ГЛАВА
5. НЕКОТОРЫЕ ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ
И РАЗВИТИЯ СИСТЕМЫ «ЭЙДОС»
5.1. Система «Эйдос-Х++» – новый
инструментарий системно-когнитивного анализа
Система «Эйдос» за многие годы применения хорошо показала
себя при проведении научных исследований в различных предметных областях и
занятий по ряду научных дисциплин, связанных с искусственным интеллектом,
представлениями знаний и управлению знаниями. Однако в процессе эксплуатации
системы были выявлены и некоторые недостатки, ограничивающие возможности и
перспективы применения системы. Поэтому создана качественно новая версия
системы (система Эйдос-Х++), в которой преодолены ограничения и недостатки
предыдущей версии и реализованы новые важные идеи по ее развитию и применению в качестве программного инструментария
системно-когнитивного анализа (СК-анализ)
Универсальная когнитивная аналитическая система "Эйдос"
является отечественным лицензионным программным продуктом, который в разные
годы реализовался на различных языках программирования на компьютерах различных
платформ [7, 108, 140]. С 1992 года существует и версия системы «Эйдос» для
IBM-совместимых персональных компьютеров. В качестве инструментальных средств
программирования использовались следующие лицензионные средства, официально
приобретенные Научно-производственным предприятием «Эйдос»[1]: CLIPPER 5.01 Rus, № CRX 202874; Tools-II Rus № 200932; BiGraph 3.01r1 №
247. Выбор этих средств в то время был совершенно оправданным и обоснованным,
т.к. тогда эта система программирования несопоставимо превосходила все
остальные, существовавшие в то время, по своим возможностям. В основе системы
«Эйдос» использовались математические модели и алгоритмы, основанные на теории
информации, впервые в полной форме описанные автором еще в 1993 году. В 1994
году автором были получен первый в Краснодарском крае, а возможно и один из
первых в России, патент на систему искусственного интеллекта. С тех пор данная
версия системы непрерывно совершенствовалась на протяжении почти 20 лет вплоть
до весны 2012 года, когда началась непосредственная разработка качественно
новой версии. С применением этой системы было решено большое количество задач в
различных предметных областях, чему существенно способствовало то, что система
«Эйдос» изначально разрабатывалась в постановке, не зависящей от предметной
области. Поэтому в 2003 году ей было
дано название: Универсальная когнитивная аналитическая система
"Эйдос", подчеркивающее это важное обстоятельство. По результатам
проведенных с помощью системы исследований издано 24 научные монографии и
учебных пособия, в т.ч. с грифами УМО и министерства [3-19, 190 и др.], сотни
статей[2], в т.ч. в изданиях, входящих в Перечень ВАК РФ[3], получено 27 патентов РФ, защищено 5 докторских и 7 кандидатских диссертаций
по экономическим, техническим, психологическим и медицинским наукам[4].
В состав системы «Эйдос» входит подсистема _152, содержащая
ряд стандартных программных интерфейсов с внешними базами данных различных
стандартов: текстовых, баз данных (БД) и графических, расширяющих сферу ее
применения. Некоторые из подобных интерфейсов при своем развитии превратились в
системы окружения: "Эйдос-фонд", "Эйдос-Ψ" и «Эйдос-астра»
(рисунок 126):
Рисунок 126. Базовая система «Эйдос» и системы
окружения
Таким
образом, по мнению авторов можно сделать обоснованный вывод о том, что система
«Эйдос» является большой и довольно эффективной системой. Однако она обладала и
рядом недостатков, среди которых в первую очередь необходимо отметить следующие:
1. Система
была разработана за несколько лет до создания операционной системы MS Windows-95,
и, естественно, не обладала стандартным для MS Windows так называемым GUI‑интерфейсом
(сокр. от англ. Graphical user interface).
2. Она
работала в основной памяти компьютера, имеющей размер 640 Кб, и не могла
использовать внешнюю память (Extend Memory). Поэтому система «Эйдос» имела
модульную оверлейную структуру и использовала диспетчер памяти (QEMM). Но со
временем система на столько увеличилась, что и эта технология уже не
обеспечивала ее развитие и пришлось разбить систему на десятки отдельно
загружаемых модулей, связанных только по базам данных.
3. Система не
могла работать в защищенном режиме и задействовать swapping-технологию MS
Windows для использования внешней памяти в качестве оперативной. Внешняя память
использовалась системой «Эйдос» только для кеширования обращения к внешней
памяти и до, и после создания системы MS Windows.
4. В системе
не было возможности интеграции с Windows и Internet-приложениями, например
организации работы с базами данных, находящимися на Internet-сервере, хотя сам
язык программирования, на котором она была написана, в принципе это позволял.
5.
Размерности баз знаний были ограничены: 4000 классов на 4000 градаций факторов,
размеры самих файлов баз знаний и баз данных системы также были ограничены 4 гигабайтами.
6. Система
работала с интеллектуальным приложением, находящимся в текущей директории с
исполнимыми модулями системы, т.е. в ней не было диспетчера приложений.
7. В системе
не было подсистемы администрирования самой системы, а также пользователей и
приложений.
8. Но самое
главное, что система была 16-разрядным приложением и работала под Windows в
режиме эмуляции MS DOS. Это было нормально во всех версиях системы MS Windows
до 7. Под MS Windows 7 система «Эйдос» работала с использованием виртуальной
машины, эмулирующей MS Windows XP.
Особо
отметим, что отсутствие графики не являлось недостатком системы «Эйдос», т.к. в
ней изначально использовалась мощная графическая библиотека (общая для CLIPPER,
Pascal и C++) и было реализовано большое количество (более 60) различных
графических форм, многие из которых не имеют аналогов в MS Windows и других
системах и все это было в системе за несколько лет до создания MS Windows.
Наличие в
системе перечисленных выше недостатков, а также некоторых других, более мелких,
вызывало настоятельную потребность создания качественно новой версии системы «Эйдос»,
основывающейся на современной системе программирования, позволяющей решить все
эти проблемы. Такая качественно-новая версия системы была задумана очень давно
(около 10 лет назад) и о ней писалось в работах, размещенных на сайте автора[5]. Однако по
ряду причин создание новой версии затягивалось, хотя такие попытки неоднократно
предпринимались автором (Луценко Е.В.) на протяжении ряда лет и в разных
системах программирования, в частности на Alaska xBase++, Delphi for PHP[6] и на Java.
Наконец к лету 2012 года благодаря помощи зав.кафедрой компьютерных технологий
и систем Заслуженного деятеля науки РФ профессора В.И.Лойко и проректора по
науке профессора Ю.П.Федулова (ФГБОУ ВПО «Кубанский государственный аграрный
университет») удалось приобрести лицензионное программное обеспечение,
являющееся современным развитием того, на котором была написана система
«Эйдос»: Alaska Xbase++ (R) Version 1.90.355 SL1, TOOLS III, eXPress++ (C)
Version 1.9 Build 255, Advantage Database Server (ADS) 10.0.
В настоящее
время автором создана и запатентована качественно новая версия системы «Эйдос»,
получившая название: Универсальная когнитивная аналитическая система «Эйдос-Х++»[7]. Конечно, в
ней пока реализованы в основном базовые подсистемы и режимы, но она уже
является полнофункциональной системой и непрерывно развивается в перерывах
между голосовой (звонковой) нагрузкой.
В новой
версии системы сняты все
вышеперечисленные и следующие ограничения:
- на количество
объектов обучающей и распознаваемой выборки (в базах данных заголовков и базах
данных признаков);
- на
размерность баз данных классов, признаков, на количество градаций описательных
шкал в одной шкале;
- на
количество классов, к которым относится объект обучающей и распознаваемой выборки;
- на
размерность по классам баз данных абсолютных частот, условных и безусловных
процентных распределений и баз знаний (в численных экспериментах было
апробировано 100000 классов);
- на
размерность по признакам баз данных абсолютных частот, условных и безусловных
процентных распределений и баз знаний (в численных экспериментах было
апробировано 100000 признаков);
- на размеры
файлов баз данных абсолютных частот, условных и безусловных процентных
распределений и баз знаний (в численных экспериментах была апробирована
возможность работы с базами данных размером 250Гб);
- вместо
ранее используемых 4-х моделей знаний в новой версии используется 7, кроме того
есть возможность использовать 3 статистические модели как модели знаний и
сравнивать результаты их использования;
- новая
версия системы «Эйдос» имеет стандартный
GUI-интерфейс MS Windows; режимы
системного администратора, авторизацию и диспетчер приложений; возможность
работы с группами приложений, как с одним приложением (как в системе
Эйдос-астра);
- кроме
локальной версии предусматривается возможность работы в локальной сети и через
Internet;
- сняты
проблемы с ограниченным использованием возможностей современных процессоров и
операционных систем. Локальная версия системы «Эйдос-Х++» является 32-разрядным
приложением и нормально работает во всех версиях MS Window, включая 7, но
использует лишь одно ядро процессора и не более 2 Гб оперативной памяти. Однако
с Advantage Database Server (ADS) эти ограничения снимаются, и она становится
практически полноценным 64-разрядным приложением, работающим с базами данных
размером до 16000 Гб[8].
Универсальная
когнитивная аналитическая система "Эйдос-Х++" является современным
инструментарием системно-когнитивного анализа [7], разработана в универсальной
постановке, не зависящей от предметной области, и обеспечивает:
-
формализацию предметной области (разработка классификационных и описательных
шкал и градаций и представление исходных данных в форме базы событий: обучающей
выборки);
- многопараметрическую
типизацию, синтез, повышение качества и верификацию 3 статистических моделей и
7 моделей знаний предметной области;
-
распознавание (системную идентификацию и прогнозирование);
- поддержку
принятия решений и исследование модели, в т.ч.: дивизивную и агломеративную
когнитивную кластеризацию, конструктивный и СК-анализ моделей: семантические и
нейронные сети, когнитивные диаграммы, классические и интегральные когнитивные
карты.
Есть в
системе и ряд других новых возможностей. Переосмыслена иерархическая структура
системы, учтен значительный опыт проведения научных исследований и преподавания
ряда дисциплин с применением системы «Эйдос» и систем окружения[9]. Это нашло
отражение в структуре системы и дереве диалога, приведенных в таблице 79:
Таблица 79 – Структура и функции универсальной
когнитивной аналитической системы "Эйдос-Х++" (без меню, кнопок и
переключателей экранных форм) (версии от 27.10.2014)
|
№ |
Вызов функции |
Наименование пункта
главного меню |
Пояснение главного меню |
|
1.
|
|
1. Администрирование |
Подсистема
администрирования |
|
2. |
F1_1() |
1.1.
Авторизация |
Авторизация
сисадмина, администратора приложения или пользователя |
|
3. |
F1_2() |
1.2.
Регистрация администратора приложения |
Регистрация
и удаление регистрации администраторов приложений и задание паролей
пользователей. Этот режим доступен только системному администратору и
администраторам приложений. |
|
4. |
F1_3() |
1.3.
Диспетчер приложений |
Это
подсистема администрирования приложений. Она предназначена для создания новых
приложений, как пустых, так и на основе учебных примеров (лабораторных
работ), имеющихся в системе, а также для выбора приложения для работы из уже
имеющихся и удаления приложения. Выбор приложения для работы осуществляется
путем отметки его любым символом. Удалять любые приложения разрешается только
сисадмину, а Администратору приложений - только те, которые он сам создал. |
|
5. |
F1_4() |
1.4.
Выбор режима использования системы |
Монопольный
или многопользовательский (задается при инсталляции системы, но может быть
изменен когда угодно сисадмином) |
|
6. |
F1_5() |
1.5.
Задание путей на папки с группами приложений |
Папки
с различными группами приложениями могут быть на локальном компьютере, в
локальной сети или в Internet. Пути на них задаются сисадмином при инсталляции
системы и могут быть изменены им когда угодно. Один из этих путей, а именно
первый из отмеченный специальных символов, считается текущим и используется
при СОЗДАНИИ приложений в диспетчере приложений 1.3, а в последующем при
запуске приложений на исполнение пути берутся уже из БД диспетчера приложений |
|
7. |
F1_6() |
1.6.
Задание цветовой схемы главного меню |
Задается
по умолчанию если в папке с системой нет файла: ColorSch.arx при инсталляции
системы, но может быть изменена когда угодно сисадмином |
|
8. |
F1_7() |
1.7.
Задание размера главного окна в пикселях |
Задается
по умолчанию 1024 x 769 если в папке с системой нет файла: _MainWind.arx при
инсталляции системы, но может быть изменена когда угодно сисадмином |
|
9. |
F1_8() |
1.8.
Задание градиентных фонов главного окна |
Градиентные
фоны главного окна задаются по умолчанию при инсталляции системы, но могут
быть изменены когда угодно сисадмином |
|
10. |
F1_9() |
1.9.
Прописывание путей по фактическому положению |
Доступно
только сисадмину. Определяет фактическое месторасположение системы и
приложений и прописывает пути на них в БД: PathGrAp.DBF и Appls.dbf, а также
восстанавливает имена приложений в Appls.dbf на данные им при их создании |
|
11. |
F1_10() |
1.10.
Инсталляция ActiveX на данном компьютере |
Доступно
только сисадмину. Устанавливает ActiveX: RMChart.ocx, необходимый для работы
профессиональной графики под MS Windows 7 и выше. При сообщении об ошибке
надо в окне: <Панель управления - Учетные записи пользователей и семейная
безопасность - Учетные записи пользователей - Изменение параметров контроля
учетных записей> перевести ползунок до конца вниз на: "Никогда не
уведомлять..." и перезагрузить компьютер |
|
12. |
F1_11() |
1.11.
Локализация и инициализация (сброс) системы |
Доступно
только сисадмину. Прописывает все пути по фактическому месторасположению
системы, пересоздает общесистемные базы данных, удаляет все приложения и всех
пользователей. Определяет фактическое месторасположение системы и приложений,
удаляет все директории приложений с поддиректориями и всеми файлами в них, а
затем прописывает все пути на них по фактическому месторасположению, т.е.
пересоздает и переиндексирует БД: PathGrAp.DBF, Appls.dbf и Users.dbf |
|
13.
|
|
2. Формализация предметной
области |
Разработка
классификационных и описательных шкал и градаций и формирование обучающей выборки |
|
14. |
F2_1("Close") |
2.1.
Классификационные шкалы и градации |
Ручной
ввод-корректировка классификационных шкал и градаций |
|
15. |
F2_2("Close") |
2.2.
Описательные шкалы и градации |
Ручной
ввод-корректировка описательных шкал и градаций |
|
16.
|
|
2.3. Ввод обучающей
выборки |
|
|
17. |
F2_3_1() |
2.3.1.
Ручной ввод-корректировка обучающей выборки |
|
|
18.
|
|
2.3.2. Программные
интерфейсы с внешними базами данных |
Автоматизированная
формализация предметной области |
|
19. |
F2_3_2_1() |
2.3.2.1.
Импорт данных из текстовых файлов |
Универсальный
программный интерфейс ввода данных из TXT, DOC и Internet (HTML) файлов
неограниченного объема. Атрибуция текстов, АСК-анализ мемов |
|
20. |
F2_3_2_2("")
|
2.3.2.2.
Универсальный программный интерфейс импорта данных в систему |
Режим
представляет собой УНИВЕРСАЛЬНЫЙ ПРОГРАММНЫЙ ИНТЕРФЕЙС ФОРМАЛИЗАЦИИ
ПРЕДМЕТНОЙ ОБЛАСТИ И ИМПОРТА ДАННЫХ В СИСТЕМУ "ЭЙДОС-Х". Данный
программный интерфейс обеспечивает автоматическое формирование классификационных
и описательных шкал и градаций и обучающей выборки на основе XLS, XLSX или
DBF-файла с исходными данными описанного в Help режима стандарта. Кроме того
он обеспечивает автоматический ввод распознаваемой выборки из внешней базы
данных |
|
21. |
Ожидает
переноса из DOS-версии системы Эйдос |
2.3.2.3.
Импорт из транспонированных внешних баз данных |
|
|
22. |
Ожидает
переноса из DOS-версии системы Эйдос |
2.3.2.4.
Транспонирование файлов исходных данных |
|
|
23. |
|
2.3.3.
Управление обучающей выборкой |
|
|
24. |
Ожидает
переноса из DOS-версии системы Эйдос |
2.3.3.1.
Параметрическое задание объектов для обработки |
|
|
25. |
Ожидает
переноса из DOS-версии системы Эйдос |
2.3.3.2.
Статистическая характеристика, ручной ремонт |
|
|
26. |
Ожидает
переноса из DOS-версии системы Эйдос |
2.3.3.3.
Автоматический ремонт обучающей выборки |
|
|
27. |
Ожидает
переноса из DOS-версии системы Эйдос |
2.3.4.
Докодирование сочетаний признаков в обучающей выборке |
|
|
28.
|
|
3. Синтез, верификация и
улучшение модели |
Создание модели, повышение
ее качества и оценка достоверности |
|
29. |
F3_1(.T.,
0, 0, 0, .T.,"") |
3.1.
Формирование базы абсолютных частот |
Загрузка
по очереди описаний всех объектов обучающей выборки и расчет количества
встреч различных сочетаний: Принадлежность объекта к j-му классу - наличие у
него i-го признака |
|
30. |
F3_2(.T.,
0, 0, 0, .T.,"") |
3.2.
Расчет процентных распределений |
Расчет
условных и безусловных процентных распределений |
|
31. |
F3_3(.T.,
0, 0, 0, .T.,"") |
3.3.
Расчет заданных из 7 моделей знаний |
Inf1~Prc1,
Inf2~Prc2, Inf3-хи-квадрат, Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1,
Inf7-Dp~Prc2 |
|
32. |
F3_4(.T.,
0, 0, 0, .T.,"") |
3.4.
Автоматическое выполнение режимов 1-2-3 |
По
очереди исполняются режимы: 3.1., 3.2. и 3.3. для заданных стат.моделей и
моделей знаний и затем заданная делается текущей |
|
33. |
F3_5(.T.) |
3.5.
Синтез и верификация заданных из 10 моделей |
Оценивается
достоверность (адекватность) заданных стат.моделей и моделей знаний. Для
этого осуществляется синтез заданных моделей, обучающая выборка копируется в
распознаваемую и в каждой заданной модели проводится распознавание с
использованием двух интегральных критериев, подсчитывается количество верно
идентифицированных и не идентифицированных, ошибочно идентифицированных и не
идентифицированных объектов (ошибки 1-го и 2-го рода) |
|
34. |
Ожидает
переноса из DOS-версии системы Эйдос |
3.6.
Синтез и верификация заданной группы моделей |
В
различных приложениях текущей группы приложений создаются и верифицируются
модели: Abs, Prc1, Prc2, Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат,
Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2 с фиксированными и
адаптивными интервалами со сценариями и без и для каждого класса определяется
модель, в которой его идентификация осуществляется наиболее достоверно |
|
35.
|
|
3.7. Повышение качества
модели |
|
|
36. |
F3_7_1()
|
3.7.1.
Поиск и удаление артефактов (робастная процедура) |
Строится
частотное распределение абсолютных частот встреч признаков в классах по
матрице сопряженности Abs.dbf и пользователю предоставляется возможность
удалить редко встречающиеся факты (сочетания), как случайные выбросы или
артефакты. Для работы профессиональной графики нужна MS Windows 7 или выше |
|
37. |
Ожидает
переноса из DOS-версии системы Эйдос |
3.7.2.
Значимость классификационных шкал |
В
данном режиме классификационные шкалы ранжируются в порядке убывания
значимости, т.е. средней значимости их градаций, т.е. классов |
|
38. |
Ожидает
переноса из DOS-версии системы Эйдос |
3.7.3.
Значимость градаций классификационных шкал (классов) |
В
данном режиме все градации классификационных шкал (классы) ранжируются в
порядке убывания значимости, т.е. вариабельности значений частных критериев
статистических баз и баз знаний |
|
39. |
F3_7_4()
|
3.7.4.
Значимость описательных шкал |
В
данном режиме описательные шкалы ранжируются в порядке убывания значимости,
т.е. средней значимости их градаций, т.е. признаков |
|
40. |
F3_7_5()
|
3.7.5.
Значимость градаций описательных шкал (признаков) |
В
данном режиме все градации описательных шкал (признаки) ранжируются в порядке
убывания значимости, т.е. вариабельности значений частных критериев
статистических баз и баз знаний |
|
41. |
Ожидает
переноса из DOS-версии системы Эйдос |
3.7.6.
Разделение классов на типичную и нетипичную части |
Итерационный
процесс при котором на основе объектов обучающей выборки, не
идентифицированных с классами, к которым они относятся, создаются классы с
теми же наименованиями + уровень итерации |
|
42. |
F3_7_7()
|
3.7.7.
Генерация подсистем классов и докод.об.и расп.выб. |
На
основе сочетания классов по 2, 3, N формируются подсистемы классов, которые
добавляются в качестве градаций в классификационные шкалы подсистем классов и
в объекты обучающей и распознаваемой выборки |
|
43. |
F3_7_8()
|
3.7.8.
Генерация подсистем признаков и докод.об.и расп.выб. |
На
основе сочетания признаков по 2, 3, N формируются подсистемы признаков,
которые добавляются в качестве градаций в описательные шкалы подсистем
признаков и в объекты обучающей и распознаваемой выборки |
|
44.
|
|
4. Решение задач с
применением модели Применение модели для решения задач идентификации (распознавания),
прогнозирования и поддержки принятия решений (обратная задача
прогнозирования), а также для исследования моделируемой предметной области
путем исследования ее модели |
|
|
45.
|
|
4.1. Идентификация и
прогнозирование |
|
|
46. |
F4_1_1() |
4.1.1.
Ручной ввод-корректировка распознаваемой выборки |
|
|
47. |
F4_1_2(0,.T.,"4_1_2") |
4.1.2.
Пакетное распознавание в текущей модели |
Распознаются
по очереди все объекты распознаваемой выборки в стат.модели или базе знаний,
заданной текущей в режиме 3.3 или 5.6. |
|
48. |
|
4.1.3.
Вывод результатов распознавания |
|
|
49. |
F4_1_3_1()
|
4.1.3.1.
Подробно наглядно: "Объект - классы" |
Визуализация
результатов распознавания в подробной наглядной форме в отношении: "Один
объект - много классов" с двумя интегральными критериями сходства между
конкретным образом распознаваемого объекта и обобщенными образами классов:
"Семантический резонанс знаний" и "Сумма знаний" |
|
50. |
F4_1_3_2()
|
4.1.3.2.
Подробно наглядно: "Класс - объекты" |
Визуализация
результатов распознавания в подробной наглядной форме в отношении: "Один
класс - много объектов" с двумя интегральными критериями сходства между
конкретным образом распознаваемого объекта и обобщенными образами классов:
"Семантический резонанс знаний" и "Сумма знаний" |
|
51. |
F4_1_3_3() |
4.1.3.3.
Итоги наглядно: "Объект - класс" |
Отображение
итоговых результатов распознавания в наглядной форме: отображаются пары:
"Объект-класс" |
|
52. |
F4_1_3_4() |
4.1.3.4.
Итоги наглядно: "Класс - объект" |
Отображение
итоговых результатов распознавания в наглядной форме: отображаются пары:
"Класс-объект" |
|
53. |
F4_1_3_5() |
4.1.3.5.
Подробно сжато: "Объекты - классы" |
В
подробной сжатой (числовой) форме приводится информация об уровне сходства
всех объектов со всеми классами по двум интегральным критериям сходства:
"Семантический резонанс знаний" и "Сумма знаний", а также
о фактической принадлежности объекта к классу. |
|
54. |
F4_1_3_6() |
4.1.3.6.
Обобщ.форма по достов.моделей при разных интегральных крит. |
Отображаются
обобщенные результаты измерения достоверности идентификации по всем моделям и
интегральным критериям из БД: Dost_mod.DBF |
|
55. |
F4_1_3_7() |
4.1.3.7.
Обобщ.стат.анализ результатов идент. по моделям и инт.крит. |
Отображаются
результаты обобщенного стат.анализа достоверности идентификации по всем
моделям и интегральным критериям из БД: VerModALL.dbf |
|
56. |
F4_1_3_8() |
4.1.3.8.
Стат.анализ результ. идент. по классам, моделям и инт.крит. |
Отображаются
результаты стат.анализа достоверности идентификации по всем классам, моделям
и интегральным критериям из БД: VerModCls.dbf |
|
57. |
F4_1_3_9() |
4.1.3.9.
Распределения уровн.сходства при разных моделях и инт.крит. |
Отображаются
частотные распределения уровней сходства верно и ошибочно идентифицированных
и неидентифицированных объектов при разных моделях и интегральных критериях
из БД: DostRasp.dbf |
|
58. |
F4_1_3_10()
|
4.1.3.10.Достоверность
идент. классов при разных моделях и инт.крит. |
Отображается
достоверность идентификации объектов по классам при разных моделях (т.е.
разных частных критериях) и при разных интегральных критериях из БД:
Dost_cls.dbf |
|
59. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.4.
Пакетное распознавание в заданной группе моделей |
Распознаются
по очереди все объекты распознаваемой выборки в стат.модели или базе знаний,
заданной текущей, в всех моделях заданной группы моделей |
|
60. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.5.
Докодирование сочетаний признаков в распознаваемой выборке |
|
|
61.
|
|
4.1.6. Назначения объектов
на классы (задача о назначениях) |
Функционально-стоимостной
анализ в управлении персоналом |
|
62. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.6.1.
Задание ограничений на ресурсы по классам |
|
|
63. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.6.2.
Ввод затрат на объекты |
|
|
64. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.6.3.
Назначения объектов на классы (LC-алгоритм) |
|
|
65. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.6.4.
Сравнение эффективности LC и RND алгоритмов |
|
|
66. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.7.
Интерактивная идентификация - последовательный анализ Вальда |
|
|
67. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.1.8.
Мультираспознавание (пакетное распознавание во всех моделях) |
При
идентификации объекта распознаваемой выборки с каждым классом он сравнивается
в той модели, в которой этот класс распознается наиболее достоверно, как в
системе "Эйдос-астра" |
|
68.
|
|
4.2. Типология классов и
принятие решений |
|
|
69. |
F4_2_1()
|
4.2.1.
Информационные портреты классов |
Решение
обратной задачи прогнозирования: выработка управляющих решений. Если при
прогнозировании на основе значений факторов оценивается в какое будущее
состояние перейдет объект управления, то при решении обратной задачи,
наоборот, по заданному целевому будущему состоянию объекта управления
определяется такая система значений факторов, которая в наибольшей степени
обуславливает переход в это состояние |
|
70.
|
|
4.2.2. Кластерный и
конструктивный анализ классов |
|
|
71. |
F4_2_2_1() |
4.2.2.1.
Расчет матриц сходства, кластеров и конструктов |
|
|
72. |
F4_2_2_2() |
4.2.2.2.
Результаты кластерно-конструктивного анализа |
Состояния,
соответствующие классам, расположенные около одного полюса конструкта,
достижимы одновременно, т.к. имеют сходную систему детерминации, а
находящиеся около противоположных полюсов конструкта являются альтернативными,
т.е. одновременно недостижимы. |
|
73. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.2.2.3.
Агломеративная древовидная кластеризация классов |
Кластеризация,
путем объединения классов |
|
74. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.2.2.4.
Дивизивная древовидная кластеризация классов |
|
|
75. |
F4_2_3()
|
4.2.3.
Когнитивные диаграммы классов |
Данный
режим показывает в наглядной графической форме какими признаками сходны и
какими отличаются друг от друга заданные классы |
|
76.
|
|
4.3. Типологический анализ
признаков |
|
|
77. |
F4_3_1()
|
4.3.1.
Информационные портреты признаков |
Семантический
(смысловой) портрет признака или значения фактора, т.е. количественная
характеристика силы и направления его влияния на поведение объекта управления |
|
78.
|
|
4.3.2. Кластерный и
конструктивный анализ признаков |
|
|
79. |
F4_3_2_1() |
4.3.2.1.
Расчет матриц сходства, кластеров и конструктов |
|
|
80. |
F4_3_2_2()
|
4.3.2.2.
Результаты кластерно-конструктивного анализа |
Признаки
или градации факторов, расположенные около одного полюса конструкта,
оказывают сходное влияние на объект управления, т.е. на его принадлежность к
классам или его переход в состояния, соответствующие классам и могут быть
заменены одни другими, а находящиеся около противоположных полюсов конструкта
оказывают сильно отличающееся влияние на объект управления и не могут быть
заменены одни другими. |
|
81. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.3.2.3.
Агломеративная древовидная кластеризация признаков |
Кластеризация,
путем объединения признаков |
|
82. |
F4_3_3()
|
4.3.3.
Когнитивные диаграммы признаков |
Данный
режим показывает в наглядной графической форме какими классами сходны и
какими отличаются друг от друга заданные признаки |
|
83.
|
|
4.3.4. Восстановление
значений функций по признакам аргумента |
|
|
84. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.3.4.1.
Восстановление значений и визуализация 1d-функций |
|
|
85. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.3.4.2.
Восстановление значений и визуализация 2d-функций |
|
|
86. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.3.4.3.
Преобразование 2d-матрицы в 1d-таблицу с признаками точек |
|
|
87. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.3.4.4.
Объединение многих БД: Inp_0001.dbf и т.д. в Inp_data.dbf |
|
|
88. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.3.4.5.
Помощь по подсистеме (требования к исходным данным) |
|
|
89.
|
|
4.4. Исследование
предметной области путем исследования ее модели |
|
|
90. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.1.
Оценка достоверности обучающей выборки |
Выявление
объектов с нарушенными корреляциями между классами и признаками. Выявление
очень сходных друг с другом объектов обучающей выборки |
|
91. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.2.
Оценка достоверности распознаваемой выборки |
Выявление
очень сходных друг с другом объектов распознаваемой выборки |
|
92. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.3.
Измерение адекватности 3 стат.моделей и 7 моделей знаний, любой заданной или
всех |
|
|
93. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.4.
Измерение сходимости и устойчивости 10 моделей |
|
|
94. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.5.
Зависимость достоверности моделей от объема обучающей выборки |
|
|
95. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.6.
Измерение независимости классов и признаков (анализ хи-квадрат) |
|
|
96. |
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.7.
Графические профили классов и признаков |
|
|
97. |
F4_4_8() |
4.4.8.
Количественный SWOT-анализ классов средствами АСК-анализа |
АСК-анализ
обеспечивает построение SWOT-матрицы (модели) для заданного класса с
указанием силы влияния способствующих и препятствующих факторов непосредственно
на основе эмпирических данных и поэтому является инструментом
автоматизированного количественного SWOT-анализа (прямая задача
SWOT-анализа). Классы интерпретируются как целевые и нежелательные состояния
фирмы, факторы делятся на внутренние, технологические, описывающие фирму, и
внешние, характеризующие окружающую среду, а количество информации,
содержащееся в значении фактора, рассматривается как сила и направление его
влияния на переход фирмы в те или иные будущие состояния |
|
98. |
F4_4_9() |
4.4.9.
Количественный SWOT-анализ факторов средствами АСК-анализа |
АСК-анализ
обеспечивает построение количественной SWOT-матрицы (модели) для заданного
значения фактора с указанием степени, в которой он способствует или
препятствует переходу объекта управления в различные будущие состояния,
соответствующие классам (обратная задача SWOT-анализа). Эта модель строится
непосредственно на основе эмпирических данных и поэтому АСК-анализ может
рассматриваться как инструмент автоматизированного количественного
SWOT-анализа. Факторы делятся на внутренние, технологические, описывающие
саму фирму, и внешние, характеризующие окружающую среду |
|
99. |
F4_4_10() |
4.4.10.Графическое
отображение нелокальных нейронов |
|
|
100.
|
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.11.Отображение
Паретто-подмножеств нелокальной нейронной сети |
|
|
101.
|
Ожидает
переноса из DOS-версии системы Эйдос |
4.4.12.Классические
и интегральные когнитивные карты |
|
|
102.
|
F4_5() |
4.5.
Визуализация когнитивных функций: текущее приложение, разные модели |
В
данном режиме осуществляется визуализация и запись когнитивных функций,
созданных в текущем приложении на основе различных стат.моделей и моделей
знаний |
|
103.
|
F4_6() |
4.6.
Подготовка баз данных для визуализация когнитивных функций в Excel |
Данный
режим готовит базы данных для визуализации в MS Excel прямых и обратных,
позитивных и негативных точечных и средневзвешенных редуцированных
когнитивных функций, созданных на основе различных стат.моделей и моделей
знаний |
|
104.
|
|
5. Сервис Конвертирование,
печать и сохранение модели, пересоздание и переиндексация всех баз данных |
|
|
105.
|
F5_1() |
5.1.
Конвертер приложения OLD => NEW |
Преобразование
модели из стандарта БД системы Эйдос-12.5 в стандарт Эйдос-X++. Для
конвертирования старого приложения надо скопировать в папку: <OldAppls>
файлы: Object.Dbf, Priz_Ob.Dbf, Priz_Per.Dbf, Priz_Per.Dbt, Obinfzag.Dbf,
Obinfkpr.Dbf |
|
106.
|
F5_2() |
5.2.
Конвертер приложения NEW => OLD |
Преобразование
модели из стандарта БД системы Эйдос-X++ в стандарт Эйдос-12.5 в папку
OldAppls. Все файлы из этой папки надо скопировать в текущую папку системы
"Эйдос-12.5", выполнить режимы 7.2 и 2.3.5 |
|
107.
|
Ожидает
переноса из DOS-версии системы Эйдос |
5.3.
Конвертер всех PCX (BMP) в GIF |
|
|
108.
|
F5_4() |
5.4.
Конвер. результатов расп.для SigmaPlot |
Конвертирует
результаты распознавания, т.е. БД Rasp.dbf в параметрическую форму в стиле:
"X, Y, Z", удобную для картографической визуализации в системе
SigmaPlot. Это возможно, если предварительно были выполнены режимы 3.7.7 и
3.4(3.5.) и 4.1.2. |
|
109.
|
F5_5() |
5.5.
Просмотр основных БД всех моделей |
Обеспечивает
просмотр и экспорт в Excel основных баз данных всех статистических моделей:
Abs, Prc1, Prc2 и моделей знаний: Inf1~Prc1, Inf2~Prc2, Inf3-хи-квадрат,
Inf4-roi~Prc1, Inf5-roi~Prc2, Inf6-Dp~Prc1, Inf7-Dp~Prc2 |
|
110.
|
F5_6(4,.T.,"5_6")
|
5.6.
Выбрать модель и сделать ее текущей |
Данная
функция позволяет выбрать среди ранее рассчитанных в 3-й подсистеме
статистических баз Abs, Prc1, Prc2 и моделей знаний INF#, текущую модель для
решения в 4-й подсистеме задач идентификации, прогнозирования, приятия
решений и исследования предметной области путем исследования ее модели |
|
111.
|
F5_7() |
5.7.
Переиндексация всех баз данных |
Заново
создаются все необходимые для работы системы индексные массивы общесистемных
баз данных (находящихся в папке с исполнимым модулем системы), а также баз
данных текущего приложения, необходимые для работы с ним |
|
112.
|
Ожидает
переноса из DOS-версии системы Эйдос |
5.8.
Сохранение основных баз данных модели |
|
|
113.
|
Ожидает
переноса из DOS-версии системы Эйдос |
5.9.
Восстановление модели из основных БД |
|
|
114.
|
F5_10() |
5.10.Выгрузка
исходных данных в "Inp_data" |
Данный
режим выполняет функцию, обратную универсальному программному интерфейсу с
внешними базами данных 2.3.2.2(), т.е. не вводит исходные данные в систему, а
наоборот, формирует на основе исходных данных файлы: Inp_data.dbf и
Inp_data.txt, на основе которых в режиме 2.3.2.2() можно сформировать эту же
модель |
|
115.
|
F5_11() |
5.11.
Внешнее управление системой "Эйдос" |
Данный
режим обеспечивает управление системой "Эйдос" в реальном времени
со стороны внешней программы путем задания ею последовательности функций
системы "Эйдос" для исполнения (по сути программы, написанной на
языке <Эйдос>) в специальной базе данных:
"ExternalControl.dbf" и программного контроля их исполнения |
|
116.
|
F5_12() |
5.12.
Пояснения по частн.и инт.крит.и лаб.работам |
Пояснения
по смыслу частных и интегральных критериев и описания лабораторных работ |
|
117.
|
|
6. О системе |
|
|
118.
|
F6_1() |
6.1.
Информация о системе, разработчике и средствах разработки |
|
|
119.
|
F6_2() |
6.2.
Ссылки на патенты, документацию и текущую версию системы |
Internet-ссылки
на патенты, монографии, учебные пособия, научные статьи и самую новую (на
текущий момент) версию системы "Эйдос-Х++, а также полный комплект
документации на нее одним файлом" |
|
120.
|
Ожидает
переноса из DOS-версии системы Эйдос |
6.3.
Карта системы (дерево диалога) |
|
|
121.
|
F6_4() |
6.4.
Порядок обработки данных, информации и знаний в системе |
Последовательность
обработки данных, информации и знаний в системе "Эйдос-Х++" с
указанием имен баз данных |
|
122.
|
F6_5() |
6.5.
Графическая заставка системы "Эйдос-12.5" |
|
|
123.
|
F6_6() |
6.6.
Roger Donnay, Professional Developer, Developer eXPress++ |
Roger
Donnay, профессиональный разработчик программного обеспечения, разработчик
высокоэффективной инструментальной системы программирования eXPress++, широко
использованной при создании системы "Эйдос-Х++". Roger Donnay,
Professional Developer, Developer eXPress++ |
|
124.
|
F6_7() |
6.7.
Логотипы мультимоделей |
|
|
125.
|
F6_8() |
6.8.
Свидетельство РосПатента РФ на систему "Эйдос-Х++" |
|
|
126.
|
F7() |
7. Выход |
Закрыть все базы данных и
корректно выйти из системы |
Необходимо
отметить, что все эти режимы, за исключением подсистемы администрирования и
диспетчера приложений, были реализованы в предыдущей версии системы “Эйдос» и
системах окружения. Фрагмент дерева диалога системы «Эйдос-Х++» приведен на
рисунке 127:
Рисунок 127. Фрагмент дерева диалога системы
«Эйдос-Х++»
Приведенная
структура меню не окончательная, т.к. система непрерывно развивается. Одним из
наиболее существенных отличий системы Эйдос-Х++ от предыдущей версии системы «Эйдос»
является то, что она обеспечивает одновременную работу с 3 статистическими
моделями, которые есть и в статистических системах, а также с 7 моделями знаний[10], и позволяет
во всех этих моделях решать задачи идентификации (прогнозирования), принятия
решений и исследования предметной области с двумя интегральными критериями. При
этом система Эйдос-Х++ оценивает эффективность применения различных частных и
интегральных критериев для решения этих задач. Рассмотрим эти вопросы подробнее.
Управление –
это достижение цели путем принятия и реализации решений об определенных
действиях, способствующих достижению этой цели. Цели управления обычно
заключаются в том, чтобы определенная система, которая называется объектом
управления, находилась в определенном целевом (желаемом) состоянии или
эволюционировала по определенному заранее известному или неизвестному сценарию.
Действия, способствующие достижению цели, называются управляющими воздействиями.
Решения об управляющих воздействиях принимаются управляющей системой.
Управляющее воздействие вырабатывается управляющей системой на основе модели
объекта управления и информации обратной связи о его состоянии и условиях окружающей
среды.
Автоматизированные
и автоматические системы управления отличаются друг от друга степенью
формализации модели объекта управления и степенью автоматизации процесса
выработки решения об управляющем воздействии:
– считается,
что в системах автоматического управления (САУ) процесс выработки управляющего
воздействия полностью автоматизирован, т.е. оно принимается управляющей системой
автоматически, без участия человека;
– в
автоматизированных системах управления (АСУ) решение об управляющем воздействии
принимается управляющей системой с участием человека в процессе их взаимодействия.
Однако, по
мнению автора, методологически неверно представлять себе дело таким образом,
как будто САУ принимают решение полностью самостоятельно, без какого-либо
участия человека. Гораздо правильнее было бы сказать, что в случае САУ решение
принимаемся человеком, который сконструировал и создал эти САУ и «заложил» в
них определенные математические модели и реализующие их алгоритмы принятия
решений, которые в процессе работы САУ просто используются на практике. Разве
это не является участием человека? Следовательно, точнее было бы говорить не об
участии или неучастии человека в принятии управляющих решений, а об его участии в реальном времени в случае АСУ
и отсроченном участии в случае САУ.
Естественно,
далеко не для всех видов объектов управления удается построить их достаточно
полную адекватную математическую модель, являющуюся основой для принятия
управляющих решений. В более-менее полной мере это удается сделать лишь для
достаточно простых, в основном чисто технических систем, и именно для них
удается построить САУ. Для технологических же систем, а также других систем,
включающих не только техническую компоненту, но людей в качестве элементов, это
удается сделать лишь в неполной мере, т.е. степень формализации управления
такими системами ниже, чем в САУ. В этом случае в процессе выработки решения об
управляющем воздействии остаются вообще неформализованные или слабо формализованные
этапы, которые пока не поддаются автоматизации, и, поэтому, решения об
управляющем воздействии не удается принять на полностью формализованном уровне
и тем самым полностью передать эту функцию системе управления. Этим и обусловлена
необходимость включения человека непосредственно в цикл управления, что и
приводит к созданию АСУ, в которых математические модели и алгоритмы используются
не для принятия решений, а для создания человеку комфортных информационных
условий, в которых он мог бы принимать решения на основе своего опыта и
профессиональной компетенции. Поэтому и говорят, что АСУ не принимают решений,
а лишь поддерживают принятие решений. Еще сложнее поддаются математическому
моделированию и формализации биологические и экологические, а также
социально-экономические и психологические системы, включающие отдельных людей и
их коллективы, т.е. сложные системы. Поэтому сложные системы обычно являются
слабо формализованными и на этой их особенности практически основано их
определение. Конечно, управление такими системами тоже осуществляется, но уже
практически без использования математических моделей и компьютерных технологий,
т.е. преимущественно на слабо формализованном интуитивном уровне на основе
опыта и профессиональной компетенции экспертов и лиц, принимающих решения
(ЛПР). При этом в соответствии с принципом Эшби управляемость сложных систем
является неполной.
Таким
образом, виды управления различными объектами управления можно классифицировать
по степени формализации процесса принятия решений об управляющих воздействиях
и, соответственно, по степени участия человека в этом процессе:
– САУ:
автоматическое принятие решения без непосредственного участия человека в
реальном времени;
– АСУ:
поддержка принятия решений, т.е. создание комфортных информационных условий для
принятия решений человеком в реальном времени;
– менеджмент:
управление на слабо формализованном уровне практически без применения
математических моделей.
Перспектива
развития методов управления сложными системами, по мнению автора, состоит в
повышении степени формализации процессов принятия решений при выборе вариантов
управляющих воздействий. Однако на пути реализации этой перспективы необходимо
решить проблему разработки технологии, обеспечивающей создание формальной
количественной модели сложного объекта управления на основе эмпирических данных
о его поведении под действием различных факторов, модели, пригодной для решения
задач прогнозирования и принятия решений.
В
стационарных САУ и АСУ объект управления не изменяется качественно в процессе
управления и, поэтому, его модель, созданная на этапе проектирования и создания
системы управления не теряет адекватность и в процессе ее применения. Иначе
обстоит дело в случае, когда объект управления изменяется качественно
непосредственно в процессе управления, т.е. является динамичным. В этом случае
модель объекта управления быстро теряет адекватность, как и управляющие воздействия,
выработанные на ее основе. Реализация таких неадекватных управляющих
воздействий приводит уже не к достижению цели управления, а к срыву управления.
Поэтому проблема состоит не только в том, чтобы создать адекватную модель сложного
объекта управления, но и в том, чтобы сохранить ее адекватность при существенном
изменении этого объекта, т.е. при изменении характера взаимосвязей между
воздействующими факторами и поведением объекта управления.
Это означает,
что система управления сложными динамичными объектами должна быть
интеллектуальной, т.к. именно системы этого класса позволяют проводить
обучение, адаптацию или настройку модели объекта управления за счет накопления
и анализа информации о поведении этого объекта при различных сочетаниях
действующих на него факторов. Таким образом, решив первую проблему, т.е.
разработав технологию создания модели сложного объекта управления, мы этим
самым создаем основные предпосылки и для решения и второй проблемы, т.к. для
этого достаточно применить эту технологию непосредственно в цикле управления.
Как показано
в работе (7), непосредственно на основе матрицы сопряженности (абсолютных
частот) или с использованием матрицы условных и безусловных процентных
распределений с использованием количественных мер знаний в «качестве коэффицентов
преобразования»[11] можно
получить 7 различных моделей знаний, приведенных в таблице 80:
Таблица 80 – Различные аналитические формы
частных критериев знаний в системе «Эйдос-Х++»
|
Наименование
модели знаний |
Выражение |
|
|
через |
через |
|
|
INF1, частный критерий: количество знаний по
А.Харкевичу, 1-й вариант расчета вероятностей: Nj – суммарное количество
признаков по j-му классу. Вероятность того, что если у объекта j-го класса
обнаружен признак, то это i-й признак |
|
|
|
INF2, частный критерий: количество знаний по
А.Харкевичу, 2-й вариант расчета вероятностей: Nj – суммарное количество
объектов по j-му классу. Вероятность того, что если предъявлен объект j-го
класса, то у него будет обнаружен i-й признак. |
|
|
|
INF3, частный критерий: Хи-квадрат: разности между
фактическими и теоретически ожидаемыми абсолютными частотами |
--- |
|
|
INF4, частный критерий: ROI - Return On Investment,
1-й вариант расчета вероятностей |
|
|
|
INF5, частный критерий: ROI - Return On Investment,
2-й вариант расчета вероятностей[12] |
|
|
|
INF6, частный критерий: разность условной и
безусловной вероятностей, 1-й вариант расчета вероятностей |
|
|
|
INF7, частный критерий: разность условной и
безусловной вероятностей, 2-й вариант расчета вероятностей |
|
|
Система
«ЭйдосХ++» обеспечивает синтез и верификацию всех этих моделей знаний. При этом
верификация (оценка достоверности) модели может осуществляться как с
использованием всей обучающей выборки в качестве распознаваемой, так и с использованием
различных ее подмножеств на основе бутстрепного подхода. Диалог режима синтеза
модели и ее верификации приведен на рисунке 128:
Рисунок 128. Диалог режима синтеза модели и ее
верификации
в Системе «ЭйдосХ++»
Количественные
значения коэффициентов Iij являются знаниями о том, что "объект перейдет в
j-е состояние" если "на объект действует i-е значение фактора".
Когда количество знаний Iij > 0 – i–й фактор способствует переходу объекта
управления в j-е состояние, когда Iij < 0 – препятствует этому переходу,
когда же Iij = 0 – никак не влияет на это. В векторе i-го фактора (строка
матрицы знаний) отображается, какое количество знаний о переходе объекта
управления в каждое из будущих состояний содержится в том факте, что данное
значение фактора действует. В векторе j-го состояния класса (столбец матрицы
знаний) отображается, какое количество знаний о переходе объекта управления в
соответствующее состояние содержится в каждом из значений факторов,
представленных в модели. Схема обработки данных и их преобразования в
информацию и знания в системе Эйдос-Х++ представлена на рисунке 129:
Рисунок 129. Схема обработки данных и их
преобразования
в информацию и знания в системе Эйдос-Х++
Все задачи
идентификации, прогнозирования, приятия решений и исследования предметной
области решаются в системе Эйдос-Х++ на основе моделей знаний, хотя для этого
могут использоваться и статистические модели. Поэтому там, где возможности
статистических систем заканчиваются, работа системы Эйдос-Х++ только начинается.
Таким
образом, модель системы Эйдос-Х++ позволяет рассчитать какое количество знаний
содержится в любом факте о наступлении любого события в любой предметной
области, причем для этого не требуется повторности этих фактов. Если же эти
повторности осуществляются и при этом наблюдается некоторая вариабельность
значений факторов, обуславливающих наступление тех или иных событий, то модель
обеспечивает многопараметрическую типизацию, т.е. синтез обобщенных образов классов
или категорий наступающих событий с количественной оценкой силы и направления
влияния на их наступление различных значений факторов. Причем эти факторы могут быть различной природы (физические, экономические,
социальные, психологические, организационные и другие), как количественными,
так и качественными и измеряться в различных единицах измерения и
обрабатываться в одной модели знаний сопоставимо друг с другом за счет того,
что для любых значений факторов в модели оценивается количество знаний, которое
в них содержится о наступлении событий, переходе объекта управления в
определенные состояния или просто о его принадлежности к тем или иным классам.
Рассмотрим
поведение объекта управления при воздействии на него не одного, а целой системы
значений факторов:
|
|
(1) |
В теории
принятия решений скалярная функция Ij векторного аргумента называется
интегральным критерием. Основная проблема состоит в выборе такого
аналитического вида функции интегрального критерия, который обеспечил бы
эффективное решение задач, решаемых управляющей системой САУ и АСУ.
Учитывая, что
частные критерии (таблица) имеют смысл количества знаний, а знания, как и
информация, является аддитивной функцией, предлагается ввести интегральный
критерий, как аддитивную функцию от частных критериев в виде:
|
|
(2) |
В выражении
(2) круглыми скобками обозначено скалярное произведение, т.е. свертка. В
координатной форме это выражение имеет вид:
|
|
(3) |
,где:
– вектор j-го класса-состояния объекта управления;
– вектор
состояния предметной области (объекта управления), включающий все виды
факторов, характеризующих объект управления, возможные управляющие воздействия
и окружающую среду (массив-локатор), т.е. Li=n, если i-й признак встречается у
объекта n раз.
Таким
образом, предложенный интегральный критерий представляет собой суммарное
количество знаний, содержащихся в системе значений факторов различной природы
(т.е. факторах, характеризующих объект управления, управляющее воздействие и
окружающую среду) о переходе объекта управления в то или иное будущее
состояние.
В
многокритериальной постановке задача прогнозирования состояния объекта
управления, при оказании на него заданного многофакторного управляющего
воздействия Ij, сводится к максимизации интегрального критерия:
|
|
(4) |
т.е. к выбору такого состояния объекта управления, для
которого интегральный критерий максимален.
Результат
прогнозирования поведения объекта управления, описанного данной системой
факторов, представляет собой список его возможных будущих состояний, в котором
они расположены в порядке убывания суммарного количества знаний о переходе
объекта управления в каждое из них.
Задача
принятия решения о выборе наиболее эффективного управляющего воздействия
является обратной задачей по отношению к задаче максимизации интегрального
критерия (идентификации и прогнозирования), т.е. вместо того, чтобы по набору
факторов прогнозировать будущее состояние объекта, наоборот, по заданному
(целевому) состоянию объекта определяется такой набор факторов, который с
наибольшей эффективностью перевел бы объект управления в это состояние.
Предлагается
обобщение фундаментальной леммы Неймана-Пирсона, основанное на косвенном учете
корреляций между знаниями в векторе состояний при использовании средних по векторам.
Соответственно, вместо простой суммы количеств информации предлагается
использовать корреляцию между векторами состояния и объекта управления, которая
количественно измеряет степень сходства этих векторов:
|
|
(5) |
где:
– средняя информативность по вектору класса;
– среднее по вектору идентифицируемой ситуации (объекта).
– среднеквадратичное отклонение информативностей
вектора класса;
– среднеквадратичное отклонение по вектору распознаваемого
объекта.
Выражение (5)
получается непосредственно из (3) после замены координат перемножаемых векторов
их стандартизированными значениями. Необходимо отметить, что выражение для интегрального
критерия сходства (5) по своей математической форме является корреляцией двух
векторов, координатами которых являются частные критерии знаний (поэтому в
системе «Эйдос-Х++» этот интегральный критерий называется «Смысловой или
семантический резонанс знаний», а критерий (3) – «Сумма знаний»).
Таким
образом, в системе «Эйдос-Х++» возможна оценка достоверности 7 моделей знаний,
а также 3 статистических моделей, с использованием двух интегральных критериев
сходства конкретного образа идентифицируемого объекта с обобщенным образом
класса:
- «Резонанс
знаний».
- «Сумма
знаний».
При этом
система генерирует несколько различных форм по достоверности моделей с этими
интегральными критериями:
1. Обобщающая
форма по достоверности моделей при разных интегральных критериях.
2. Обобщающий
статистический анализ результатов идентификации по моделям
3.
Достоверность идентификации классов в различных моделях
4.
Распределение уровней сходства верно и ошибочно идентифицированных и не
идентифицированных объектов в различных моделях.
5. Детальный
статистический анализ результатов идентификации в различных моделях по классам
Объем статьи
не позволяет привести конкретные примеры этих форм, и здесь можно лишь
отметить, что многочисленные численные эксперименты подтвердили возможность
обоснованно выбрать на их основе наиболее достоверную модель в каждом
конкретном случае. Это означает, что в системе «Эйдос-Х++» после синтеза модели
мы имеем возможность не сразу применять ее для решения различных задач, а
предварительно обосновано выбрать наиболее достоверную модель и уже затем
использовать ее для решения конкретных задач.
Кроме того в
системе «Эйдос-Х++» реализуется возможность идентификации объекта с каждым
классом именно в той модели и с тем интегральным критерием, при которых была наиболее
высокая достоверность идентификации. Этот алгоритм идентификации был впервые
разработан и реализован совместно с А.П.Труневым в системе «Эйдос-астра» (5) и
продемонстрировал повышение вероятности верной идентификации и верной не
идентификации около 20%. С приведенными монографиями можно ознакомиться на
сайте автора системы «Эйдос» [231].
Выводы. Система «Эйдос» за многие годы применения хорошо показала себя при проведении
научных исследований в различных предметных областях и занятий по ряду научных
дисциплин, связанных с искусственным интеллектом, представлениями знаний и
управлению знаниями. Однако в процессе эксплуатации системы были выявлены и
некоторые недостатки, ограничивающие перспективы применения системы. Создана
качественно новая версия системы (система Эйдос-Х++), в которой преодолены
ограничения и недостатки предыдущей версии и реализованы новые важные идеи по
ее развитию и применению в качестве
программного инструментария системно-когнитивного анализа (СК-анализ) [7].
Автор благодарен заведующему кафедрой компьютерных
технологий и систем ФГБОУ ВПО «Кубанский государственный аграрный
университет»Заслуженному деятелю науки РФ профессору В.И.Лойко, проректора по
науке профессору Ю.П.Федулову за созданную возможность разработки системы
«Эйлрс-Х++», а Roger Donnay, профессиональному разработчику программного
обеспечения, разработчику высокоэффективной инструментальной системы
программирования eXPress++, широко использованной при создании системы "Эйдос-Х++"
(Roger Donnay, Professional Developer, Developer eXPress++, Boise, Idaho USA, http://donnay-software.com), Clifford
Wiernik (CPA/CNE, Senior IT Analyst, www.aquafinance.com
cwiernik@aquafinance.com Tel:
800-234-3663 x1126, Fax:
715-848-1411, Aqua Finance, Inc, One Corporate Dr, Ste 300, Wausau WI
54401, USA) и всем участникам форума http://bb.donnay-software.com:8080/phpBB3/, оказывающим
автору действенную и бескорыстную помощь в разработке.
5.2. Некоторые
перспективы применения технологий АСК-анализа
В перспективе предложенные
методология, технология и инструментальная программная система могут быть применены, в частности, в
следующих областях:
1. В медицине для диагностики
заболеваний по их симптоматике; сжатия диагностической информации, содержащейся
в медицинской литературе и архивах историй болезни; проведения научных
исследований по выявлению причинно–следственных зависимостей между применяемыми
средствами (например, лекарственными) и методами лечения, с одной
стороны, и лечебным эффектом, с другой на основе данных мониторинга.
2. В профессиональной
диагностике и профориентации в учебных заведениях, на предприятиях в
отделах кадров, в центрах занятости населения (на биржах труда и в службах трудоустройства).
Для психосоциальной диагностики и анализа общественного мнения,
компьютерной обработки и интерпретации результатов социологических исследований
(public relations). Для тестирования предметной обычности учащихся и
определения решаемости контрольных заданий.
3. Для выявления и
прогнозирования "зон риска", в том числе в налоговых, финансовых и
других контролирующих органах, для криминалистической и психофизиологической
идентификации личности. Для классификации и типологизации преступлений, формализации фабулы (почерка), нахождения аналогов преступлений,
а также автоматизированного поиска ранее проведенных проверок, в которых были
получены аналогичные результаты.
4. Для диагностики
способностей, косвенного измерения уровня развития сознания, интеллектуальной и
эмоциональной сферы, способностей к специальным видам деятельности, связанных с
риском, высокой ответственностью, работой на высоте, под землей, под водой, с
применением оружия, в экстремальных ситуациях, в измененном темпе времени и
т.п. Для автоматизированного синтеза образа объекта по его фрагментам,
полученным с помощью подсознательного информационного канала, в том числе при
получении одной и той же информации многими людьми, ни один из которых в явной
и целостной форме не осознает ее и не способен осуществить сознательный синтез
целостного образа; для количественного сравнения и идентификации образов,
полученных в результате дистанционной перцепции, ретрогниции и прекогниции, с образами – мишенями. Для синтеза образа
объекта – мишени по его вербальным описаниям и количественного его сравнения с
оригиналом при индивидуальном и коллективном подсознательном восприятии.
5. Для атрибуции анонимных и
псевдонимных текстов, т.е. для установления вероятностного
авторства текста, времени его написания, места рождения (воспитания) автора,
тематической или иной принадлежности текста, по его незначительным, поврежденным,
неполным и несвязанным фрагментам. В этом случае система
распознавания работает как дескрипторная информационно-поисковая
система с автоматическим формированием дескрипторов и поиску по нечеткому или
некорректному запросу (на естественном языке, причем какой этот язык: русский,
английский или какой-либо другой – роли не играет).
6. Для автоматической
классификации, элементарных частиц, химических элементов и веществ по их
составу или внешним признакам. Для вероятностной идентификации элементов в смесях
и при неполном или некачественном их анализе с помощью химических тестов, спектральных методов, ядерно-магнитного
резонанса, для интерпретации результатов, полученных с помощью этих и других
подобных методов физического и химического исследования.
7. Для формирования обобщенных
образов различных видов недвижимости и сопоставления конкретных объектов с
этими образами в целях оценки недвижимости (развитие метода сравнительных
продаж). Для разработки и применения стандарта земель в земельном кадастре.
8. Для автоматической
классификации сортов растений и пород животных по их внешним, анатомическим,
физиологическим и другим признакам, а также на основе измерения генетического
расстояния. Для изучения влияния генотипа на фенотип (в том числе расшифровка и
содержательная интерпретация генома; выявление зависимости фенотипа от генотипа
и окружающей среды; выявление генотипических инвариантов, т.е. ансамблей генов,
поддерживающих один и тот же фенотипический признак при различных условиях
окружающей среды (адаптивность генома, лимитирующие факторы)). Применение
системной теории информации в генетике.
9. Для прогнозирования
характеристик месторождений полезных ископаемых (углеводородного сырья и др.) и
самих ископаемых по внешним сопутствующим признакам в том числе и установленным
с помощью биолокации. Для интерпретации данных аппаратной
геофизической разведки.
10. Для долгосрочного и
оперативного прогнозирования изменений погодных факторов, для регионов, для
которых известны суточные значения этих
факторов за достаточный период времени.
11. Для выявления влияния
любых технологических приемов и условий на качество и количество хозяйственных
результатов. Для анализа и прогнозирования ситуаций на сельскохозяйственном
секторе натурального и фондового рынка: ценовой мониторинг и прогнозирование цен и объемов продаж
продукции растениеводства, птицеводства и животноводства, а также ценных бумаг;
макроэкономический анализ.
12. Косвенная профессиональная
идентификация, прогнозирование успешности работы и совместимости сотрудников
службы безопасности, других служб банка (при этом выявляются сотрудники –
"опора фирмы" и "зоны риска"). Прогнозирование остатков и
движения средств на счетах филиалов банка и на счетах клиентов. Прогнозирование
развития фондового рынка, других сегментов рынка. Косвенная оценка рисков страхования, кредитования, инвестирования, бизнеса, других форм взаимодействия
юридических и физических лиц. Косвенная профессиональная идентификация,
прогнозирование успешности работы и совместимости сотрудников различных служб фонда (при этом выявляются
сотрудники – "опора фирмы", а также "зоны риска"). Косвенная
профессиональная идентификация и прогнозирование успешности работы клиентов фонда
по распределяемым профессиям и специальностям.
13. Прогнозирование развития
рынка труда и уровня безработицы, других сегментов рынка.
14. Для решения задач
распознавания объектов и их состояний по признакам, в том
числе и при неполном или искаженном описании. Для изучения динамики и
территориальных зависимостей обобщенных образов классов распознавания. Для
выявления и исследования причинно – следственных связей между событиями
(признаками, технологией, составом) и их следствиями (объектами, состояниями,
свойствами, эффективностью) и др.
5.3. Развитие АСК-анализа с применением теории
нечетких множеств и неклассической логики
Весьма
перспективным является развитие результатов, полученных в данном исследовании,
с применением аппарата нечетких множеств Заде-Коско и основанной на этом
аппарате нечеткой логики (которую иногда более удачно называют непрерывной или
континуальной, в отличие от дискретной бинарной Аристотелевской логики или
дискретной многозначной логики).
Эта перспектива
основана на том, что матрицу информативностей вполне можно рассматривать как
обобщенную (в смысле нечеткой логики) таблицу решений, в которой входы (факторы)
и выходы (будущие состояния АОУ) связаны друг с другом не с помощью
классических (Аристотелевских) импликаций-продукций, принимающих только
значения: "Итина" и "Ложь", а различными значениями истинности, выраженными в битах и
принимающими значения от положительного теоретически-максимально-возможного
("Максимальная степень истинности"), до теоретически неограниченного
отрицательного ("Степень ложности").
Фактически это
означает, что предложенная модель АСК-анализа позволяет осуществить синтез
обобщенных таблиц решений для различных предметных областей непосредственно на основе неполных и
зашумленных эмпирических исходных данных большой размерности и
продуцировать на их основе огромное
количество прямых и обратных правдоподобных (нечетких) логических
рассуждений по неклассическим схемам с
различными расчетными значениями истинности, являющимся обобщением классических
импликаций. Некоторые примеры подобных рассуждений приведены в таблице 81:
Таблица 81 – Прямые и обратные правдоподобные
логические высказывания с расчетной (в соответствии
с СТИ) степенью истинности импликаций
При этом в прямых
рассуждениях как предпосылки рассматриваются факторы, а как заключение –
будущие состояния АОУ, а в обратных – наоборот: как предпосылки – будущие состояния
АОУ, а как заключение – факторы. Степень истинности i-й предпосылки – это
просто количество информации Iij, содержащейся в ней о наступлении
j-го будущего состояния АОУ. Если предпосылок несколько, то степень
истинности наступления j-го состояния АОУ равна суммарному количеству информации,
содержащемуся в них об этом. Количество информации в i-м факторе о наступлении
j-го состояния АОУ, рассчитывается в соответствии с выражением (3.28) СТИ.
Прямые
правдоподобные логические рассуждения позволяют прогнозировать степень
достоверности наступления события по действующим факторам, а обратные – по
заданному состоянию восстановить степень необходимости и степень нежелательности
каждого фактора для наступления этого состояния, т.е. принимать решение по
выбору управляющих воздействий на АОУ, оптимальных для перевода его в заданное
целевое состояние.
Число вариантов
подобных логических формул определяется по сути дела произведением числа
сочетаний предпосылок на число сочетаний заключений. Однако, реально из этих
формул имеет смысл использовать только полные,
т.е. включающие все заданные предпосылки или все заданные заключения. В простейшем
случае заданными могут считаться все предпосылки, или предпосылки,
соответствующие факторам определенной группы, и т.д. Для развития этого
направления, по-видимому, целесообразно задействовать логику предикатов.
Необходимо также
отметить, что предложенная модель, основывающаяся на теории информации,
обеспечивает автоматизированное формирования системы нечетких правил по содержимому
входных данных, как и комбинация
нечеткой логики Заде-Коско с нейронными сетями Кохонена. Принципиально
важно, что качественное изменение модели путем добавления в нее новых классов
не уменьшает достоверности распознавания уже сформированных классов. Кроме
того, при сравнении распознаваемого объекта с каждым классом учитываются не
только признаки, имеющиеся у объекта, но и отсутствующие у него, поэтому
предложенной моделью правильно идентифицируются объекты, признаки которых
образуют множества, одно из которых является подмножеством другого (как и в
Неокогнитроне К.Фукушимы).
5.4. Динамика взаимодействующих семантических
пространств и создание континуального АСК-анализа
Следующим
чрезвычайно перспективным направлением развития полученных в данном
исследовании результатов представляется развитие теории динамики
взаимодействующих семантических пространств классов и атрибутов. С этой целью
для семантических пространств и объектов в этих пространствах, т.е. векторов
классов и факторов, на основе понятия "информация" предлагается
определить понятия, являющиеся аналогами понятий геометрии, кинематики и
динамики: это метрика, система отсчета, скорость и ускорение, путь, масса,
сила, импульс и энергия, закон (в частности законы сохранения), и т.д. Предлагается
получить соответствующие аналитические выражения и дать их содержательную
интерпретацию и способы численного расчета.
Высказывается
гипотеза, состоящая в том, что физическая
картина мира (и не только физическая) является не более чем подмножеством
некоторой информационной модели, в какой-то мере аналогичной той, которая
предложена в данном исследовании. Это позволяет подойти к исследованию
природы реальности с пониманием того, что в действительности мы исследуем не
реальность, а лишь содержательные информационные модели этой реальности,
основанные на нашем ограниченном опыте. Например, если прогноз поведения системы, сделанный на основании
некоторой модели, адекватен, то мы получаем информацию об адекватности модели,
если же нет – то новую информацию о системе, не отраженную в модели. Вторая
ситуация возможна при исследовании систем после прохождения ими точки
бифуркации и систем, качественно отличающихся от описываемых моделью. Учет этой
новой информации в модели повышает ее адекватность и качественно расширяет
область адекватного применения модели. Таким образом, количество информации о системе,
полученное в процесс познания, можно измерять по степени модификации модели
системы при учете в ней этой информации и приведении модели в адекватное
состояние (аналогично, количество информации, записанное в структуре предмета
труда, можно измерять по степени его модификации). При учете в модели
незначительного количества информации происходит ее адаптация, а при учете
значительного количества – синтез. Учет в теории информации эффектов системного
взаимодействия альтернативных состояний (явление интерференции последствий
выбора квантовых и активных объектов) приводит к обобщению понятия
"информация" в рамках системной теории информации, один из вариантов
которой предложен в данной работе. Подобные идеи в свое время привели к возникновению
специальной теории относительности (учет свойств релятивистских свойств
объектов), квантовой механики (учет квантовых свойств объектов) и
нейролингвистического (НЛП) программирования. В принципе философы знали это
всегда (правда не всегда признавали), но
предложенный в данном исследовании подход позволяет перейти в этой области от
умозрительных рассуждений к строгим
расчетам, и это соответствует внутренней логике развития науки, которую
здесь неуместно рассматривать подробнее.
Придание модели
онтологического статуса (гипостазирование) – ошибка которая часто совершается
(после этого начинают считать, что как в модели, "так все и есть в
действительности". Например, придание онтологического статуса объектам –
дело решенное для материалистов, но для последователей остальных философских
направлений этот вопрос остается открытым. Если объективное существование
объектов мало у кого вызывает сомнение, то вопрос об объективном существовании
интегративных структур 2-го и более высоких порядков остается открытым. Но что
это за структуры? В предложенной когнитивной концепции, кластер, например,
представляет собой своего рода "объект, состоящий из объектов", т.е.
объект 2-го порядка. Если объект выполняет интегративную функцию по отношению к
атрибутам, то кластер – по отношению к объектам. Необходимо подчеркнуть, что
термин "класс" используется не только для обозначения образов
уникальных объектов, но и для обозначения их кластеров, т.е. классу может соответствовать не уникальное,
а обобщающее имя, в этом случае мы имеем дело с обобщенным классом. Да и
кластеры могут быть не только кластерами уникальных объектов, но и обобщенных
классов.
Возникает вопрос об
онтологическом статусе понятия "кластер". В некоторых философских
системах подобным объектам приписывался даже более высокий статус существования,
чем самим объектам, например обычные объекты рассматриваются лишь как
"тени" "Эйдосов" (Платон). Известны и другие понятия для
обозначения объектов высоких порядков, например "архетип" (Юм),
"эгрегор" (Андреев) и др. Нельзя не отметить, что в современной
физике (специальной и общей теории относительности) есть подобное понятие
пространственно-временного интервала, который проявляется на практике как движение объекта. Являясь объектами 2-го
порядка сами кластеры в результате выполнения когнитивной операции "генерация
конструктов" могут быть классифицированы по степени сходства друг с
другом. Для обозначения системы двух противоположных кластеров, с "спектром"
промежуточных кластеров между ними, будем использовать термин "бинарный конструкт", при этом сами
противоположные кластеры будем называть "полюса бинарного конструкта". Таким образом, конструкт
представляет собой объект 3-го порядка. Словом "бинарный"
определяется, что в данном случае полюсов у конструкта всего два, но этим самым
подчеркивается, что в принципе их может быть 3, 4 и больше. Бинарный конструкт
можно формально представить в виде порядковой шкалы или даже шкалы отношений,
на которой градациям соответствуют кластеры, а значит и сами классы, и
соответствующие объекты. Конструкты с количеством полюсов больше 2 могут быть
представлены графически в форме семантических сетей в которых полюса являются
вершинами, а дуги имеют цвет и толщину, соответствующие степени
сходства-различия этих вершин. Семантические сети можно считать также просто
графической формой представления результатов кластерного анализа. По-видимому,
статус существования структуры реальности, отображаемой некоторой когнитивной
структурой определенного уровня интеграптивности тем выше, чем выше этот
уровень интегративности, т.е. наивысшим статусом существования обладает
мир-в-целом.
Аналогично
кластерам и конструктам классов формируются кластеры и конструкты атрибутов. В
кластеры объединяются атрибуты, имеющие наиболее сходный смысл. В качестве полюсов
конструктов выступают кластеры атрибутов, противоположных по смыслу.
Бинарные конструкты классов и атрибутов представляет
собой когнитивные структуры, играющие огромную роль в процессах познания. Не
будет преувеличением сказать, что познание представляет собой процесс
генерации, совершенствования и применения конструктов. Будем считать, что конструкт
тем более совершенен и тем выше его качество, чем сильнее отличаются его
полюса, т.е. чем больше диапазон его области значений.
Однако, возникает
вполне закономерный вопрос о том, по какой причине в мышлении современного
человека при обычных формах сознания используются лишь бинарные конструкты, причем, как правило, при их использовании
редко кто вспоминает про нечеткую логику Заде, т.е. на практике промежуточные
между полюсами значения вообще не рассматриваются. Представляется весьма
перспективным исследовать и формализовать законы мышления, характерные для
измененных (прежде всего, высших) форм сознания, разработать теорию конструктов
с большим чем два дискретным количеством полюсов (многозначные конструкты), а
также теорию конструктов с любым иррациональным количеством полюсов. Таким
образом, будущим исследователям и разработчикам возможно предстоит обобщить предложенную
в данном исследовании когнитивную концепцию и разработать на ее основе более
общие математические модели "многозначного а затем и континуального
АСК-анализа", в рамках которых предложенная модель получит статус частного
случая – "бинарного АСК-анализа". Возможно в рамках континуального
АСК-анализа удастся обнаружить новые базовые когнитивные операции и
интегративные когнитивные структуры более высоких порядков, чем в предложенной
когнитивной концепции и построить их математические модели.
5.5. Интеллекутальная адаптивная система
управления состоянием пациента
При разработке
методики необходимо провести следующие работы [4]:
1. Поставить
цели методики и разработать в соответствии с ними перечень прогнозируемых и целевых состояний
больного, переход в которые рассматривается как результат воздействия на
больного с помощью определенных медицинских технологий (специфических и
неспецифических лечебных факторов).
2. Разработать
формализованный паспорт больного, позволяющий описать в пригодной для
компьютерной обработки форме его социальную и медицинскую историю, актуальное состояние
(социальный статус, анамнез, симптоматика, лабораторные исследования и др.),
лечебные воздействия и их результат. Формализованный паспорт состоит из трех
основных частей: первая содержит шкалы, описывающие не зависящие от лечащего
врача факторы, вторая часть содержит факторы, зависящие от решения лечащего
врача, которые можно рассматривать как средство достижения желаемых лечебных
результатов, и третья – содержит классификацию самих прогнозируемых и целевых
лечебных результатов.
3. Часть
некомпьютеризированного архива по историям болезни, принадлежащего базовому
лечебному учреждению, будет представлена в виде формализованных паспортов и
введена в систему “Эйдос” в качестве примеров того, к каким лечебным результатам
фактически приводят те или иные лечебные воздействия на больных, имеющих
определенную предысторию и определенное актуальное состояние.
4. Система
“Эйдос” на основе предъявленных реальных примеров лечения выявит взаимосвязи
между предысторией больного, актуальной клинической картиной, применяемыми медицинскими
технологиями (лечебными факторами) и полученными лечебными результатами и
сформирует так называемые информационные портреты по каждому результату.
Информационный портрет лечебного результата представляет собой перечень
различных характеристик больного и его бытового и профессионального окружения,
а также лечебных факторов с количественным указанием того, какое влияние каждый
из них оказывает на осуществление данного результата.
5. Для каждой
из характеристик больного, каждого лечебного фактора будет на основе обработки
примеров лечения автоматически (то есть самой системой “Эйдос”) количественно
определено, какое влияние по величине и направлению он оказывает на
осуществление каждого лечебного результата.
6. Система
сравнит различные лечебные результаты и сформирует группы наиболее сходных из
них (кластеры), а также определит какие кластеры наиболее сильно отличаются
друг от друга (конструкты). При этом будут выявлены не только уже известные
специалистам конструкты, но могут быть обнаружены и новые, ранее неизвестные.
7. Аналогично и
технологические факторы будут сгруппированы в кластеры и конструкты, так,
например, будет выявлено, что некоторые различные по своей физической природе
специфические и неспецифические лечебные факторы оказывают сходное влияние на
лечебные результаты.
8. После
выполнения данных работ будет проверена способность системы правильно
прогнозировать лечебные результаты на массиве уже введенных формализованных
паспортов, то есть будет определена внутренняя интегральная и дифференциальная
валидность методики. Если она окажется достаточно высокой, то методику можно
будет рекомендовать для опытно-экспериментального практического применения. В
то же время, по-видимому, будут выявлены и слабодетерминированные лечебные
результаты, которых наиболее сложно добиваться и достоверно прогнозировать.
Таким образом,
данная методика позволит решить следующие две основные задачи:
1.
Прогнозирование, какие лечебные результаты наиболее вероятны (а какие
практически невозможны) при данной предыстории, с данной актуальной клинической
картиной, а также имеющимися в распоряжении медицинскими технологиями.
2.
Консультирование, какие предыстория, клиническая картина и лечебные воздействия
должны быть, чтобы можно было рассчитывать с определенной уверенностью на
заданный лечебный эффект.
Система сама
оценивает степень достоверности своих прогнозов и рекомендаций, т.е. она не
просто дает рекомендацию, но и количественно оценивает степень надежности этой
рекомендации.
Кроме того
система дает характеристику каждого технологического приема (то есть говорит,
“на что он работает”), а также выдает рекомендации по замене желательных
технологических приемов, но очень дорогих или труднодоступных, другими, более
дешевыми и которые есть в распоряжении, и, при этом, имеют сходное влияние на
лечебные результаты.
Таким образом,
данная методика позволяет “просматривать” различные варианты технологии,
прогнозировать последствия применения различных технологических приемов, и, на
этой основе, вырабатывать научно обоснованные рекомендации по выбору
квазиоптимальной для поставленных целей лечебной технологии.
Данная
методика:
1. Может
эксплуатироваться в адаптивном режиме: то есть квалифицированный пользователь
может увеличивать базу примеров, расширять перечень прогнозируемых
(идентифицируемых) лечебных ситуаций ситуаций, увеличивать количество факторов
в формализованном паспорте или контролируемо уменьшать размерность описания без
потери качества.
2. Позволяет
использовать любое количество шкал для классификации и описании прогнозируемых
и целевых лечебных результатов, причем в разных шкалах может быть различное количество
градаций (ограничение на их суммарное количество накладывается только
характеристиками компьютера).
3. Сама
выявляет зависимости на основе примеров лечения, взятых из реальной практики, и
не требует от эксперта формализованного описания этих зависимостей (продукций),
как в ряде экспертных систем.
5.6. Некоторые
перспективы применения системы «Эйдос» в психологии
В данном исследовании не ставится задача подробно раскрывать
возможности применения АСК-анализа в психологии. Отметим лишь, что эти
возможности довольно развитые и включают такие направления, как: разработка
оптимальных адаптивных тестов и профессиограмм (в том числе реализация тестов с известными ключами
без какого-либо программирования, интеграция известных тестов в супертесты без
программирования и опросов респондентов и т.д.); комплексное
психологическое тестирование и прогнозирование
(в том числе возможности применения системы окружения "Эйдос-Y"); управление персоналом; транспортная
психология;
когнитивная
психология; компьютерные Y–технологии и т.д. Подробнее эти вопросы освещены в работе [7] и
ряде других работ автора с соавторами: [3-203].
Разработка
оптимальных адаптивных тестов и профессиограмм
Актуальность
Сама жизнь ставит перед нами следующие непростые вопросы:
пригоден ли вообще данный абитуриент для учебы в вузе? Если он пригоден, то по
какой специальности в перспективе он сможет проявить себя наилучшим образом?
Как показывает практика, каждая ошибка в ответах на эти вопросы очень дорого обходится
как личности, так и государству, поэтому разработка перспективных технологий
заблаговременного получения максимально точных ответов на эти вопросы является
весьма актуальной.
Отсюда следует проблема № 1:
разработать профессиограммы по базовым специальностям данного вуза. Отметим,
что в настоящее время они не разработаны, более того, работы в этом направлении
не ведутся. Профессиограммой называется перечень психофизиологических и других
свойств и качеств личности, с количественным
указанием степени их необходимости для успешного выполнения определенных
учебных и профессиональных задач.
Но даже если бы эти
профессиограммы уже существовали, то возникла бы проблема № 2, т.е.
проблема разработки и внедрения способа практического применения этих профессиограмм.
Проблема № 3 состоит в том, что со временем
профессиограммы теряют адекватность вследствие изменения закономерностей в
предметной области. Следовательно, необходима их периодическая адаптация и
локализация.
Предлагаемый подход
Разработка профессиограмм – это
длительный, трудоемкий процесс весьма значительной сложности и наукоемкости. В
целом этот процесс в настоящее время не формализован и практически не оснащен
адекватным техническим и методическим инструментарием. Осуществляется он, как
правило, на основе экспертных оценок или путем применения значительного
количества нелокализованных по месту и времени применения тестов зарубежного
производства, не адаптированных для тех целей, которые ставятся перед
разработчиками профессиограмм.
Проблема № 2 возникает редко, так
как у практических психологов обычно просто нет профессиограмм. Но даже если
они есть, то, как правило, решение принимается психологами на неформальном
уровне: на основе личного опыта и интуиции, так как у них в распоряжении редко
есть способы количественно сравнить респондента с профессиограммами.
Автор предлагает конкретные,
успешно апробированные методики и интеллектуальные компьютерные технологии
решения сформулированных выше проблем, воплощенные в инструментальной
программной системе "Эйдос" и системах окружения. Кратко, суть этих
методик и технологий заключается в следующем: проектируется представительная по
количеству респондентов выборка; респонденты тестируются с применением батареи
стандартных тестов с помощью системы обработки данных комплексного
психологического тестирования "Эйдос"; система "Эйдос"
позволяет провести предварительный анализ данных; классификаторы и результаты
тестирования экспортируются в когнитивную аналитическую систему
"Эйдос" для дальнейшей интеллектуальной обработки.
Результаты и перспективы
Когнитивная
аналитическая система "Эйдос" обеспечивает: автоматическое
взвешивание или ремонт исходных данных, т.е. выборку из массива респондентов
такого подмножества, которое в наибольшей степени соответствует заданной
генеральной совокупности (обеспечение структурной репрезентативности обучающей
выборки); формирование обобщенных образов
исследуемых профессиональных категорий респондентов, т.е. автоматизированную разработку
профессиограмм; определение вклада психологических свойств, измеряемых с
помощью стандартных тестов, в различие профессиограмм; исключение тех
психологических свойств, которые вносят наименьший вклад в различие профессиограмм
(абстрагирование); вывод сформированных профессиограмм и профилей
психологических качеств в удобной для восприятия и анализа текстовой и графической
форме; сравнение индивидуальных интегральных образов респондентов с профессиограммами
и определение спектра профессиональных предпочтений для данного респондента;
сравнение профессиограмм (и профилей психологических качеств) друг с другом, формирование кластеров и конструктов, автоматическое построение семантических
сетей классов и признаков; содержательное сравнение профессиограмм (и профилей
психологических качеств) друг с другом, автоматическое построение когнитивных
диаграмм, в том числе стандартных и инвертированных (термин авт.) диаграмм В.С.Мерлина;
– расчет частотных распределений
профессиограмм и психологических, а также двумерных матриц сопряженности на основе критерия c2 и коэффициентов Пирсона, Чупрова и Крамера.
Адаптивность обеспечивается тем,
что связь с тестируемыми не прерывается, и когда становится известным,
оправдались или не оправдались прогнозы, сделанные по ним, или изменяется экспертная
оценка респондентов обучающей выборки, то эта информация вводится в систему и
решающие правила переформировываются с учетом этого.
В качестве примера успешного применения на практике
предложенной технологии можно привести ряд исследований.
Комплексное
психологическое тестирование и прогнозирование
Актуальность
Первая группа проблем связана с
необходимостью получения комплексной картины предметной области с помощью узкоориентированного,
т.е. специализированного психометрического инструментария.
В настоящее время
психологи–практики все чаще обращаются к комплексному психологическому
тестированию. Основная причина этого очевидна: каждый из стандартных
психологических тестов или опросников позволяют исследовать лишь какой–либо
один из уровней или аспектов личности, или достаточно узкий их спектр, тогда
как основной интерес представляет именно получение и исследование целостной
картины, которая определяется характером взаимосвязей разноуровневых свойств
личности.
Например, самоактуализационный
тест (САТ) измеряет прежде всего социально–обусловленные качества респондентов,
тогда как опросник 16 PF Р.Б.Кеттелла – конституционные психические качества,
детерминируемые более фундаментальными и устойчивыми генотипическими факторами.
На определяющую роль изучения
межуровневых взаимосвязей индивидуальных, психодинамических и социально–психологических
свойств личности для интегрального исследования индивидуальности указывал
В.С.Мерлин.
Вторая группа проблем, связана с
тем, что практически все стандартные психодиагностические тесты, опросники и
процедуры (далее: "тесты") обладают целым рядом принципиальных недостатков,
ограничивающих их корректное и методологически оправданное применение: эти
тесты разработаны и нормированы на выборке разработчика, а должны применяться
на выборке пользователя (которые, вообще говоря, относятся к разным генеральным
совокупностям и не являются взаимно–репрезентативными); они созданы для одних
целей, а используются не совсем для тех или совсем не для тех целей.
Предлагаемый подход
На первый взгляд кажется, что проблема № 1 решается адаптацией тестов,
однако это не совсем так. Дело в том, что необходимо еще подтвердить
специальным исследованием, что адаптированный, например, С.Петербургской
психологической школой (в частности, известной фирмой "Иматон") тест
применим на Кубани, т.е. учитывает Южно–Российскую региональную специфику.
По мнению автора, адаптировать тесты необходимо на репрезентативной
выборке, представляющей ту генеральную совокупность, на которой они будут
применяться. Иначе даже "адаптированные" где–то и для кого–то
тесты не будут учитывать региональной специфики, в которой работают конкретные
пользователи, и практически ничем не будут отличаться в этом отношении от
"неадаптированных".
Но даже у тестов, учитывающих
региональную специфику (локализованных), из–за динамичности предметной области
со временем уменьшается надежность и валидность. Поэтому необходима
периодическая адаптация тестов к изменившимся условиям, а лучше – работа
тестов в адаптивном режиме. На сегодняшний день, по литературным данным,
известна лишь одна система, обеспечивающая не только автоматизированную
разработку, но и эксплуатацию тестов в адаптивном режиме – это система "Эйдос".
Известно, что работы по адаптации
тестов являются весьма трудоемкими и наукоемкими, а также сложными в
организационно–юридическом отношении, поэтому в настоящее время в России
научные центры, способные решать эти задачи, можно буквально пересчитать по
пальцам одной руки. Очевидно, мощности этих центров не обеспечивают
потребностей регионов в стандартизированном психометрическом инструментарии.
Из этих предпосылок часто
делается вывод о том, что необходимо дать психологам технологию создания и
адаптации тестов, чтобы они сами на местах могли решать эту проблему. Однако в
настоящее время этот вывод представляется автору необоснованным, несмотря на
то, что ранее и он придерживался этой точки зрения. Дело в том, что дать
психологу подобный инструмент – это все равно, что дать рядовому бухгалтеру
систему программирования Turbo C++ for Windows9X и предложить ему, чтобы он сам
создал, а затем модернизировал такую систему бухучета, которая отражала бы
специфику его предприятия. Однако рядовой бухгалтер не имеет для решения этой
задачи ни сил, ни времени, ни соответствующей квалификации, да это и не входит
в его должностные обязанности. Также и рядовой психолог не сможет, да и не
должен заниматься выработкой своего инструментария. Этот инструментарий, причем
стандартный и сертифицированный, ему должен быть предоставлен.
Но если предположить, что
психологи все же займутся не своим прямым делом, а разработкой инструментария,
и что у них это получится, то это будет означать одновременно конец какой–либо
сопоставимости в их исследованиях, так как каждый будет пользоваться своим
собственным инструментарием. По сути мы сталкиваемся в этой ситуации с
метрологической проблемой. И мы знаем, что существуют центры и лаборатории
стандартизации и метрологии, которые занимаются поверкой и, если надо, настройкой
измерительных приборов. Опыт метрологических служб является весьма ценным в
нашем случае и им целесообразно воспользоваться.
Следовательно, весьма актуальным
является создание региональных ведомственных и межведомственных психологических
центров, которые могли бы решать задачу оснащения практических психологов в
своих регионах новыми, адаптированными и сопоставимыми психометрическими методиками.
Проблема нецелевого применения
тестов, по мнению автора, является даже еще более острой, чем проблема их
неадекватности. Вызывает по меньшей мере удивление, с какой легкостью "специалисты"
некоторых частных фирм, изучив всего лишь одно, отдельно взятое психологическое
свойство, например, "общительность", выносят рекомендации о том,
может ли данный кандидат быть, например, бухгалтером-кассиром, сотрудником
службы безопасности или инкассатором банка. Спрашивается, зачем банку нужен
общительный бухгалтер? Однако отсутствие элементарной методологической
корректности применения тестов характерно не только для коммерческих фирм,
живущих за счет рекламы, вводящей в заблуждение.
Конечно, ясно, что результаты
тестирования с помощью этих тестов каким–то образом связаны с успешностью или
неуспешностью профессиональной деятельности на различных должностях. Но ведь
вопрос как раз и заключается в том, что эта взаимосвязь еще никем не
исследовалась и фактически никому не известна. А ведь на пути к практическому
применению этих знаний необходимо еще создать соответствующий инструментарий,
апробировать его, сертифицировать и стандартизировать как пригодный для решения
данных конкретных задач. Забегая вперед, отметим, что инструментарий и методика
для создания двухступенчатого теста на базе тестов Кеттела и Люшера (а также
других) имеются: базовая когнитивная система "Эйдос" и система обработки данных комплексного
психологического тестирования "Эйдос–Y".
Результаты и
перспективы
1.
Для проведения исследований интегральной индивидуальности на современном
технологическом уровне необходимо применение соответствующих автоматизированных
систем, реализующих адекватные данной задаче методологические концепции и
математические модели. Задача создания и применения подобных систем является
весьма актуальной.
2.
Актуальной является задача создания научно–методического
психологического Центра, способного решать как задачи разработки новых
сопоставимых психометрических методик специального назначения, так и адаптации
уже имеющихся и практически использующихся для психологических служб края. Все
практически применяемые психометрические методики должны пройти сертификацию и
стандартизацию в Центре. Выводы и рекомендации, которые даются на основе
применения не сертифицированных и не стандартизированных Центром методик должны
быть признаны научно–методически не обоснованными и юридически ничтожными. В
перспективе этот Центр мог бы выполнять функции регионального ведомственного
психологического центра.
Управление
персоналом
Актуальность
Данный вид работ проводится с целью обеспечения оптимального
подбора и расстановки руководящих, административных и
профессорско-преподавательских кадров с учетом профессиональной компетентности
и индивидуальных психологических свойств и качеств, а также психологической
совместимости в коллективах.
Предлагаемый
подход
Для достижения цели данного вида работ, создается и внедряется
адаптивная автоматизированная система управления персоналом Кубанского
государственного технологического университета (ААСУ "Персонал"),
входящая в адаптивную автоматизированную систему управления университетом в
качестве подсистемы.
В процессе создания системы выполняются следующие работы:
1. Разрабатывается
концепция и стратегия управления персоналом Кубанского государственного технологического
университета:
2. Определяются принципы и методы построения ААСУ
"Персонал".
3. Выполняется разработка ААСУ "Персонал":
– конкретизируются цели
и задачи системы, выполняется функциональное проектирование;
– разрабатывается математическое обеспечение АСУ
"Персонал";
– разрабатываются алгоритмы и структура баз данных
системы;
– разрабатывается программное, информационное, техническое,
а также кадровое, делопроизводственное, организационное, юридическое,
нормативное, научное, методическое, этическое обеспечение системы.
Результаты и перспективы
В результате в практику работы университета внедряется
адаптивная система управления персоналом, обеспечивающая:
– разработку, адаптацию и применение профессиограмм,
адаптивных оптимальных тестов и супертестов;
– формирование оперативного плана работы с персоналом
и контроль его выполнения;
– маркетинг персонала;
– определение потребности в персонале;
– планирование и анализ показателей по труду, расходов
на персонал;
– нормирование и учет численности персонала;
– профессиональный и личностный отбор, наем и прием персонала;
– деловая оценка персонала;
– оценка личностных характеристик персонала;
– профориентация и трудовая адаптация персонала;
– организация системы обучения и повышения
квалификации персонала;
– управление деловой карьерой персонала;
– управление служебно-профессиональным продвижением
персонала;
– высвобождение персонала;
– управление социальным развитием организации;
– управление поведением личности в профессиональных
группах;
– управление мотивацией трудовой деятельности;
– управление нововведениями в кадровых системах;
– управление конфликтами и стрессами;
– управление безопасностью;
– оценка результативности труда руководителей, специалистов,
профессорско-преподавательского состава, аттестация персонала;
– оценка эффективности деятельности подразделений управления
персоналом;
– оценка экономической
эффективности адаптивной автоматизированной системы управления персоналом.
Транспортная
психология
Актуальность
С применением предложенной
методологии и технологии, а также инструментальной системы, автором, совместно
с УГАИ МВД по
Краснодарскому краю успешно проведено исследование по выявлению
психологических и иных причин нарушения ПДД водителями, имеющими различный психологический
статус и относящимися к различным группам населения в разрезе: причины, виды и
время суток нарушения ПДД.
Предлагаемый подход
Водители, как представители своих
национальных, культурных, религиозных, возрастных, образовательных, социальных и других групп населения испытывают с их стороны
влияние, формирующее на подсознательном уровне всю систему их отношений, в том
числе и к выполнению ПДД. С применением предложенных в данной работе
технологий могут быть выявлены зависимости между индивидуальными качествами
водителей и видами совершаемых ими нарушений ПДД.
Результаты и перспективы
Детально зная все эти и другие
особенности различных групп населения и имея индивидуальный прогноз совершения
нарушений ПДД по каждому конкретному водителю, психолог может оказать адресное индивидуальное
корректирующее (управляющее) влияние на тех водителей, для которых риск нарушения
ПДД выше принятого в качестве допустимого.
Когнитивная
психология
Актуальность
В данном разделе автор приводит в
порядке обсуждения когнитивную концепцию, которая представляет определенный интерес
в связи с реализацией основных когнитивных операций в предложенных интегральной
математической модели и инструментальной программной системе (когнитивная аналитическая
система "Эйдос").
Предлагаемый подход
Прежде всего процесс познания
начинается с процесса восприятия объектов и явлений. Процесс восприятия
осуществляется с помощью органов восприятия: зрения, а также слуха, осязания и
др. Органы восприятия дают человеку чувственную информацию о признаках
наблюдаемых объектов.
На самых первых этапах жизни
человека эти признаки объектов не образуют устойчивых взаимосвязанных
комплексов, т.е. целостных образов объектов. Но опыт взаимодействия человека с
реальными объектами приводит к выявлению взаимосвязей между признаками. Так в
результате опыта обнаруживается, что некоторые признаки наблюдаются как правило
вместе друг с другом (наличие пространственно–временных корреляций), другие же
наоборот, вместе практически не встречаются. Могут быть также признаки, которые
встречаются как бы случайным образом и, по–видимому, никак не связаны с
другими.
Существование устойчивых
взаимосвязей между признаками говорит о том, что они не являются самостоятельной
реальностью, а отражают нечто стоящее за ними и их объединяющее, т.е. реальные
объекты. Это означает, что признаки не
генерируются из ничего, а имеют объективное содержание. Каждому Реальному объекту
или явлению Реальности в сознании человека соответствует некоторая своя
устойчивая взаимосвязь признаков (этого объекта), т.е. свой определенный образ,
а именно конкретный чувственный образ данного конкретного (этого) объекта. Конкретный
чувственный образ объекта представляют собой совокупность всех его
воспринимаемых признаков, как общих с другими объектами, так и в большей или
меньшей степени специфических именно для данного конкретного объекта.
Следующий этап познания Реальности состоит в том, что некоторый
взрослый человек – учитель (обычно мать или отец) показывает ребенку окружающие
его объекты и произносит их названия на некотором символическом языке, т.е.
дает им некоторые условные наименования или имена.
Если чувственно воспринимаемые
признаки конкретного объекта имеют объективное происхождение, то
наименование объекта устанавливает его принадлежность к некоторой категории объектов,
включающей в общем случае много различных объектов, объединенных по их
назначению или иной функциональной роли в природе или обществе с точки
зрения познающего человека (общества), или роль данного объекта для самого
познающего человека.
Необходимо также отметить, что у
животных, в отличие от человека, сам набор обобщенных образов довольно жестко
фиксирован (свой для каждого вида) и количественно очень ограничен.
На этом этапе весьма существенным
обстоятельством является то, что самые различные объекты одного функционального
назначения получают одинаковое название, например, все различные мячи
получают наименование "Мяч", столы – "Стол" и так далее.
При этом ребенок устанавливает
(корреляционные) взаимосвязи:
-
между наблюдаемыми признаками данного конкретного объекта и
наименованием социально–обусловленной обобщенной категории, к которой данный
объект относится;
-
между наименованиями признаков и наименованиями обобщенных категорий
объектов.
Благодаря существованию этих
связей и становится возможным говорить о смысле признаков, т.е. о том,
что каждое физическое свойство конкретного объекта несет определенную информацию
о роли этого объекта в природе, обществе или для конкретного человека.
Таким образом, введение в обиход наименований
объектов становится важнейшей предпосылкой для формирования их абстрактных обобщенных
образов, причем сама возможность обобщения связана с классификацией объектов по
их социальной роли (назначению).
Среди различных окружающих
объектов совершенно аналогично формируется предметный образ и такого специфического для каждого конкретного
человека объекта, как его собственное физическое тело. Так формируется
"образ Я", характерный для физической формы сознания, формируется предметное
сознание и самосознание.
Когда абстрактные обобщенные
образы объектов сформированы, то становится возможным узнавание конкретных
объектов, т.е. их идентификация. Операция узнавания состоит в сравнении конкретного
чувственного образа определенного объекта с обобщенными абстрактными образами и
определение степени сходства и различия между данным конкретным чувственным
образом и обобщенными образами. В результате, когда конкретный объект узнан,
человек может назвать его наименование, т.е. может восстановить его
функциональную роль в природе, обществе или лично для себя. Если человек в
состоянии это сделать, то считается, что он понимает смысл того, что он воспринимает.
Таким образом, узнавание – это
процесс установления соответствия между объективным описанием объекта как
дискретной совокупности признаков и его единым и неделимым (континуальным)
именем, т.е. наименованием той обобщенной категории, к которой данный объект
относится по своей социально–обусловленной
роли. У человека интенсиональное (дискретное) и экстенсиональное
(континуальное) описания объектов обрабатываются двумя различными
взаимно–дополнительными системами отражения, работа которых обеспечивается
различными полушариями мозга, и лишь взаимодействие этих двух систем обеспечивает
обработку смысла.
По мере накопления опыта
выясняется, что некоторые специфические признаки практически однозначно
позволяют идентифицировать объекты, т.е. отнести их к определенным обобщенным
категориям, другие же встречаются примерно с одинаковой вероятностью у самых
различных объектов и для целей идентификации являются практически бесполезными.
Умение человека определить ценность тех или иных признаков для решения задачи
идентификации уже говорит о накоплении достаточно большого опыта восприятия и
обобщения.
Когда такой достаточно
значительный опыт накоплен, то следующим совершенно естественным этапом
познания является выделение всего наиболее существенного путем отбрасывания случайных и не несущих существенной информации
признаков, а также дублирующих и избыточных признаков, имеющих очень сходный
друг с другом смысл. В результате этой операции, называющейся "абстрагирование",
первоначальное описание объекта на языке признаков, включающее все его чувственно
воспринимаемые признаки, заменяется значительно более сжатым и экономным
описанием, содержащим только наиболее существенные для идентификации объекта
признаки. После этой операции процесс
ориентации в предметной области становится более экономным по затратам всех
видов ресурсов, более легким и быстрым, чем до этого, причем при сохранении
необходимого высокого качества.
Высвобождение сил познающего
человека после исключения из анализа второстепенной и несущественной информации
позволяет подойти к решению более сложных задач, таких как выявление сходств и
различий между обобщенными образами различных видов
объектов Реальности, а также выявление смысловых взаимосвязей между различными
признаками этих объектов. Кроме того, использование сжатых и высокоинформативных образов объектов позволяет быстро и с
минимальными внутренними затратами относить конкретные чувственно–наблюдаемые
объекты к тем или иным обобщенным категориям, функции и свойства которых уже
известны, и таким образом эффективно ориентироваться в некоторой предметной
области (окружающей среде).
В дальнейшем, применяя на
практике ранее сформированные модели Реальности, человек получает новую
достоверную информацию о степени их эффективности и, соответственно, адекватности.
Эта информация обратной связи используется для уточнения и развития конкретной
чувственно–эмоциональной и обобщенной, абстрактной (формальной) модели
Реальности, в чем и состоит ее адаптивность.
Результаты и перспективы
Математическая модель и
реализующая ее инструментальная программная система, разработанная на основе
многокритериального подхода и теории информации, обеспечивает достаточно адекватное для практического применения
формальное описание и поддержку реализации 10 базовых когнитивных операций,
психологическое описание которых дано в базовой когнитивной концепции:
1) присвоение имен (экстенсиональное
(континуальное) представление чувственного образа конкретного объекта в форме
принадлежности к некоторым градациям определенных смысловых шкал);
2) восприятие
(интенсиональное (дискретное) представление чувственного образа конкретного
объекта в форме совокупности признаков);
3) обобщение (синтез, индукция) (формирование обобщенных образов различных
категорий объектов на основе одновременного использования экстенсиональных и
интенсиональных описаний конкретных объектов, которые используются в качестве
примеров);
4) абстрагирование (определение
для каждого признака его вклада в различие друг от друга обобщенных образов;
контролируемое и корректное удаление незначимых признаков с сохранением всей
существенной информации);
5) оценка адекватности модели;
6) сравнение, идентификация и прогнозирование (сравнение чувственного образа конкретного объекта
со всеми обобщенными образами);
7) анализ (дедукция и абдукция) (выявление общего и особенного, характерного и
нехарактерного, для каждого обобщенного образа; выявление общего и особенного,
характерного и нехарактерного в смысловом содержании каждого признака);
8) классификация и генерация конструктов (определение сходств и различий обобщенных образов
друг с другом; объединение сходных образов в кластеры; формирование биполярных
систем наиболее непохожих кластеров, т.е. конструктов образов; построение
семантических сетей классов; определение сходств и различий признаков по их
смыслу; объединение сходных по смыслу признаков в кластеры; формирование
биполярных систем наиболее непохожих кластеров, т.е. конструктов признаков; построение
семантических сетей признаков);
9) содержательное сравнение (определение признаков, по которым любые два заданных образа
несопоставимы, сходны или отличаются друг от друга; построение
много–многозначных когнитивных диаграмм, в том числе диаграмм Вольфа Мерлина; определение
элементов смысла, по которым любые два заданных признака несопоставимы, сходны
или отличаются друг от друга; построение много–многозначных когнитивных
диаграмм, в том числе инвертированных диаграмм Вольфа Мерлина);
10) планирование и принятие решений об управлении.
Компьютерные
Y–технологии
Актуальность
Круг возможных областей применения предложенных методологии, технологии
и инструментальной системы для исследований в пограничных и малоисследованных
областях науки включает следующие направления:
-
диагностика потенциальных сверхспособностей (в том числе, обеспечивающих
адекватное поведение в экстремальных ситуациях);
-
развитие, адаптация и привязка (локализация), разработка новых
профессиональных методик специального назначения;
-
выявление и изучение характера влияния факторов, связанных с переходами в
осознанные сновидения и измененные формы сознания;
-
прогнозирование способности человека адекватно действовать в
экстремальных ситуациях и оптимально выйти из них, решив при этом поставленные
задачи;
-
прогнозирование места и времени аномальных и экстремальных ситуаций.
Рассмотрим подробнее возможность
применения предложенной технологии для дистанционной невербальной подсознательной
диагностики и коррекции социально–психологического и профессионального статуса
учащихся.
В настоящее время, в соответствии
с Государственным образовательным стандартами, проблемы обеспечения информационной
безопасности решаются правовыми, организационными, экономическими,
инженерно-техническими, математическими и программно-аппаратными средствами.
Однако, по мнению автора, этими мерами возможности по защите информации не
исчерпываются. Важный резерв повышения эффективности охранных мероприятий
заключается в специальном профессиональном отборе и особой психологической
подготовке специалистов, призванных обеспечить мероприятия по защите информации
и работающих с закрытой информацией.
Предлагаемый подход
Задача оптимального
профессионального отбора традиционно решается профессиональными психологами,
использующими существующий инструментарий. При этом в качестве источника
первичной информации о кандидатах, как правило, используются их ответы на
вопросы определенных тестов (опросников). На основе обработки этих ответов
выявляются психологические свойства кандидатов, которые сравниваются с ранее
разработанными профессиограммами. На этой основе принимаются решения о
профессиональной пригодности кандидата. О коррекции личностных свойств
традиционно вопрос не ставится, так как считается, что подготовка специалиста
сводится к передаче ему определенного объема знаний и навыков. В то же время
именно социально–психологическими свойствами личности, ее мотивацией и другими
пока неконтролируемыми параметрами определяется эффективность, более того, сама
направленность использования полученных специальных знаний и навыков.
Традиционный подход имеет ряд ограничений,
обусловленных следующим: ответы на вопросы кандидаты дают в условиях специально
организованной процедуры анкетирования, смысл и значение которой им заранее
известен; стимульный материал и ответы даются в словесной форме, т.е.
предполагают участие сознательного критического мышления кандидата, что
искажает исходные данные представлениями кандидата о том, как должен выглядеть
наилучший вариант ответов; процедура анкетирования требует значительного
времени, а также согласия на ее проведение со стороны кандидата, что затрудняет
ее использование в реальных условиях; профессиограммы учитывают значение только
психологических свойств кандидатов для успешности их профессиональной деятельности,
в то время как остальные, часто не менее значимые их свойства игнорируются;
ставится лишь задача определения статуса кандидата, тогда как задача подготовки
профессионала требует и решения задачи коррекции, т.е. по сути задач
управления.
Некоторые из названных
ограничений снимаются технологиями, основанными на использовании полиграфа,
который позволяет регистрировать подсознательную реакцию на те или иные
стимулы, как правило осознаваемые кандидатом. Однако дистанционность съема
первичной информации обеспечивается при этом в очень ограниченной мере (на
минимальных расстояниях). Дистанционные каналы передачи первичной информации
являются электромагнитными, что позволяет блокировать возможность их использования
стандартными средствами. Кроме того, с одной стороны, полиграф является лишь
системой съема информации и не может быть использован для коррекции состояния
кандидата за счет использования обратной связи, а, с другой стороны, анализ
первичной информации и принятие решения об отнесении кандидата к тем или иным
диагностическим категориям осуществляется человеком-экспертом, что не позволяет
объективировать эти оценки и добиться их сопоставимости для различных диагностических
групп кандидатов, регионов и времени проведения исследований.
Предлагается создать автоматизированную систему с человеко-зависимым
дистанционным интерфейсом, обеспечивающим:
-
подсознательную диагностику текущего состояния человека–оператора и его
профессионального, а также социального и
психологического статуса;
-
целенаправленную коррекцию его состояния от текущего к целевому
(оптимальному).
Для этой цели на этапе получения
исходной информации предлагается применить дистанционные датчики разработки лаборатории
PEAR Princeton university (NJ, USA), а также отечественные и собственные
разработки. Для анализа исходной информации и принятия решений об отнесении
кандидатов к тем или иным диагностическим категориям, а также для выработки корректирующего
(управляющего) воздействия, предлагается использовать автоматизированные
системы принятия решений, основанные на многокритериальном подходе и теории
информации. По этим направлениям в ТУ КубГТУ имеется научный и практический
задел (данное направление является базовым научным направлением кафедры
компьютерных технологий и информационной безопасности КубГТУ).
Результаты и перспективы
Полученные результаты позволяют
создать:
1) скрытую технологию раннего
выявления оптимальных кандидатов для подготовки по различным специальностям;
2) компактный
аппаратно–программный комплекс бесконтактной идентификации пользователя и
коррекции его состояния, действующий без его ведома и сознательного участия,
встраиваемый в компьютер или действующий автономно.
5.7. Некоторые
перспективы применения системы «Эйдос» в правоохранительной сфере
В правоохранительной сфере предложенная методология и технология
может быть применена, в частности, для
решения следующих задач: ранняя криминогенная профилактическая идентификация
лиц по статьям уголовного кодекса; прогнозирование и профилактика нарушений
правил дорожного движения (ПДД); поиск аналогов преступлений (или
аналогов фабул); поиск аналогов проверок; тестирование на допуски к специальным
видам деятельности (сотрудников МЧС, ОВД, работников служб безопасности
банков и коммерческих структур и др.); тестирование на право применения оружия;
тестирование на совместимость в оперативных группах; разработка обобщенных
фотороботов, типичных для лиц различных направлений
криминальной и некриминальной деятельности; выявление взаимосвязей
между характеристиками фоторобота ("физиогномика"), отпечатков
пальцев ("дерматоглифика"), почерка
("психографология"), другими характеристиками, с
одной стороны, и типами правонарушений, с другой стороны; количественная
идентификация изображений с вербальными описаниями; оперативное и долгосрочное
прогнозирование динамики правонарушений по видам; изучение влияния
политических, экономических, правовых и других факторов на динамику
правонарушений; типология оперативных ситуаций и идентификация сложившейся
оперативной ситуации; поиск наиболее схожих с поступившим состоящих на учете
лиц на основе количественного сравнения индивидуальных фотороботов; методики оценки потенциала
абитуриента, слушателя специальных учебных заведений и сотрудников ОВД по всему
спектру должностей и специальностей; типология и косвенное выявление сфер
криминальных интересов; оценка риска при залоге и кредитовании, выявление
случаев неоправданной кредитной политики; паспортизация участков дорог, типология
аварийно–опасных участков дорог по видам аварий; прогнозирование аварийной
опасности участков дорог; выработка мер по переоборудованию аварийно–опасных
участков дорог в целях снижения их аварийной опасности; количественное сравнение
словесных (вербальных) описаний изображений (местности, интерьеры, лица и др.)
с фотографиями; управление составом элитных групп; типология и косвенная
идентификация криминальных типов экономической и финансовой деятельности на
уровне предприятий (выявление зон риска для налоговой
полиции); автоматизированная интерпретация данных полиграфа. Использование
полиграфа для получения информации о тестируемом, необходимой для оценки
перспектив его обучения и профессиональной деятельности по различным
направлениям (компьютерные Y-технологии); разработка и применение
профессиограмм на основе ретроспективных верифицированных данных, создание
адаптивных и рефлексивных методик оценки перспектив обучения и профессиональной
деятельности по различным направлениям.
5.8. Разработка интеллектуальных порталов, оказывающих
интеллектуальные on-line услуги через Internet
Является перспективным создание на базе предложенной
технологии и методологии АСК-анализа новой многозадачной версии системы
"Эйдос", обеспечивающей (после регистрации пользователей на сайте при
выполнении ими заданных условий) доступ пользователей Internet к базам данных
системы как в режиме синтеза новых моделей, так и в режиме их эксплуатации в
адаптивном режиме по направлениям, которые определят сами пользователи и
разработчики. Это позволит "интеллектуализировать" Internet, создать в нем активные сервисы, способные стать со временем накопителями,
хранилищами и анализаторами знаний и опыта по самым различным направлениям
деятельности человека (например, автоматизированные консалтинговые службы). Эти
сервисы могли бы предоставлять услуги по интеллектуальной обработке данных
пользователям независимо от их локализации, и, таким образом, стать реальной
технической базой для интеграции знаний, что может стать еще одним шагом на
пути развития ноосферы (В.И.Вернадский, Ле Руа, Тейяр де Шарден, 1923). В
настоящее же время Internet используются, в основном, просто для получения или
просмотра готовых, созданных кем-либо файлов, т.е. просто для обмена информацией.