каморка папыВлада
журнал Техника - Молодежи 1981-07 текст-1
Меню сайта

Поиск

Статистика

Друзья

· RSS 19.06.2019, 19:44

скачать журнал

страница следующая ->

ISSN 0320-331X
Техника-Модожежи 7 1981

Репортаж из... Атлантиды
Диалог человека и машины
Извечная тайна цвета
На зов электрического поля


Время искать и удивляться
1. МИКРОБЫ В ЛУЧАХ ЛАЗЕРА
Всем известны многочисленные «профессии» лазера — то он выступает в роли скальпеля, то становится измерительным прибором, то линией связи. А как реагируют бактерии на когерентное излучение? Этим вопросом задались ученые ФРГ. Они создали сложнейшую установку для наблюдения за реакцией кишечных бактерий при воздействии на них лучом рубинового лазера.
2. КРИСТАЛЛЫ НА ЛЮБОЙ ВКУС
Прямые грани, идеально ровные поверхности, острые углы — такими мы представляем себе обычные, «правильные» кристаллы. Совсем иначе выглядят некоторые из них, выращенные искусственно. В зависимости от пожелания создателей они могут быть сглаженными и даже округлой формы. Через электронный микроскоп в их структуре просматриваются мягкие волнообразные линии, кольца, замысловатые башни и пропасти... И тем не менее при всем многообразии линий атомная и молекулярная структура искусственного кристалла подчинена столь же строгим закономерностям.
3. „ФИНИШ" ДЛЯ МЕТАЛЛА
Не так уж и трудно бывает порой выточить хитроумную деталь, значительно сложнее «довести» ее поверхность до необходимой «гладкости». Металлисты называют такие операции финишными и используют при этом самые различные станки, абразивы, полировочные материалы. Специалисты физико-технического института изобрели не так давно совершенно новый способ окончательной доводки. Частицы абразива, подвешенные в магнитном поле, без всяких осложнений полируют детали любых размеров, вплоть до медной фольги толщиной 0,05 мм.
4. КАК СДЕЛАТЬ АТОМНЫЙ РЕАКТОР
Проектная годовая мощность производственного объединения «Атоммаш» — оборудование для атомных электростанций с реакторами типа ВВЭР суммарной мощностью 8 млн. кВт. Для того чтобы построить такой реактор, многотонные заготовки обрабатываются на уникальнейших станках, изготовленных специально для этой цели в. Коломне, Ульяновске, Москве, Сибири, Италии, ФРГ, Японии...
5. КАНАВА ТОЛЬКО ДЛЯ УАЗа
Автомобильный завод в Ульяновске выпускает машины, которым нет равных в мире по проходимости. Итальянец Луиджи Марторелли, продающий в Милане советские автомобили, соорудил эту канаву, склоны которой спускаются вниз под углом в 45°, специально для демонстрации высокого качества УАЗ-469. «После того как машина выбирается из ямы, — говорит продавец, — у покупателя не остается сомнений в ее удивительных возможностях».
6. КСИЛИТ ВМЕСТО САХАРА?
Современная медицина утверждает, что с сахаром пора кончать. Оказывается, «сладенькое» любят не только люди, но и бактерии, вызывающие кариес (их фото вы видите на снимке). Что же делать? Следует просто заменить сладкую субстанцию (сахарозу свеклы и тростника) на иную — например, на ксилит, содержащийся в древесине березы. Уж его-то бактерии не любят...
7. ДОН, КОТОРЫЙ ПОСТРОИЛ ДЖОН
Не странно ли, что в нашу эпоху удивительных архитектурных находок, активного градостроительства кто-то возводит сооружение, напоминающее нечто среднее между землянкой и бункером? Но у Джона Бернарда, архитектора из Миннесоты (США), есть свои соображения. «Такой дом легче отапливать, солнечные элементы собирают энергию светила, которая затем аккумулируется, а кроме того, моему зданию не страшны ужасные торнадо, разгуливающие над континентом».


К ВЫСОТАМ НАУЧНО-ТЕХНИЧЕСКОГО ПРОГРЕССА

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
ГЕРМОГЕН ПОСПЕЛОВ, член-корреспондент АН СССР

XXVI съезд КПСС отметил, что, несмотря на достигнутые успехи в народном хозяйстве, механизм управления и планирования не удалось еще поднять на уровень современных требований. Вот почему в решениях высшего партийного форума указывается на необходимость совершенствовать структуру и методы управления, разрабатывать научно обоснованные системы управления, опирающиеся на точные расчеты, на планы, нацеленные на конечный результат, на полное решение поставленных проблем. Для этого, в частности, рекомендуется обратить внимание на новейшие достижения научных исследований «применительно к современным требованиям управления, планирования и анализа хозяйственной деятельности с широким использованием возможностей электронно-вычислительной техники».
Наш корреспондент Валентина КЛИМОВА обратилась к члену-корреспонденту АН СССР Гермогену Сергеевичу ПОСПЕЛОВУ, председателю Научного совета по искусственному интеллекту, с просьбой рассказать о возможностях, предоставляемых для решения задач управления и планирования при использовании таких новейших достижений науки, как искусственный интеллект и системный анализ.
* * *
Прежде чем начать разговор об очень сложной и очень интересной проблеме, вынесенной в заголовок, необходимо сделать «объясняющее» отступление. Нужно сказать, что термин «искусственный интеллект» не совсем удачен. Он гипнотизирует многих, особенно людей, далеких от кибернетики, заставляет их настраиваться на определенную волну небывалых доселе возможностей и достижений, которые станут посильны столь могучему помощнику человека.
Поэтому сразу следует очертить границы распространения термина, выделив главное: искусственный интеллект не синоним искусственного разума, а исследовательское направление в науке, к которому относятся проблемы и задачи невычислительного характера, требующие переработки смысловой информации. Естественно, к ним относятся задачи управления и планирования, тем более что здесь особенно велика интеллектуальная составляющая, связанная с использованием ЭВМ.
ОТ ДАННЫХ — К ЗНАНИЯМ
Определяя сферу работ в области искусственного интеллекта, исследователи обычно разделяют ее на три части.
В первую включены работы, направленные на создание различных моделей, позволяющие решать проблемы, которые в психологии принято называть творческими. При этом создатели моделей не ставят перед собой задачу имитировать те процессы, что протекают у человека, решающего такую задачу. Сравнение идет по-другому: по эффективности получения результата и его качеству.
Исследования, объединенные во вторую группу, наоборот, прямо ориентированы на имитирование различных психологических процессов, протекающих у человека или животного. Цель — получить в искусственной модели те же результаты при решении проблем, к каким приходит естественный интеллект.
Наконец, третью группу представляют исследования, где затрагивается проблема взаимодействия человека и искусственного интеллекта в рамках более широкой, объемлющей системы. Примером подобных исследований являются работы над созданием эффективных человеко-машинных систем для решения сложных информационных и управленческих задач.
Любая задача, характерная для каждой из этих групп, отличается не только трудностью, но практически невозможностью построить для ее решения «модель вообще», абстрактную. Здесь требуется модель для решения именно данной, реальной задачи, фиксирующая все ее индивидуальные особенности.
Для решения интеллектуальной задачи с помощью ЭВМ стало необходимым построить сложную модель «внешнего машинного мира». А чтобы описать ее, оказалось недостаточно традиционных, привычных средств и методов. Связь информационных единиц в памяти машины только за счет «адресов» стала «тесна» для новых задач, они в нее «не влезали».
Как у человека и животных данные о внешнем мире носят смысловой характер, так описание «внешнего машинного мира» — отдельные сведения, факты и правила, нужные для решения творческих задач на ЭВМ, — потребовало смысловых, семантических связей. Иными словами, машина уже не могла обходиться данными, ей необходимы стали знания. Разница огромная!
Процессы накопления знаний, операции с ними, формирование моделей внешнего мира, такие обычные и естественные для человека, очень сложны и трудны для реализации их на ЭВМ. Все виды и формы коммуникативных связей внутри человеческого общества основаны на способности обрабатывать знаки-символы, преобразовывать их в последовательности и ансамбли, совершать над ними многообразные и многочисленные операции. Эти знаки, звуковые или зрительные, образуют естественные языки и разнообразные языки точных наук. Начиная от языка жестов наших обезьяноподобных предков, эволюция цивилизации и интеллекта человека сопровождалась развитием символики и способов ее преобразования. Поэтому только с того момента, когда ЭВМ получили способность обрабатывать данные в символьной, а не цифровой форме, стали говорить об искусственном интеллекте и новых моделях для решения задач.
Новые модели получили название семиотических, по имени науки, изучающей знаки и знаковые системы. Символ-знак определяется с трех сторон. Синтаксис знака — это способ его выражения. Семантика связана с его содержанием, смыслом и может быть понята лишь в рамках всей системы знаков. Прагматика знака, своего рода польза его, может быть выявлена только при наличии «потребителя знака».
Особенность знаков — условность. Она делает их чрезвычайно гибким и удобным средством для выражения моделей окружающего нас мира и искусственно создаваемых систем. И символические модели, используя эту особенность, призваны вложить в машину определенный способ «понимания» той «реальности», с которой ей предстоит иметь дело, а следовательно, и научить ее понимать партнера.
Для работы с семиотическими моделями ЭВМ надо снабдить специальными языками представления знаний, которые были бы внутренним языком искусственного интеллекта и описывали бы различные ситуации в стандартизированной внешней среде.
«ТЕКСТ — СМЫСЛ — ДЕЙСТВИТЕЛЬНОСТЬ»
Для представления знаний в машине наиболее действенной стала модель «Текст — Смысл — Действительность». В самом ее названии поэтапно перечислены главные шаги работы. Модели такого типа довольно-таки сложны, поэтому при разработке конкретных интеллектуальных систем выявляются разные направления в построении языков представления знаний. Мы остановимся лишь на нескольких, наиболее перспективных.
К ним, например, относятся модели, основанные на системно-структурном описании внешнего мира — так называемые фреймы.
Этот термин был предложен американским кибернетиком М. Минским. В буквальном переводе на русский язык он означает — «рамка», «скелет», «сфера» какого-либо понятия, события и т. д.
Собственно говоря, фрейм — некий формальный шаблон, символическая заготовка, соответствующая некоторому событию, понятию, явлению, состоянию, объекту, какой-то ситуации и т. д. Он представляет собой совокупность вопросов, которые можно задать о них.
Например, фрейм «день» предполагает вопросы: какого года? какого месяца? какого числа этого месяца? какого дня недели? Каждый вопрос соответствует незаполненной позиции — слоту. Их надо насытить данными, чтобы из сложного фрейма получить носитель конкретного знания о действительности — экземпляр фрейма.
Чем больше слотов будет иметь фрейм, тем более разнообразным, разносторонним и более системным получится описываемое им представление.
Фрейм «операция» (мероприятие, вид деятельности) может содержать такие слоты: что делать? что это даст? зачем это делать (стимул, повод, мотив)? каковы затраты? каковы альтернативы достижения цели? кто, когда, где (делает)? и т. д.
Теперь сопоставим его с задачами управления и планирования. Разве уже первый вопрос «что делать?» не является первостепенно важным для этого рода деятельности? Ведь ответить на него — значит определить и сформулировать ее цель, желательный результат. Не так просто в наше время правильно обосновать цель деятельности, чтобы не просчитаться, осуществляя то или иное мероприятие.
Метод фреймов родствен методу ситуационного управления, идеи которого были развиты в работах отечественных ученых Д. А. Поспелова и Ю. И. Клыкова еще до появления самого понятия «фрейм». Они, казалось бы, шли очень простым путем в своих рассуждениях.
Для ряда объектов диспетчерского управления: грузовой морской порт, перекресток магистралей в городе, аэродром, участки механических цехов предприятий и т. п. — попытка построить АСУ на традиционных формально-математических основах не давала положительных результатов из-за сложности описаний и громоздкости получения решений. Однако люди справляются с управлением сложными объектами и ничего не используют другого, кроме фраз — «текстов» — родного языка. Значит, модели нужно создавать аналогичным образом, кодируя в ЭВМ содержательные смысловые характеристики конкретного объекта управления. Тем более что, несмотря на подчас гигантское число возможных ситуаций, диспетчер принимает ограниченное число решений. Например, при регулировании транспортного движения на простом перекрестке принимается всего два решения: открыть проезд в прямом направлении, закрыв в перпендикулярном, и наоборот, хотя число конкретных ситуаций в принципе достигает астрономической цифры. Выходит, для решения подобных проблем требуется обобщение ситуаций по их структурам и отнесение их к ряду классов, каждому из которых соответствовало бы свое решение.
Этот метод пытается учитывать еще один человеческий аспект в подходе к проблеме: расплывчатость характеристик, указывающих в большей части случаев лишь на степень достоверности принадлежности конкретного объекта к тому или иному классу. Легко представить себе серию картинок, на которых, допустим, изображение льва постепенно изменяется и превращается в изображение человека. Где среди промежуточных рисунков должна быть проведена граница, разделяющая понятие «лев» от понятия «человек», сказать нельзя. Между ними образуется неопределенная область: в ней каждый объект с некоторой степенью достоверности — субъективной — можно отнести или к одной, или к другой категории.
Чтобы оценить, насколько трудны работы в этом направлении, достаточно сказать, что пока нет ни одной программы, формирующей расплывчатые понятия, а каждый шаг в этом направлении встречается с большим интересом.
В последнее время для представления знаний в ЭВМ используют также модели, названные семантическими сетями.
В семантической сети различаются вершины и соединяющие их дуги. Каждой вершине соответствуют некоторые понятия, а дуги указывают на соотношения между ними.
Поясним это на простых примерах.
Вот так называемое генеалогическое дерево. Здесь вершине соответствуют конкретные люди, а дуги имеют смысл «быть родителем». К каждой вершине, сопоставляемой с данным человеком, устремлены две дуги от вершин, обозначающих его отца и мать.
Для другого примера рассмотрим семантические сети с функциональными связями. Допустим, необходимо вычислить квадратный трехчлен ах2+вх+с для различных значений х. Построим поэтапно семантическую сеть. Возьмем четыре вершины, которые пометим х, а, в, с. Возьмем еще две вершины, их пометим как х2, вх. К х2 проведем дугу от х, а к вх — две дуги от в и х. Дугам припишем следующий смысл:
«используются для вычисления». Теперь уже понятно, как закончить построение этой семантической сети. Возьмем вершину, которую пометим символом ах2, и проведем в нее дуги из вершин а и х2. Последняя и будет вершиной, в которую войдут три дуги: от ах2, вх и с. Здесь и образуется значение трехчлена.
Семантические сети с функциональными связями уже нашли широкое применение.
«ПОЭТ», «ПРИЗ», «ПОСОХ» И ДРУГИЕ
Итак, если мы сравним традиционные задачи для ЭВМ с задачами искусственного интеллекта для ЭВМ, то не сможем не заметить разницы. В первом случае пользователь вынужден соотносить свою содержательную смысловую модель действительности с формально-математическими моделями, реализованными в машине. Искусственный интеллект, предоставляя машине реализацию семиотической модели, как бы «рынком» повышает эффективность применения вычислительной техники в управлении и планировании.
Первая. ЭВМ научается «понимать» ограниченной профессиональной лексикой естественный язык — в виде текстов или речи — и соответственно реагировать на сообщения.
Вторая. ЭВМ становится способной решать проблемы управления по их описаниям и исходным данным, когда рабочую программу машина составляет автоматически из набора прикладных программных модулей.
Третья. Появляются условия для создания интерактивных систем — систем «человек — машина», когда пользователь общается с машиной на языке стандартных приказов.
Посмотрим, как действуют системы, «освоившие» новый стиль построения и использования.
Система «Поэт», дающая справки о текущем состоянии производственно-экономических показателей, работает по принципу «понимания» текста. Запрос делается на языке деловой экономической прозы. Он анализируется и преобразуется в язык внутреннего представления знаний. Внутреннее представление сформировано в виде семантической (абстрактной и конкретной) сети предметной области. По сути, абстрактная сеть — это сложный фрейм, а конкретная — экземпляр этого фрейма.
Понятия выстраиваются в иерархию, образуя при обобщении суперпонятия, а при детализации — подпонятия. События используются для представления действий в моделируемой предметной области. В результате анализа текста то или иное событие вычленяется, активизируя соответствующий фрейм цепи.
Предположим, вы посылаете запрос: «Сколько каменного угля перевезено железнодорожным транспортом из А в В в течение года?» Он активизирует фрейм «перевезти». И начинает заполнять слоты: что? чем? сколько? откуда? куда? за какое время? В нашем примере при семантическом анализе все слоты фрейма заполняются, кроме слота «сколько?». Для ответа на этот вопрос система обращается к базе данных, находит ответ и формирует его на том же языке деловой экономической информации, которым оперирует пользователь.
Примером системы, решающей задачи по их описаниям и исходным данным, является «Приз». Пользователь может формулировать свою задачу для ЭВМ на обычном языке. Из введенного текста система вычленяет необходимые объекты, отображает их на семантическую сеть, хранящуюся в памяти, и ищет путь, ведущий от исходных вершил к целевой, подобно тому как мы вычисляли значение квадратного трехчлена. При этом может получиться несколько планов решения задачи, из которых надо выбрать только один. Такой конкретный план или выбирает по своему усмотрению пользователь, или определяется автоматически по какому-либо критерию.
Существуют и универсальные системы искусственного интеллекта. Они решают как упомянутые задачи, так и проблемы построения человеко-машинных систем, основанных на диалоговом принципе.
Видимо, одной из первых универсальных диалоговых информационно-логических систем была «Дилос», зарекомендовавшая себя как инструмент для диалогового планирования и для эффективного использования в интерактивных системах при управлении большими комплексами. Особую ценность «Дилосу» придает то, что он способен выдавать промежуточные результаты вычислений.
Все операции выполняются набором процедур, сгруппированных в четыре основных программных блока. Лингвистический преобразует деловую прозу и язык директив на внутренний, на котором работают информационно-поисковый, вычислительный и логический блоки. Причем последний, будучи основным, является ведущим по отношению к первым двум: именно он управляет анализом модификаций моделей внешнего мира, составлением планов решения задач, выдачей ответов на такие запросы пользователей, для которых недостаточно обычного информационного поиска.
Виды диалога в человеко-машинных системах бывают разные: его может вести или пользователь, или машина. В первом, наиболее распространенном случае ходом решения задачи, уточнением ее условий управляет человек. Во втором случае, когда управляет машина, в системах, по сути дела, используются идеи программированного обучения, когда происходит автоматизированное «освоение» языка общения или языка программирования, конструирования алгоритма для решения задачи по ее условию и некоторые другие. Разумеется, очень полезно сочетание обоих режимов диалога, особенно если пользователь только входит в курс дела.
К одной из самых перспективных и важных проблем искусственного интеллекта относят создание средств по разработке программного обеспечения интеллектуальных систем. Примером осуществления такого подхода могут служить многоцелевые вопросно-ответные системы «Мивос» и «Посох».
Мы можем считать, что к настоящему времени есть определенные успехи в теоретических исследованиях и накоплен первый опыт в реализации систем искусственного интеллекта.
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И СИСТЕМНЫЙ АНАЛИЗ
Безусловно, два современных научных направления, имеющих дело с задачами содержательного, смыслового характера и использующих рациональный метод исследования, не могли не объединить своих усилий и возможностей. Важность взаимопроникновения идей системного анализа (по одному образному выражению, он представляет собой просвещенный здравый смысл, на службу которому поставлены математические модели) и искусственного интеллекта (а он, прибегая к такому же образному сравнению, — наука о том, как заставить машину делать то, что умеет делать умный человек) для решения этого класса задач понятна всем.
К чему прежде всего стремится искусственный интеллект, обращаясь к конкретной проблеме? К возможности разбить, расчленить ее на отдельные проблемы — сделать ее структурированной. Это позволяет применять математические, технические, программные и прочие средства для получения приемлемого решения.
В системном анализе такие проблемы разбиваются на подпроблемы до тех пор, пока не возникнут непосредственно частные решения — так происходит анализ.
Затем производится «сборка» — синтез из них решения общей проблемы. Если же окажется, что и проблема синтеза недостаточно структурирована, то ее начинают тоже «раскладывать» на подпроблемы.
Например, когда системный анализ применяется для управления и планирования в какой-либо организации, то задачу можно считать структурированной, когда она отвечает целому «списку» вопросов. Надо, чтобы планирование начиналось от целей, от желаемых конечных результатов; в процессах планирования и управления были четко зафиксированы правила, порядок и процедуры принятия решений; решения представлены не в «размытой», а в явной форме, то есть как выбор из нескольких альтернативных способов достижения цели или альтернативных планов операций или мероприятий; можно было проследить и проверить, кто, когда, где, в какой степени правильно принял решение; существовала ответственность за принятые решения, при которой лица поощряются за эффективные высококачественные результаты, а в противоположном случае наказываются.
Мы уже знаем, что центральной для искусственного интеллекта является проблема «понимания» образов внешнего мира, их распознавания, извлечение и представление смысла поступающей информации. Поскольку любая информация имеет смысл лишь в связи с некоторой деятельностью, то «понимание» представляет собой структуризацию поступающей информации в соответствии с ее использованием.
Таким образом, перед нами типичная «слабо структурированная» проблема, и решается она на базе тех же основных принципов, что дает системный анализ.
Если же мы обратимся к программированию для ЭВМ, то также признаем задание заказчика на разработку и реализацию программного комплекса типичной плохо структурированной проблемой. Применив к ней подходы системного анализа, ученые разработали специальную технологию программирования — например, технологию «сверху вниз» для программных комплексов.
Взаимопомощь искусственного интеллекта системного анализа идет и в другом направлении.
Системный анализ возник из потребностей решения крупномасштабных проблем, а следовательно, для обоснования крупномасштабных целей в первую очередь. Проблема целей — в смысле их обоснования — до научно-технической революции не стояла слишком остро, так как тогда не решали очень крупные и сложные задачи, для этого просто не было средств. Достаточными являлись опыт и интуиция руководителей.
В эпоху НТР интуиция и опыт стали явно подводить: нередки просчеты в конечном результате, затратах, учете последствий, особенно побочных или отдаленных.
Системный анализ дает общий подход в сложных ситуациях — расчленение, структурирование. Нетрудно заметить: такое решение проблемы требует работы на разных уровнях, с разными как с содержательной, так и с математической точки зрения трудностями. Это же требуется и для выбора целей, и для формирования критерия в оценке.
Проблему выбора целей можно решать на основе построения прогнозов, сценариев будущего, основанных на изучении прецедентов и т. д. Ясно, что решение столь сложных проблем одним человеком и даже коллективом из разных специалистов в приемлемые сроки с приемлемым качеством для крупномасштабной задачи проблематично, если использовать традиционные в системном анализе методы представления, поиска и обработки информации.
Применение же систем, основанных на идеях искусственного интеллекта, может оказать неоценимую услугу не только в хранении, систематизации и поиске информации, но и в организации совместной работы разных специалистов.
Искусственный интеллект предоставляет системному анализу метод создания «банков знаний» коллективного пользования на основе фреймов. Это открывает широкие возможности для обоснования целей. Прослеживается полнота сообщений, проводится отбор и «переструктуризация» поступающей информации, поддерживаются стандарты, идет защита от ошибок людей, работающих с машиной. И что немаловажно — прогнозы и сценарии строятся в режиме диалога «человек — машина», причем специалисты при необходимости могут обращаться к системе с запросами на понятном им языке.
Перспективы взаимопроникновения и взаимообогащения методов и средств системного анализа и искусственного интеллекта необычайно заманчивы. Однако нельзя забывать, что работы в этом направлении совсем недавно начались и ждут развития и реализации. Но одно уже ясно: новые подходы породят новые интересные проблемы как в системном анализе и в искусственном интеллекте, так и в их применении для управления и планирования.
РЕКОМЕНДУЕМ ПРОЧИТАТЬ:
1. Пекелис В. МАЛЕНЬКАЯ ЭНЦИКЛОПЕДИЯ О БОЛЬШОЙ КИБЕРНЕТИКЕ. М., «Детская литература», 1973.
2. Чачко А. ИСКУССТВЕННЫЙ РАЗУМ. М., «Молодая гвардия», 1978.
3. Слэйгл Дж. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. М., «Мир», 1973.
4. ИССЛЕДОВАНИЯ ПО ОБЩЕЙ ТЕОРИИ СИСТЕМ. Сборник. М., «Прогресс», 1969.


Пролетарии всех стран, соединяйтесь!
ТЕХНИКА — МОЛОДЕЖИ 7 1981
Ежемесячный общественно-политический, научно-художественный и производственный журнал ЦК ВЛКСМ
Издается с июля 1933 года
© «Техника — молодежи», 1981 г


страница следующая ->


Copyright MyCorp © 2019
Конструктор сайтов - uCoz