ίδιο το άτομο ή το περιβάλλον του. Για την καταχώρηση της πληροφορίας απαιτείται η δημιουργία γραφικής διεπαφής που θα επιτρέπει την καταχώρηση μέσω προκαθορισμένης λίστας τιμών. Η αναμενόμενη γραφική διεπαφή παρουσιάζεται στην ακόλουθη Εικόνα 47.

152 Παραδοτέο Π Εικόνα 47 Οθόνη Εισαγωγής Κόστους Περιστατικού Σε όλη τη διάρκεια της πλοήγησης του Regular User θα υπάρχει η δυνατότητα να ανατρέχει σε επεξηγηματικές οθόνες αναφορικά με την χρήση του συστήματος. Οι οθόνες βοήθειας θα πρέπει να υλοποιηθούν μέσω γραφικών διεπαφών της μορφής που εμφανίζεται στην ακόλουθη Εικόνα 48.

153 Παραδοτέο Π Εικόνα 48 Ενδεικτική Οθόνη Βοήθειας Χρήστη 8.6 Advanced User Ο ρόλος του Advanced User προσδίδει στους χρήστες της κατηγορίας τη δυνατότητα πλέον των λειτουργιών που εκτελεί ο Regular User να προβαίνει και στην αξιολόγηση προτάσεων αντιμετώπισης περιστατικών που δόθηκαν από το σύστημα.

154 Παραδοτέο Π Στην παρούσα παράγραφο θα παρουσιαστούν οι απαιτούμενες γραφικές διεπαφές που αφορούν τη διαδικασία αξιολόγησης περιπτώσεων δεδομένο ότι οι υπόλοιπες ενέργειες του Advanced User θα εξυπηρετηθούν από τις διεπαφές που έχουν περιγραφεί στην αντίστοιχη ενότητα διεπαφών Expert. Για την διαδικασία αξιολόγησης απαιτείται η υλοποίηση μια σειράς γραφικών διεπαφών η οποίες παρουσιάζονται κατωτέρω. Εικόνα 49 Οθόνη Επιλογής Διαδικασίας Αξιολόγησης

155 Παραδοτέο Π Αρχικά ο χρήστης θα επιλέγει την περίπτωση (case) που επιθυμεί να αξιολογήσει, μέσα από μια λίστα του συνόλου των περιπτώσεων που έχει καταχωρήσει σε προηγούμενες συνδέσεις με το σύστημα. Εικόνα 50 Οθόνη Επιλογής Περίπτωσης για Αξιολόγηση Μετά την επιλογή της περίπτωσης όπως εμφανίζεται στην ανωτέρω Εικόνα 50 εμφανίζεται στον χρήστη η οθόνη αξιολόγησης της περίπτωσης της με τις ερωτήσεις που πρέπει να απαντηθούν από τον χρήστη όπως ενδεικτικά παρουσιάζεται στην Εικόνα 51.

156 Παραδοτέο Π Εικόνα 51 Οθόνη Ερωτήσεων Αξιολόγησης Περίπτωσης Μετά την ολοκλήρωση των απαντήσεων στις ερωτήσεις θα πρέπει ο χρήστης να αποθηκεύει τις απαντήσεις για να ολοκληρωθεί η διαδικασία καταχώρησης της αξιολόγησης στο σύστημα. Η καταχώρηση θα γίνεται μέσω της διεπαφής υποβολής απαντήσεων που εμφανίζεται στην επόμενη Εικόνα 52.

157 Παραδοτέο Π Εικόνα 52 Οθόνη Αποθήκευσης Αξιολόγησης Περίπτωσης Μετά την ολοκλήρωση της διαδικασίας αξιολόγησης περίπτωσης ο χρήστης θα έχει τη δυνατότητα είτε να αξιολογήσει επόμενη περίπτωση ακολουθώντας την ίδια αλληλουχία ενεργειών ή να εξέλθει από την διαδικασία αξιολόγησης και να μεταφερθεί στην κεντρική οθόνη επιλογών. Η αναμενόμενη γραφική διεπαφή εμφανίζεται στην επόμενη Εικόνα 53.