ГЛАВА 5. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КАК ПЕРСПЕКТИВНЫЙ ИНСТРУМЕНТ КОНТРОЛЛИНГА

 

В главе описываются возможности применения Автоматизированного системно-когнитивного анализа (АСК-анализ) в качестве перспективного инструмента контроллинга и менеджмента в российской корпорации экономики знаний и формулируется ряд задач, стоящих перед контроллингом, которые, по мнению авторов, могли бы решаться с применением АСК-анализа. В данной главе рассматриваются цели корпорации и перспективы контроллинга, информационная модель деятельности менеджера и место систем искусственного интеллекта в этой деятельности, обосновывается целесообразность применения метода системно-когнитивного анализа для решения поставленных задач, раскрывается понятие причинно-следственной зависимости и предлагается аппарат когнитивных функции в качестве инструмента для выявления и формального представления причинно-следственных зависимостей [148].

 

5.1. Кратко об автоматизированном системно-когнитивном анализе

АСК-анализу посвящено много работ: 19 монографий [3-19, 237, 254][1], почти 300 статей [3-273]. Поэтому здесь мы ограничимся его кратким описанием.

 

5.1.1. Что же такое АСК-анализ?

Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой новый универсальный метод искусственного интеллекта, представляющий собой единственный в настоящее время вариант автоматизированного системного анализа, а именно, системный анализ, структурированный по базовым когнитивным операциям.

Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако как впервые заметил еще в 1984 году проф. И. П. Стабин[2] на практике применение системного анализа наталкивается на проблему. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И. П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа.

 

5.1.2. Работы каких ученых сыграли большую роль
в создании АСК-анализа?

О профессоре И. П. Стабине, который предложил саму идею автоматизации системного анализа мы уже упомянули выше.

Затем необходимо отметить отечественных классиков системного анализа проф. Ф. И. Перегудова и проф. Ф. П. Тарасенко,  которые в ряде основополагающих работ[3] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов, реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.

В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. В. С. Симанкова (2002). Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И. П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной им цели (создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.

 

5.1.3. Кем и когда создан АСК-анализ?

Автоматизированный системно-когнитивный анализ предложен и разработан проф. Е. В. Луценко в 2002 году[4] и получил детальное и всестороннее развитие в последующих работах.

Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как метода познания (отсюда и «когнитивный» от «cognitio» – знание, познание, лат.). Это позволило структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют когнитивный конфигуратор и их оказалось не очень много, всего 10:

1) присвоение имен;

2) восприятие;

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция; 8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и принятие решений об управлении.

Каждая из этих операций достаточно элементарна для формализации и программной реализации.

 

5.1.4. Что включает АСК-анализ?

Автоматизированный системно-когнитивный анализ включает: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система "Эйдос".

Компоненты АСК-анализа:

– формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;

– теоретические основы, методология, технология и методика АСК-анализа;

– математическая модель АСК-анализа, основанная на системном обобщении теории информации;

– методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;

– специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа – Универсальная когнитивная аналитическая система "Эйдос".

Этапы АСК-анализа:

1) когнитивная структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6)  решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемого объекта путем исследования его моделей: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети прямого счета; построение классических когнитивных моделей (когнитивных карт); построение интегральных когнитивных моделей (интегральных когнитивных карт).

 

5.1.5. Какие ученые принимали и сейчас принимают
участие в развитии АСК-анализа?

Д.э.н., к.т.н. проф. Луценко Е.В. [3-273], Заслуженный деятель науки РФ, д.т.н., проф. Лойко В.И., д.э.н., Ph.D., к.ф.-м.н., профессор Трунев А.П. (Канада), д.т.н., д.э.н., к.ф.-м.н., профессор Орлов А.И., д.т.н., проф. Симанков В.С., к.т.н., доцент полковник в отставке Коржаков В.Е., д.э.н., проф. Ткачев А.Н., д.э.н., проф. Крохмаль В.В., д.т.н., доцент Сафронова Т.И., д.э.н., профессор Барановская Т.П., к.э.н., доцент Макаревич О.А., к.пс.н., проф. Некрасов С.Д., к.т.н., доцент, полковник в отставке Лаптев В.Н., д.э.н., к.т.н., доцент, полковник в отставке Ермоленко В.В., к.пс.н., доцент, полковник в отставке Третьяк В.Г., к.пс.н. Щукин Т.Н., к.пс.н. майор Наприев И.Л., к.м.н. Сергеева Е.В.(Фомина Е.В.) и др.

 

5.1.6. Каков индекс цитирования ученых,
принимающих участие
в развитии АСК-анализа?

Работы по АСК-анализу вызывают значительный интерес у научной общественности. Об этом свидетельствуют высокие индексы цитирования ведущих ученых, принимающих участие в развитии АСК-анализа (проф.Е.В.Луценко занимает 2-ю позицию в рейтинге ученых Краснодарского края по индексу Хирша (РИНЦ) и 4-ю среди российских ученых в области кибернетики[5]).

 

5.1.7. Сколько докторских и кандидатских
диссертаций защищено с применением
АСК-анализа и в каких областях науки?

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении ряда кандидатских и докторских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам. С применением АСК-анализа проведены исследования и по ним защищены диссертации:

- 3 доктора экономических наук

Е.В.Луценко: http://ej.kubagro.ru/a/viewaut.asp?id=11

А.Н.Ткачев: http://ej.kubagro.ru/a/viewaut.asp?id=20

В.В.Крохмаль: http://ej.kubagro.ru/a/viewaut.asp?id=22

- 2 доктора технических наук:

В.С.Симанков:

http://www.yandex.ru/yandsearch?text=профессор Симанков Владимир Сергеевич

Т.И.Сафронова: http://ej.kubagro.ru/a/viewaut.asp?id=111

- 4 кандидата психологических наук:

С.Д.Некрасов: http://manag.kubsu.ru/index.php/ofup/kafedry/174-nekrasov

В.Г.Третьяк: http://law.edu.ru/person/person.asp?persID=1345265

Т.Н.Щукин: http://ej.kubagro.ru/a/viewaut.asp?id=94   http://2045.ru/expert/27.html

И.Л.Наприев: http://ej.kubagro.ru/a/viewaut.asp?id=573

- 1 кандидат технических наук:

Е.В.Луценко: http://ej.kubagro.ru/a/viewaut.asp?id=11

- 1 кандидат экономических наук:

Л.О.Макаревич: http://www.mesi.ru/upload/iblock/b5a/Автореферат%20Макаревич%20ЛО.pdf   http://ej.kubagro.ru/a/viewaut.asp?id=1377

- 1 кандидат медицинских наук:

Сергеева Е.В.: http://ej.kubagro.ru/a/viewaut.asp?id=1034

Фомина Е.В.: http://ej.kubagro.ru/a/viewaut.asp?id=813

В настоящее время в процессе выполнения и выхода на защиту еще несколько диссертаций на соискание ученых степеней кандидатов и докторов экономических наук.

 

5.1.8. Сколько грантов РФФИ и РГНФ выполнено
и выполняется с применением АСК-анализа?

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при выполнении ряда грантов РФФИ и РГНФ (пронумерованы только одобренные проекты):

РФФИ:

Номер проекта

Название проекта

Начало - окончание

 

02-01-00035-а

Разработка компьютерных методов изучения эмерджентных свойств плодовых культур с дальнейшим использованием их для оптимизации выращивания

2002 -
2004

1

02-05-64234-а

Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования.

2002 -
2003

2

03-04-96771-р2003юг_а

Разработка новой методологии районирования сортов сельскохозяйственных культур на основе системного подхода при анализе и математическом прогнозе их жизнеобеспечения и продуктивности

2003 -
2005

3

03-07-96801-р2003юг_в

Создание системы мониторинга, прогнозирования, анализа и поддержки управленческих решений по продуктивности плодовых культур на основе электронных баз данных

2003 -
2005

 

06-06-96644-р_юг_а

Семантические информационные модели управления агропромышленным комплексом

2006 -
2008

 

07-07-13510-офи_ц

Инвестиционное управление АПК на основе методологии системно-когнитивного анализа

2007 -
2008

 

08-06-99005-р_офи

Управление в АПК исходя из критерия качества жизни

2008 -
2009

 

09-06-13509-офи_ц

Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом

2009 -
2010

4

11-06-96508-р_юг_ц

Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом

2011 -
2012

 

13-07-96507

Принципы создания облачного сервиса по курсу математики с визуализацией понятийного аппарата, процесса доказательств теорем и выполнения практических заданий

2013 –

2014

5

15-06-02569

Когнитивные модели прогнозирования развития многоотраслевой корпорации

2015 –

2017

 

15-29-02530

Управление генресурсами семейства Rosaceae и Juglandacea для сохранения и использования биораpнообразия культурных растений на основе информационной системы, включая оцифровку коллекций

2015 –

2017

 

15-29-02545

Ампелографическое и молекулярно-генетическое изучение происхождения, структуры, динамики генетических ресурсов рода Vitis (Tournef) L., их систематизация и оцифровка для эффективного управления биоресурсами

2015 –

2017

РГНФ:

Номер проекта

Название проекта

Начало - окончание

1

13-02-00440а

Методологические основы управления экономической устойчивостью перерабатывающего комплекса региона с применением технологий искусственного интеллекта

2013-

2015

 

5.1.9. Сколько монографий, патентов, публикаций
входящих в Перечень ВАК есть по АСК-анализу?

 

По проблематике АСК-анализа издано 20 монографий (еще две в стали подготовки к печати), получено 27 патентов (и еще два в стадии оформления) на системы искусственного интеллекта, их подсистемы, режимы и приложения, издано около 300 статей в изданиях, входящих в Перечень ВАК РФ.  В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) опубликовано более 200 статей по различным теоретическим и практическим аспектам АСК-анализа общим объёмом около 300 у.п.л.

 

5.1.10. В каких областях уже применялся АСК-анализ?

 

По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже успешно применялся в следующих предметных областях и научных направлениях:

- региональная экономика;

- отраслевая экономика;

- экономика предприятий;

- технические науки – интеллектуальные системы управления в возобновляемой энергетике;

- технические науки – мелиорация и управление мелиоративными системами;

- психология личности;

- психология экстремальных ситуаций;

- психология профессиональных и учебных достижений;

- медицинская диагностика;

- прогнозирование результатов применения агротехнологий;

- принятие решений по выбору рациональных агротехнологий;

- геофизика: прогнозирование землетрясений;

- геофизика: прогнозирование параметров магнитного поля Земли;

- геофизика: прогнозирование движения полюсов Земли.

Исследования по некоторым из перечисленных направлений мы постараемся отразить в данной монографии.

 

5.1.11. В каких областях может применяться
АСК-анализ?

 

Он может применяться во всех областях, в которых для решения своих профессиональных задач специалист использует свой естественный интеллект, профессиональный опыт и компетенцию.

Главный вывод, который, можно обоснованно сделать на основе вышесказанного, состоит в том, что автоматизированный системно-когнитивный анализ имеет все основные признаки нового перспективного междисциплинарного научного направления в рамках системного анализа.

 

5.1.12. Internet-ссылки по АСК-анализу

Сайт проф. Е.В.Луценко: http://lc.kubagro.ru/. Данный сайт посетило уже около 480000 посетителей с уникальными IP-адресами.

Страничка проф. Е.В.Луценко на сайте Научного журнала КубГАУ: http://ej.kubagro.ru/a/viewaut.asp?id=11. В расчете на фамилию автора приходится более 214000 прочтений статей.

 

5.1.13. О плагиаторах, использующих работы
по АСК-анализу, находящиеся в Internet
в открытом доступе

 

Авторы научных работ по АСК-анализу всегда размещали их в свободном открытом доступе, чем не преминули воспользоваться плагиаторы. Лучше всего об этом написано в статье «Групповой плагиат: от студента до министра»[6]. Чтобы найти многочисленные «труды» плагиаторов, включая диссертации, достаточно в Internet в любой поисковой системе сделать запрос, например: «Коэффициенты эмерджентности Хартли, Харкевича, Шеннона», которые автор системной теории информации (СТИ) проф. Е.В.Луценко назвал так в честь этих выдающихся ученых в области теории информации. При этом автор следовал сложившейся научной традиции называть единицы измерения и математические выражения в честь известных ученых. Причем часто плагиаторы даже не понимают, что сами основоположники и классики теории информации не предлагали этих коэффициентов, а предложены они были в работах автора [7, 273]. Наверное, поэтому они и не считают нужным делать ссылки и пишут, например:

1. «По Харкевичу коэффициент эмерджентности определяет степень детерменированности ситемы…» (подчеркнуто нами, авт., в цитате сохранены орфографические ошибки плагиатора).

2. «Отсюда строится системная численная мера количества информации в ИС на основе оценки эмерджентности системы (по Хартли и Харкевичу)» (выделено плагиатором).

Эти фразы легко найти в Internet. Здесь автор не считает нужным уделять вопросу о плагиате большего внимания. Отметим лишь, что эта плагиаторская деятельность не просто продолжается, а даже набирает обороты.

 

5.2. О целях организации, функциях контроллинга
и его роли в достижении этих целей

 

По вопросу определения целей корпорации в современной науке не сложилось общепринятой точки зрения и в различных научных направлениях этот вопрос решается по-разному. Например, в неоклассической теории считается, что целью корпорации является максимизация дохода, прибыли; в бихевиористской теории – получение удовлетворительной прибыли и дохода; институциональной теории – минимизация транзакционных издержек; теории корпорации Дж. Гэлбрейта – гарантированный уровень прибыли и максимальный темп роста; в предпринимательской же теории полагают, что цель корпорации зависит от личных целей предпринимателя [223]. При этом цели корпорации, а также различных связанных с нею социальных групп людей и государства совпадают лишь частично (рисунок 2):

 

Рисунок 1. Цели корпорации, а также связанных с ней
социальных групп и государства по
С.Ю. Полонскому [223]

 

Таким образом, наиболее распространенная точка зрения, состоящая в том, что цель корпорации заключается исключительно в получении максимальной прибыли, является неоправданно упрощенной. Более того, максимизация прибыли может быть и нежелательной, например, если это достигается за счет ущерба целям работников и государства. В любом случае ясно, что для достижения этих целей необходимо управлять корпорацией, как в целом, так и на различных уровнях ее иерархической структурной организации.

Современный уровень культуры управления в развитых странах (в которых уже построено общество, основанное на знаниях) предполагает использование ряда корпоративных информационных систем (КИС), используемых на различных уровнях иерархии обработки информации (рисунок 3):

 

Рисунок 2. Корпоративные информационные системы
(КИС - CALS), по
А.Г. Киселеву [224]

Из рисунка 3 видно, что:

– в фундаменте пирамиды обработки информации корпорации находятся автоматические системы управления чисто техническими объектами управления (САУ, т.е. по сути системы управления машинами);

– на среднем уровне мы имеем дело уже с автоматизированными системами управления (АСУ) человеко-машинными объектами управления от АСУ ТП, до АС ТПП и АСУП;

– на верхнем уровне расположены автоматизированные системы организационного управления (АСОУ) и аналитические системы, в которых объектом управления выступают как конкретные люди, так и коллективы.

Не во всех корпорациях представлены нижние уровни, приведенные на рисунке 3, например, нижние уровни более характерны для производственных компаний, оснащенных достаточно современным технологическим оборудованием.

Если проанализировать «долю» человека и техники в объектах управления различных иерархических уровней корпорации, то окажется, что в ее фундаменте находятся чисто технические системы, с повышением уровня иерархии доля человека в объектах управления возрастает, а доля техники соответственно уменьшается, и в вершине пирамиды техники уже вообще нет, а остается только человек.

Эта ситуация, по-видимому, обусловлена тем, что на различных уровнях иерархии корпорации на практике используются знания различной степени формализации:

– на самом верхнем уровне – это интуитивные знания и опыт, т.е. знания вообще неформализованные, не выраженные на каком-либо языке или в какой-либо системе кодирования (ноу-хау);

– на промежуточных уровнях знания частично формализованы, например вербализованы, т.е. представлены с помощью слов в звуковой или текстовой форме, а также научных книг, учебников и методических указаний с иерархическим  структурированным содержанием;

– на самом низком уровне представлены хорошо формализованные знания, т.е. знания в форме математических моделей и баз знаний (БЗ) интеллектуальных систем.

Однако проблема состоит в том, что приобретение, внедрение и использование всех систем, приведенных на рисунке 5, является целесообразным лишь для достаточно крупных корпораций, тогда как для средних и малых фирм, которых большинство, это вряд ли возможно. Это обусловлено как высокой стоимостью этих систем, так и сложностью их освоения, внедрения и применения, избыточностью функций, отсутствием информационных взаимосвязей между ними, многообразием разработчиков и программных инструментальных средств, с помощью которых они созданы.

Сложилась парадоксальная ситуация, состоящая в том, что внедрение корпоративных информационных систем на практике часто осуществляется не системно, т.е. они фактически не образуют целостной корпоративной информационной системы, аналогично тому, как до возникновения локальных компьютерных сетей не образовывали единой системы не связанные друг с другом автоматизированные рабочие места (АРМы).

Одна из современных тенденций развития контроллинга состоит в том, что он проникает в фирмы все меньшего и меньшего масштаба деятельности, т.е. в этих фирмах появляются небольшие подразделения или даже просто отдельные сотрудники, выполняющие функции контроллинга.

Если раньше менеджмент использовал в своей работе методики и инструментарий, разработанный в крупных научных центрах, обычно зарубежных, то позже была осознана необходимость адаптации и локализации этих методик, с целью повышения степени их соответствия условиям конкретной фирмы и времени (адекватности), а значит и эффективности их применения.

Однако и работы по адаптации и локализации методик являются весьма наукоемкими и требовали больших затрат времени и денег, а значит были малодоступными, т.к. могли выполняться лишь небольшим количеством специалистов в стране.

Вместе с тем достигнутый в настоящее время уровень развития управления фирмами требует более оперативного и конкретного подхода к контроллингу, при котором знания о деятельности фирмы выявляются в самой фирме с учетом ее динамики и в фирме же доводятся до уровня инновационных технологий и используются на практике. Это и есть основная задача контроллинга.

Таким образом, контроллер, – это, по сути, ученый, профессионально занимающийся непрерывным исследованием своей фирмы и производящий инновационный интеллектуальный продукт в форме знаний различной степени формализации, готовых по своей степени коммерциализации для внедрения и практического использования менеджментом корпорации.

Соответственно подразделение контроллинга в фирме является ее инновационным подразделением, призванным создать и поддерживать в адекватном состоянии модель этой фирмы, обеспечивающую решение задач прогнозирования ее развития и поддержки принятия управленческих решений, направленных на достижение целей фирмы и разумного баланса интересов фирмы, ее сотрудников и акционеров, а также государства.

Менеджмент же призван использовать на практике инструментарий и методики, разработанные контроллерами, т.е. фактически менеджеры являются пользователями и исполнителями инновационных технологий и методик их применения, разработанных контроллерами.

Однако только создать (или приобрести, адаптировать и локализовать) инструментарий и предоставить его менеджменту фирмы еще недостаточно для его успешного применения на практике: для этого необходимо также обучить менеджмент использованию этого инструментария, а также контролировать качество его применения и учитывать пожелания пользователей при совершенствовании этого инструментария. И все это также входит в функции контроллинга.

Основные функции контроллинга состоят в планировании, учете, контроле и анализе, регулировании (корректировке). Все эти функции хорошо соответствуют этапам цикла управления. Таким образом, можно считать, что контроллинг представляет собой надстроечную управляющую систему, объектом управления для которой выступает управляющая система нижнего уровня (менеджмент), обеспечивающая управление основным производством фирмы (рисунок 4):

Рисунок 3. Контроллинг, как система управления менеджментом
(управление управлением)

Например:

в сфере управления персоналом контроллер с использованием специальных программных систем разрабатывает (или адаптирует и локализует) профессиограммы и методики их применения, предоставляет менеджерам по персоналу основанные на них тесты профессиональной пригодности, обучает менеджеров методике их применения, контролирует качество применения эти тесты и совершенствует их с учетом опыта применения и динамики предметной области;

в сфере бухгалтерского учета контроллер (администратор системы и программист 1С) адаптирует базовую систему 1С с использованием встроенного языка программирования, обучает пользователей ее использованию, контролирует качество ее применения, учитывает их пожелания по адаптации системы к изменяющимся условиям;

в сфере образования контроллер (учебное управление) разрабатывает или адаптирует и локализует образовательные технологии, т.е. методики обучения и воспитания, а также учебно-методическое обеспечение учебного процесса, предоставляет его преподавателям, обучает их его применению, контролирует качество преподавания, совершенствует образовательные технологии и его учебно-методическое обеспечение с учетом фактически достигнутого качества обучения и воспитания.

Обращает на себя внимание, что контроллинг призван выполнять в фирмах те функции, которые очевидно в определенной степени выполнялись в них и раньше, но не назывались этим термином. Необходимо отметить также, что в настоящее время роль контроллинга и менеджмента и разделение функций и сфер компетенции между ними не до конца осознанна и выяснена даже в чисто научном плане. Тем ни менее есть основания констатировать наличие некоторых тенденций, вызывающих беспокойство.

Надстроечные управленческие подразделения, которые по своему месту в структуре организации занимают место подразделений контроллинга, часто избегают выполнения его функций во всей их полноте. На практике эти подразделения обычно стремятся, и небезуспешно, снять с себя функции инструментального и методического обеспечения менеджмента, как наиболее наукоемкие и просто трудоемкие, а за собой оставить лишь функции контроля и особенно надзора. При этом функции обеспечения работы менеджмента фактически возлагаются на самих менеджеров («самоконтроллинг»), хотя менеджерам эти функции совершенно не свойственны. Получается, что «дело спасения утопающих – это дело самих утопающих», т.е. вместо того, чтобы создать условия, при которых бы утопающих вообще не было, или хотя бы просто спасать утопающих, эти структуры надзирают за тем, чтобы утопающие правильно спасали самих себя. Прекрасная позиция: полное снятие с себя всякой ответственности за результат и полное самоустранение от процесса управления с целью достичь нужного результата.

Если продолжить приведенные выше примеры с управлением персоналом, бухучетом и образованием, то эти тенденции, которые часто можно наблюдать, выражаются в том, чтобы:

– менеджеры по персоналу в перерывах между выполнением своих основных функций сами искали где-то тесты, необходимые для их работы (естественно, неадаптированные и нелокализованные;

– бухгалтера в перерывах между выполнением своих основных функций сами писали на языках программирования различные программы, которые им нужны;

– преподаватели в перерывах между занятиями писали учебно-методические комплексы, учебные пособия, а также разрабатывали учебное программное обеспечение и презентации.

Такой подход приводит к профанации всех этих видов деятельности.

С другой стороны не следует возлагать на контроллеров функции менеджеров («самоменеджмент»), т.е. требовать от них, чтобы они не только обеспечивали работу менеджеров, но и сами выполняли их функции. Например, не следует нагружать талантливых и продуктивных системных программистов разработкой прикладных программ, которые они будут разрабатывать с помощью созданных ими инструментальных средств. Необходимо признать, что этим довольно часто «грешат» руководители, не вполне осознающие всю важность именно функций конроллинга для успешности деятельности их менеджмента.

Таким образом, мы из всего многообразия функций контроллинга для дальнейшего рассмотрения сосредотачиваемся на тех, которые считаем основными:

1. Создание инструментов для менеджеров.

2. Обучение менеджеров использованию инструментов.

3. Контроль качества использования инструментов менеджерами.

 

 

 

 

5.3. Информационная модель деятельности менеджера
и место АСК-анализа в этой деятельности

 

Информационная модель деятельности менеджера, представленная на рисунке 5, разработана на основе модели, впервые предложенной В.Н. Лаптевым (1984).

Рисунок 4. Информационная модель деятельности менеджера
и место систем искусственного интеллекта в этой деятельности

 

На вход системы управления поступает задача или проблема. Толкование различия между ними также дано В.Н. Лаптевым и состоит в следующем. Ситуация, при которой фактическое состояние системы не совпадает с желаемым (целевым) называется проблемной ситуацией и представляет собой:

задачу, если способ перевода системы из фактического состояния в желаемое точно известен, и необходимо лишь применить его;

проблему, если способ перевода системы из фактического состояния в желаемое не известен, и необходимо сначала его разработать и только после этого применить.

Таким образом, можно считать, что проблема – это задача, способ решения которой неизвестен. Это означает, что если этот способ разработать, то этим самым проблема сводится к задаче, переводится в класс задач. Проще говоря, проблема – это сложная задача, а задача – это простая проблема.

Но и проблемы различаются по уровню сложности:

– для решения одних достаточно автоматизированной системы поддержки принятия решений;

– для решения других – обязательным является творческое неформализуемое на современном этапе развития технологий искусственного интеллекта участие людей: в первую очередь контроллеров, экспертов, а также менеджеров.

Блоки, в которых могут применяться интеллектуальные технологии, т.е. современные системы искусственного интеллекта, на рисунке 7 показаны с затемненным фоном:

блоки 2 и 12: система распознавания образов, идентификации и прогнозирования;

блоки 9, 11, 12 и 14: автоматизированная система поддержки принятия решений.

Теперь можно уже более конкретно и обоснованно сформулировать, что задачей контроллеров является с применением этих интеллектуальных систем создание и верификация соответствующих интеллектуальных приложений, т.е. конкретных моделей, на основе которых могут решаться задачи идентификации, прогнозирования и поддержки принятия решений в корпорации.

Задачей же менеджеров является применение на практике разработанных контроллерами интеллектуальных приложений. Конечно, в задачи контроллера входит и обучение менеджеров, и контроль за их работой с применением данных технологий.

Итак, одна из важнейших современных тенденций развития технологии контроллинга состоит в том, что эти технологии все больше и больше проникают в фирмы все меньшего размера. Однако для того, чтобы контроллер мог соответствовать этим требованиям времени ему необходим соответствующий адекватный инструмент, обеспечивающий возможно наиболее полную автоматизацию его функций. По сути дела ему необходима своего рода интеллектуальная автоматизированная система научных исследований (ИАСНИ), т.е. система, обеспечивающая поддержку тех интеллектуальных, познавательных (когнитивных) функций и операций, которые ученый выполняет в процессе познания и научного исследования предметной области. Современный уровень развития систем искусственного интеллекта и интеллектуальных автоматизированных систем управления позволяет ставить и решать задачу создания таких систем.

 

5.4. Обоснование целесообразности применения
системно-когнитивного анализа
в контроллинге
(метризация шкал)

 

Вышесказанное позволяет обоснованно сформулировать ряд общих требований к методам решения различных задач интеллектуального управления современной фирмой, ориентированной на экономику знаний, которые в перспективе могли бы стать адекватным инструментом автоматизированной поддержки основных функций контроллера в малых и средних фирмах.

Первое требование. Метод должен обеспечивать решение сформулированной проблемы в условиях неполной (фрагментированной) зашумленной исходной информации большой размерности, не отражающей всех ограничений и ресурсов и не содержащей полных повторений всех вариантов сочетаний прибыли, рентабельности, номенклатуры и объемов продукции, причем получение недостающей информации представляется принципиально невозможным.

Второе требование. Метод должен быть недорогим в приобретении и использовании, т.е. для этого должно быть достаточно одного стандартного персонального компьютера, недорогого лицензионного программного обеспечения и одного сотрудника, причем курс обучения этого сотрудника должен быть несложным для него, т.е. не предъявлять к нему каких-то сверхжестких нереалистичных требований.

Третье требование. Вся необходимая и достаточная исходная информация для применения метода должна быть в наличии в бухгалтерии, планово-экономических и других подразделениях фирмы.

Четвертое требование. Метод должен быть адаптивным, т.е. оперативно учитывать изменения во всех компонентах моделируемой системы.

Пятое требование. Метод должен обеспечивать выявление причинно-следственных зависимостей в многомерных зашумленных фрагментированных данных различной природы (как качественных, так и количественных, причем измеряемых в различных единицах измерения) и применение знания этих зависимостей для решения задач идентификации, прогнозирования и принятия решений в различных предметных областях.

Наконец можно выдвинуть и шестое  требование. Для решения различных задач управление фирмой на всех иерархических уровнях информационной пирамиды корпорации, приведенных на рисунке 5, возможно за исключением 1-го, должен использоваться один математический метод, один алгоритм его численной реализации и единый программный инструментарий для осуществления этого алгоритма, т.е. одна реализующая программная система.

Для разработки адаптивной методики, необходимой для решения рассмотренных здесь проблем управления фирмой, выбран метод автоматизированного системно-когнитивного анализа (АСК-анализ), как удовлетворяющий всем обоснованным выше требованиям.

В статье [201] измерительные шкалы рассматриваются как инструмент создания формальных моделей реальных объектов и инструмент повышения степени формализации этих моделей до уровня, достаточного для их реализации на компьютерах.

Описываются различные типы измерительных шкал, позволяющие создавать модели различной степени формализации; приводятся типы преобразований, допустимые при обработке эмпирических данных, полученных с помощью шкал различного типа; ставится задача метризации шкал, т.е. преобразования к наиболее формализованному виду; предлагается 7 способов метризации всех типов шкал, обеспечивающих совместную сопоставимую количественную обработку разнородных факторов, измеряемых в различных единицах измерения за счет преобразования всех шкал к одним универсальным единицам измерения в качестве которых выбраны единицы измерения количества информации.  Все эти способы метризации реализованы в системно-когнитивном анализе и интеллектуальной системе «Эйдос»

Измерительные шкалы рассматриваются как инструмент создания формальных моделей реальных объектов и инструмент повышения степени формализации этих моделей до уровня, достаточного для их реализации на компьютерах.

С данными эмпирических измерений, полученными с помощью измерительной шкалы определенного типа, корректно могут быть проведены лишь вполне определенные математические преобразования, допустимые в данной шкале, тогда как другие преобразования над ними являются некорректными и, строго говоря, бессмысленными.

На практике это часто не осознается, особенно руководством, или осознается, но недостаточно четко и на это попросту «закрывают глаза».

Например, оценки в школе или вузе представляют собой порядковые оценки уровня знаний и, хотя внешне выглядят точно как числа, фактически числами не являются. Это наглядно демонстрируется тем, что, не смотря на то, что 2+3=5 суммарные знания двоечника и троечника не равны знаниям отличника. Тем более некорректно вычислять некие средние баллы аттестатов или полученные учащимися факультета по результатам государственных экзаменов или защиты дипломных проектов, но это всегда делается.

Разные типы шкал обеспечивают различную степень формализации моделей, создаваемых с их использованием.

Спрашивается, а зачем повышать степень формализации модели? Дело в том, что чем выше степень формализации модели, тем более развитые и точные математические методы могут быть применены в этих моделях и тем точнее решаются различные задачи в реальной области[7] с использованием этих моделей, в частности тем проще использовать эти модели при проектировании и создании искусственных. Из этого ясно, что при эмпирических исследованиях:

– необходимо четко отдавать себе отчет о том, какого типа измерительные шкалы в нем используются;

– надо стремиться к использованию измерительных шкал наиболее высокой степени формализации.

Но раз так, то почему же тогда абсолютные шкалы или хотя бы шкалы отношений не применяются всегда, а в ряде случаев на практике используются номинальные, порядковые и интервальные шкалы, а также шкала разностей, имеющие ограничения на возможные математические операции с эмпирическими данными, полученными с помощью этих шкал? Иногда этого и не требуется по условиям задачи, но чаще всего просто потому, что отсутствуют[8] соответствующие измерительные системы[9] с необходимыми для этого возможностями, т.е. способные сразу, т.е. непосредственно в процессе измерений, представить измеряемые величины в абсолютной шкале или шкале отношений.

Но оказывается это возможно сделать и после завершения самого процесса измерения, т.е. уже после прекращения контакта измерительной системы с измеряемым объектом. Иначе говоря, возможно провести такую математическую обработку данных, полученных в результате измерений с помощью измерительной шкалы определенной степени формализации, которая бы повысила эту степень формализации.

Для этого необходимо обоснованно ввести на исходной шкале отношения порядка по степени выраженности свойства, измеряемого шкалой, начало отсчета и единицу измерения. Эта идея, по-видимому, впервые была четко сформулирована в 1958 году датским математиком Г. Рашем (Georg Rasch)[10] и им же была поставлена и решена соответствующая «задача метризации шкал», т.е. задача преобразования шкалы к наиболее формализованному виду. Это название связано с понятием метрики, под которой в физике понимается способ измерения расстояний между градациями (значениями) шкалы. Иначе говоря, метризация шкалы проводится с целью повышения степени ее формализации и осуществляется путем ввода метрики, т.е. единицы измерения на этой шкале. В современном понимании метризация шкалы предполагает не только введение единицы измерения, но также и отношений порядка и начала отсчета на ней.

Модель Г.Раша математически тесно связана с моделью логитов, предложенной в 1944 году Джозефом Берксоном (Joseph Berkson)[11] и здесь мы ее не приводим, т.к. она подробно описана в литературе. Модель Г.Раша (с учетом ее модификаций) является чуть ли не единственной широко известной в настоящее время моделью метризации измерительных шкал.

Однако в системно-когнитивном анализе (АСК-анализ) и его программном инструментарии: интеллектуальной системе «Эйдос» предлагается [201] еще 7 способов метризации всех типов шкал[12], обеспечивающих, кроме того еще и корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов[13], измеряемых в различных единицах измерения.

В АСК-анализе факторы формально описываются шкалами, а значения факторов – градациями шкал. Существует три основных группы факторов: физические, социально-экономические и психологические (субъективные) и в каждой из этих групп есть много различных видов факторов, т.е. есть много различных физических факторов, много социально-экономических и много психологических, но в АСК-анализе все они рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации. Именно по этой причине вполне корректно складывать силу и направление влияния всех действующих на объект значений факторов, независимо от их природы, и определять результат совместного влияния на объект системы значений факторов. При этом в общем случае объект является нелинейным и факторы внутри него взаимодействуют друг с другом, т.е. для них не выполняется принцип суперпозиции [196].

Если же разные факторы измеряются в различных единицах измерения, то результаты сравнения объектов будут зависеть от этих единиц измерения, что совершенно недопустимо из теоретических соображений.

Представим себе, что мы сравниваем студентов по их росту и весу, причем рост выражен в сантиметрах, а вес в килограммах (таблица 8):

Таблица 1Сравнение студентов по их росту и весу,
измеряемым в их обычных единицах измерения

 

1-й студент

2-й студент

3-й студент

Сумма

Рост (см)

178

173

173

351

Вес (кг)

75

65

75

140

Сумма

253

238

248

491

 

Для сравнения студентов мы просто складываем рост и вес для каждого студента, и потом сравниваем эти числа, например, находим модуль их разности: |253-238|=15 и считаем, что она отражает сходство-различие студентов по этим параметрам. Проверим корректность этого метода путем сравнения 3-го студента с ростом как у 2-го студента 173 сантиметра и весом как 1-го студента 75 килограммов. Спрашивается, на какого студента он больше похож: на 1-го или 2-го? Очевидно, что он должен иметь одинаковое сходство и различие с обоими этими студентами, т.к. у него в равной степени представлены признаки их обоих. Однако, для 3-го студента сумма роста и веса равна: 173+75=248 и его отличие от 1-го составляет |253-248}=5, а от 2-го: |238-248|=10, т.е. получается, что третий студент отличается от 2-го больше, чем от 1-го. Этот результат является некорректным и связан с тем, что рост 1-го и 2-го студентов отличается на 5 сантиметров, а вес на 10 килограммов. Конечно, сложение и вычитание величин, измеряемых в разных единицах измерения, некорректно само по себе. Но особенно хорошо это заметно, когда мы меняем единицы измерения. Так если рост измерять не в сантиметрах, а в миллиметрах, то его числовое выражение возрастет в 10 раз как и его влияние на сходство-различие студентов, а роль веса при этом сравнении соответственно снизится. И наоборот, если рост оставить в сантиметрах, а вес начать измерять не в килограммах, а в граммах, то тогда сходство-различие студентов в основном будет определять уже их вес, т.к. его количественное выражение и влияние на результаты сравнения возрастет в 1000 раз.

В АСК-анализе и системе предложено кардинальное решение проблем сравнения объектов, описанных в измерительных шкалах различных типов и размерностей [201]. Продолжим пример со студентами. В соответствии с методологией АСК-анализа и методикой применения системы «Эйдос» для сравнения студентов используем не их рост и вес в обычных единицах измерения, а количество информации о том, что перед нами тот или иной студент, которое содержится в его росте и весе. Можно сравнить 3-го студента с первыми двумя по суммарному количеству информации в его признаках о сходстве с 1-м и 2-м студентами. Это будет вполне корректно и результат такого сравнения вообще не будет зависеть от исходных единиц измерения роста и веса, т.е. будет инвариантным относительно единиц измерения исходных признаков, как и должно быть.

Рассмотрим численный пример, демонстрирующий, что выбор единиц измерения никак не влияет на модель и результат сравнения с ее применением.

Таблица 2 – Исходные данные

Источник данных

Классификационная шкала

Описательные шкалы

Студент

Рост (см)

Вес (кг)

1-й студент

1-й

178

75

2-й студент

2-й

173

65

 

С помощью программного интерфейса системы «Эйдос-Х++» (рисунок 6) данные из таблицы 4 вводятся в систему.

Рисунок 5. Начальная экранная форма программного интерфейса
системы «Эйдос-Х++» с внешними базами данных

 

В первой экранной форме задается диапазон столбцов таблицы исходных данных 9 классификационными шкалами и диапазон столбцов с описательными шкалами. В экранной форме, представленной на рисунке 7, задается количество интервалов в числовых классификационных и описательных шкалах, если они есть.

Рисунок 6. Вторая экранная форма программного интерфейса
системы «Эйдос-Х++» с внешними базами данных

В текущей версии системы «Эйдос-Х++» суммарное количество классификационных и описательных шкал не должно превышать 1500, а суммарное количество градаций в них ограничено только размерами дисковой памяти[14].

При этом программным интерфейсом создаются справочники классификационных и описательных шкал и градаций и с их использованием кодируются исходные данные и формируется обучающая выборка (таблицы 10 - 12):

 

Таблица 3 – Справочники классификационных шкал и градаций

Код
класса

Наименование класса

1

СТУДЕНТ-1-й

2

СТУДЕНТ-2-й

Классы представляют собой градации классификационных шкал.

Таблица 4 – Справочники описательных шкал и градаций

Код
признака

Наименование признака

1

РОСТ (СМ)-1/2-{173.0000000, 175.5000000}

2

РОСТ (СМ)-2/2-{175.5000000, 178.0000000}

3

ВЕС (КГ)-1/2-{65.0000000, 70.0000000}

4

ВЕС (КГ)-2/2-{70.0000000, 75.0000000}

Признаки представляют собой градации описательных шкал.

 

Таблица 5 – Обучающая выборка

Код
объекта

Наименование объекта

Классы

Признаки

CLS1

ATR1

ATR2

1

1-й студент

1

2

4

2

2-й студент

2

1

3

 

В результате синтеза и верификации моделей в режиме 3.5 системы «Эйдос-Х++» создаются матрица абсолютных частот (таблица 13) и матрица информативностей (таблица 14):

 

Таблица 6 – Матрица абсолютных частот

Код
признака

Наименование описательной шкалы и градации

Классы

1-й студент

2-й студент

1

РОСТ (СМ)-1/2-{173.0000000, 175.5000000}

0

1

2

РОСТ (СМ)-2/2-{175.5000000, 178.0000000}

1

0

3

ВЕС (КГ)-1/2-{65.0000000, 70.0000000}

0

1

4

ВЕС (КГ)-2/2-{70.0000000, 75.0000000}

1

0

Таблица 7 – Матрица информативностей

Код
признака

Наименование описательной шкалы и градации

Классы

1-й студент

2-й студент

1

РОСТ (СМ)-1/2-{173.0000000, 175.5000000}

0,0000000

0,5000000

2

РОСТ (СМ)-2/2-{175.5000000, 178.0000000}

0,5000000

0,0000000

3

ВЕС (КГ)-1/2-{65.0000000, 70.0000000}

0,0000000

0,5000000

4

ВЕС (КГ)-2/2-{70.0000000, 75.0000000}

0,5000000

0,0000000

 

Из таблицы 9 видно, что каждому интервальному значению роста и веса соответствует 0.5 бит информации о принадлежности студента с этим признаком к тому или иному классу. Ясно, что если в таблицах 8, 9 и 11 одинаково переставить десятичную запятую в интервальных значениях роста и веса, то на коды в обучающей выборке (таблица 12), а значит и на абсолютные частоты их наблюдения по классам (таблица 13) и количество информации, рассчитываемое на их основе (таблица 14), это никак не повлияет.

Рассмотрим этапы последовательного повышения степени формализации модели путем преобразования исходных данных в информацию, а ее в знания, применяемые в автоматизированном системно-когнитивном анализе и системе «Эйдос-Х++» [7] (рисунок 8):

Рисунок 7. О соотношении содержания понятий:
«Данные», «Информация», «Знания»

 

Данные – это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В.Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления  при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий – эвентологическую базу).

2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так.  Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания – это информация,  полезная для достижения целей.

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).

2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

 – вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные в естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

– знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач управления, принятия решений и исследования предметной области (рисунок 9):

 

Рисунок 8. Порядок преобразования «Данных» в «Информацию», а ее в «Знания в АСК-анализе и системе «Эйдос»

 

Основные публикации автора АСК-анализа по вопросам выявления, представления и использования знаний:

http://www.twirpx.com/file/793311/

– Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка – Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №03(005). С. 65 – 86. – IDA [article ID]: 0050403004. – Режим доступа: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л.

– Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2011. – №06(070). С. 233 – 280. – Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. – Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

 

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

 – вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные на естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними;

– знания в форме технологий, организационных производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения задачи метризации шкал в АСК-анализе необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

Для этого в АСК-анализе предусмотрены следующие этапы [7]:

1. Когнитивная структуризация предметной области, при которой определяется, что мы хотим прогнозировать и на основе чего (конструирование классификационных и описательных шкал).

2. Формализация предметной области [7]:

– разработка градаций классификационных и описательных шкал (номинального, порядкового и числового типа);

– использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исследуемой выборки.

3. Синтез и верификация (оценка степени адекватности) модели [9].

4. Если модель адекватна, то ее использование для решения задач идентификации, прогнозирования и принятия решений, а также для исследования моделируемой предметной области [7].

 



[1] Все они находятся в полном открытом доступе на сайте проф.Е.В.Луцеко: http://lc.kubagro.ru/

[2] Стабин И.П., Моисеева B.C. Автоматизированный системный анализ.- М.: Машиностроение, 1984. –309 с.

[3] Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 320 с., Перегудов Ф. И., Тарасенко Ф. П.. Основы системного анализа. Томск Изд-во науч.-техн. лит. 1997. 389с.

[4] Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с., и нескольких более ранних работах, модель АСК-анализа впервые в полном виде опублиокавна в 1991 году [273], личный сайт: http://lc.kubagro.ru/

[6] Вяткин В.Б. Групповой плагиат: от студента до министра. - Троицкий вариант — Наука - http://trv-science.ru - [Электронный ресурс]. Адрес доступа: http://trv-science.ru/2011/11/08/gruppovojj-plagiat-ot-studenta-do-ministra/  или: http://trv-science.ru/2011/11/08/gruppovojj-plagiat-ot-studenta-do-ministra/print/

[7] Прежде всего это задачи идентификации, прогнозирования и принятия решений.

[8] Или где-то существуют, но на практике исследователям недоступны

[9] Т.е. измерительные инструменты, методики и технологии, включая датчики измерений, каналы связи между датчиками и системой обработки, а также методы математической обработки

[10] См. так называемую «Модель Раша».

[12] даже шкалы отношений и абсолютной шкалы

[13] физических, социальных и субъективных, и в каждой из этих групп факторов есть много различных видов факторов

[14] Проводились численные эксперименты до 100000 градаций классификационных шкал и 100000 градаций описательных шкал. Программный интерфейс испытывался на вводе в систему «Эйдос-Х++» данных и Excel-файла с 880000 строк, это заняло 7 минут.