Направления

Исследование операций и системный анализ. Учет, Оценка, Распознание, Прогноз

КУЛЕШОВ ВЛАДИМИР АРКАДЬЕВИЧ – Президент отделения Международной Академии информатизации (International Informatization Academy), Общественно-научной неправительственной организации первой категории (International Informatization Academy) в генеральном консультативном статусе при Экономическом и Социальном Совете ООН).

Исследование операций, системный анализ и искусственный интеллект

Для организации учета, оценки, распознания и прогноза данных, используемых при формировании искусственного интеллекта, предлагается проводить исследование операций и анализ систем.

Проект включает образовательные программы как для школьников, студентов высших и средних заведений, так и для взрослых. Особый интерес представляют методики и практики, позволяющие способствовать социальной адаптации таких категорий населения, как мамы с детьми, уволенные в запас военнослужащие, инвалиды и люди с ограниченными возможностями. Речь идет о переподготовке кадров, современных методах удаленной организации труда, а также об обучении новым специальностям рынка информационных технологий и профессий.

Часть 1. Исследование операций

Основные используемые разновидности операций (А – Г):

А. При УЧЕТЕ, подготовке данных для решения задачи, выборе алгоритма – предлагается использовать:

• Таблица MsExcel, файл, база - это ресурсы для сохранения исходных данных в неизменном виде, для возможности повторного использования принятого алгоритма.
• Type-разделы (РАМ) общей области (их количеств) для использования выбранного алгоритма решения конкретной задачи.
• Создание необходимой надстройки в книге MsExcel; то есть программный продукт, способной решить поставленную задачу.
• Выбор границ и начальных условий, требуемого показателя эффективности (листов и форматов вывода результатов).
• Определение точности: не только статистических оценок, но и вывода на экран погрешностей использования алгоритма - для оценки надежности полученного решения задачи.
• Автоматизация алгоритма решения задачи, для возможности многократного его использования с иными исходными данными.
• Применение плоской таблицы с двумя входами, используя универсальные и специальные ресурсы MsExcel и авторские надстройки.
• Выборки (плоская таблица с двумя входами) из генеральных совокупностей могут быть статистическими и формальными. При применении формальной выборки не рассматриваются статистические ограничения, а рассматривается только оценка точности в обратной и прямой задачах анализа выборки.

Б. Статистические методы анализа исходных даных и полученных результатов – предлагается использовать:

• Сравнительные методы эффективности решений с различными критериями, с оценками корреляций, выполнением парной и множественной регрессий
• Выполнение статистических испытаний.
• Линейное программирование.
• Нелинейное программирование.
• Динамическое программирование.
• Теория игр, коалиции интересов и действий в игре применительно к таким объектам как: 1) социальная система, экономическая система, политическая система (игра общественных интересов); 2) игра в профессиональной среде: судья, адвокат, прокурор, пр.; 3) игры интересов и действий личности: мораль, совесть, вера, духовные и материальные потребности личности в обществе.
• Теория игр и треугольник интересов и действий, применительно к экономической деятельности: 1) интересы коалиций спроса, предложения, отдельного менеджера; 2) действия менеджеров: а) одного, который покупает, б) другого, который продает, в) коалиции конкурентов (изменяет состояние рынка).
• Сетевое планирование, построение и анализ сетевого графика.

В. Формальная выборка и ее применение при анализе систем – предлагается использовать:

• Задачи учета и оценки.
  Строки выборки – это объекты из некоторой генеральной совокупности. Столбцы выборки – это свойства, признаки, характеристики технические и эксплуатационные; словом все основные свойства, которые могут влиять на рыночную цену объектов выборки. Если объекты окажутся аналогичны по своим свойствам, то точность в обратной и прямой задаче будет выше; а иначе оценка точности окажется ниже. Если гипотеза типа “рыночная цена товара зависит от его потребительских свойств”, то данный метод окажется пригоден для рыночной оценки нового товара: цены предложения и спроса окажутся достаточно близки между собой. То есть, по факту (по собранным данным) решается задача ОЦЕНКИ, что создает условие для дальнейшей оптимизации дохода.
• Задача РАСПОЗНАНИЯ и ПРОГНОЗА.
  Это задачи типа прогноза погоды, прогноза будущего состояния коммерческой фирмы, прогноза котировок ценных бумаг на будущих торгах, др. Будущая прогнозируемая котировка на будущих торгах будет всегда иметь два граничных значения “Мах” и “Мin” . Иначе говоря, клиент, сделав прогноз, даст поручение своему брокеру: купить ценную бумагу, если ее цена будет ниже “Мin”- значения прогноза и продать ее, если “Мах”- цена окажется выше этого значения.

Г. Моделирование процессов изменений в системах – предлагается использовать:

• Есть система, есть её конкретные состояния, скорости изменения состояний системы, есть ускорения: скорости изменений скоростей. Когда мы исследуем процессы без последействия, то нам не нужны ни скорости ни ускорения, а только вероятности изменений состояния системы. Когда мы исследуем историю процесса с последействием, то нам не нужны вероятности изменения состояний, поскольку можно учесть состояния процесса, вычислить скорости и ускорения.
• Моделирование по схеме дискретных процессов изменений состояний системы без последействия (случайный процесс с дискретными состояниями и дискретным временем). Вероятность любого состояния системы в будущем зависит от ее состояния в настоящее время и не зависит от того когда и каким образом система пришла в это настоящее состояние. Процессы бывают однородными (матрица переходных вероятностей постоянна) и неоднородными, когда матрица переменна.
• Моделирование изменений состояний системы по схеме дискретных процессов, с последействием. Любое состояние системы в будущем зависит не только от ее состояния в настоящее время, но и зависит от того когда и каким образом система пришла в это настоящее состояние. Нет матрицы вероятностей, а изменение состояния системы зависит от дифференциальных преобразований всего процесса, в котором ищется будущее состояние, как оптимальное, наилучшее по точности.

Часть 2. Системный анализ

Каждая система, как известно, состоит из двух хорошо различимых между собой составляющих: структурной и субстанциональной. Обычно, об этом говорят так: структура системы и ее субстанция. Когда мы говорим “информация”, то подразумеваем под этим термином именно описание структуры системы. Если не вдаваться в детали, то под структурой системы можно понимать ее организацию. Уровень организации системы принято соотносить с таким параметром, как энтропия. Субстанция системы, это ее “материальное наполнение”. Так, две системы могут иметь одинаковые структуры, но совершенно различные субстанции. Например, в системе электродинамики различают целых три разные субстанции: энергия, электромагнитное поле и заряды. В экономике мы тоже различаем три её системные субстанции, такие как капитал (в товарах, услугах, ценных бумагах), “поле спроса и предложения“, активы и долговые обязательства фирм.

Основной ( в системе рынка) субстанцией является, конечно, же капитал (во всех его многообразных формах). В социальной системе ту же роль играют ценности; в электродинамике – электромагнитная энергия. Мы проводим здесь ту мысль, что системная структура рынка подобна в большой мере электродинамическим структурам [1], а формулы и технологии вычислений можно заимствовать из структуры электродинамики и применять в экономике.

Часть 3. Практическое применение - модели и программы

Рынок, экономика в целом, социальная система – это три взаимодействующие между собой системы. В системном анализе рассматриваются технологии взаимодействия этих троих систем на структурном уровне. Нормальные состояния экономики, кризисные и застойные, так же анализируются с применением методов теории подобия (аналогии).

Системными программируемыми объектами являются информационные отражения сложных, организованных систем, но лишь в том случае, если эти отражения могут быть описаны программируемыми моделями на каком-либо современном языке программирования. Программируемая модель системы имеет, на наш взгляд, следующие основные признаки и свойства:

• Объектная ориентированность программируемой модели, её технологичность.
• Структура информационного дерева (корень, ствол, ветвь, лист) над-систем и под-систем.
• Состояния системы могут описываться текстовыми и численными значениями свойств. В целом – это генеральная совокупность; в части – выборка, которая локально представляет генеральную совокупность.
• Изменения системы описываются процессами, событиями, состояниями и методами анализа этих изменений.
• Свойства (описывают ту часть системы, которая изучается на модели).
• События изменяют в процессе одно состояние системы на другое ее состояние.
• Методы анализа представлены выше (хотя и не полно) в Части 1 исследования операций на уровне математики и программирования.
• Идеи – способы обобщения и созидания новых методов, объектов и их свойств.
• Организация элементов системы типа «крест»: пара переходных состояний (потенциальное и кинетическое), сток субстанции и источник субстанции.

“Живые” производства (например, растениеводство), как сложные, организованные системы, могут быть несколько сложнее неживых [2] производств. Можно даже утверждать, что неживые производства являются частным случаем “живых”, когда применяется интроспективный системный подход к их анализу.

Хотя метод экстремальной диаграммы (ЭД) [3] применим для анализа структуры и живых, и неживых (то есть рукотворных) систем, однако имеет смысл рассматривать и наиболее сложный случай. Выбор объектов для иллюстрации возможностей метода ЭД был мотивирован тем, что задача оптимального управления (ОУ) в “узких местах” является, с одной стороны, наиболее сложной [3], а с другой – ее практическая значимость не вызывает сомнений. В качестве основного объекта применения метода ЭД мы в своих публикациях рассмотрели землепользование и землеустройство (как наиболее сложно–организованные системные объекты); однако сам метод ЭД является общим методом теории оптимального управления и никак не зависит от задач землепользования или землеустройства.

В теории принятия решений нами рассматриваются четыре основные характеристики любой экономической ситуации:

1. определенность (полная информация о структурах, состояниях, событиях, методах, свойствах);
2. риск (известны только вероятности событий, но неизвестно, как начальное состояние системы изменится при наступлении того или иного события);
3. неопределенность: мы можем четко определить (описать) само событие, но не знаем, произойдет ли оно или нет; и если произойдет, то когда. Нам не известны вероятности событий изменения состояния системы; хотя мы не знаем, произойдет ли событие или нет; все же имеем инструмент по распознанию этого события, феномена, явления, если оно произошло. Если конкретное событие произошло, то мы можем указать и на новое состояние системы, которая в результате этого события перешла из известного или неизвестного нам своего начального состояния в состояние новое для себя;
4. неясность: плохое, нечеткое определение самих событий. Большинство используемых понятий относительны, а не абсолютны. Такая относительность может вносить неясность в определение событий и в состав группы возможных событий. Однако, не зная начального состояния системы, мы все же имеем возможность фиксировать ее изменение. А, если ее состояние (после осуществления некоторого события, изменяющего состояние системы) станет определенным, то можно и рассчитать ее начальное состояние.

На основании разработанных теоретических моделей В.А. Кулешовым разработаны соответствующие компьютерные программы.

Цитированная в части 3 литература:

1. В. А. Кулешов, Теория гиперполей. Минск, Изд-во “Наука и техника”,(200c) 1969г
2. В. А. Кулешов, Аналогии. Отношение аналогии моделей. Минск, “Наука и техника” (415c) 1992г
3. Кулешов В. А. Информационное обеспечение управленческой деятельности", – М.:, изд. ГУЗ, (344c) 2001г.
4. Кулешов В. А. “Технологии Excel”, Москва, ГУЗ, (80c) 2003г.
5. Кулешов В. А. “Информационные технологии в экономике”, Москва, ГУЗ, (335c) 2011г.
6. Кулешов В. А. Около ста статей в открытой печати.

Основные проблемы и возможные решения, подробно рассмотренные в указанных выше книгах В.А. Кулешова:

• Теория гиперполей.
  Предложен метод индуцирования одних систем в другие. Исследована возможность индуцирования системы комплексных чисел в N- мерные евклидовы пространства. В 4-мерном пространстве построена алгебра, проведен ее анализ. Получены дифференциальные уравнения и даны примеры их решений. Показано, что бигармонические решения отвечают системам упругости и системам гравитации. Гармонические решения отвечают системам электромагнетизма.
• Аналогии.
  Отношение аналогии моделей. Рассмотрены технические и физические системы и процессы их изменений, отвечающие дифференциальным уравнениям, типа: Лапласа, Пуассона, диффузии, волновое уравнение, телеграфное уравнение и др. Важный вывод - все они отвечают системе типа крест. Системы, содержащие одни и те же подсистемы, аналогичны.
• Информационное обеспечение управленческой деятельности.
  Основной акцент сделан на теорию игр. Исследуются процессы и взаимодействия подсистем для троих систем: политической- экономической– социальной. В данном случае информационное обеспечение ограничивается моделями для управленческой деятельности.
• Технологии Excel.
  Предложена специальная модель обучения студентов, которая ускоряет и облегчаетпроцесс усвоения студентом таких разделов информатики, как MsWord, MsExcelи так далее, то есть все разделы MsOffice.
• Информационные технологии в экономике.
  Содержание книги вполне соответствует заявленной теме. Рассмотрены такие разделы, как информационные системы, объектные модели и технологии, их применение в известных экономических технологиях. Показано, что телеграфное уравнение (применяемое в электротехнике) как и другие технические аналогии из электротехники можно применять и при моделировании экономических процессов.

Часть 4. Фазы и прототипы для создания искусственного интеллекта

Первые системы, с которыми человек был знаком - это существование и поведение существ в живой природе. Сегодня в живой природе можно наблюдать и изучать большое разнообразие типов естественных систем.

Инженеру сегодня есть «с чего» и «зачем» пытаться копировать их функции - для их искусственного инженерного воссоздания и применения аналогичных функций, например, в производствах. Живые природные объекты (и даже сам человек) могут послужить наглядными прототипами, с ориентацией на которые человеку предоставляется возможность программировать (создать) искусственный интеллект.

Искусственный интеллект - это первоначально новый термин, который появился на платформе компьютерной техники, компьютерных технологий и компьютеризации потребностей общества. Теперь он оказывается применим и для создания человеком искусственной системы; даже без обращения к природным системам, а используя новые открывающиеся возможности самого компьютера.

Природные системы человек продолжает исследовать, теперь уже с помощью суперкомпьютера. Инженерные системы также оснащаются компьютерами, но уже с целью автоматизации процессов в самих системах; например, для повышения производительности труда дополнительных удобств.

Все же, мы полагаем, что сам термин “искусственный интеллект” относится именно к системам, материальным или только мыслимым. Применение этого термина, возможно, ещё потребует обсуждений и уточнений философского порядка. Заметим, что первый набор аксиом (для научного определения системы) приводит Гегель. Хотя первая система, с которыми человек был знаком, это живая природа, но само понятие системы только с живой природой не связано. Системы могут быть как живыми, так и не живыми.

Наиболее примитивный уровень искусственного интеллекта – это манипуляторы, которые стоят на производственных линиях (заводское производство) и обеспечивают автоматизацию процессов.

Научное и инженерное направление, которое именуется искусственным интеллектом, может, естественно, учиться у природы. Ниже мы приводим перечень природных систем (начиная с первого пункта, до пункта 16-ого), которые можно использовать как аналогии искусственного интеллекта по их функциям. Это возможные этапы последовательного создания (моделирования) искусственного интеллекта:

• от учета структурных элементов системы и оценки элементов системы, до распознания и прогноза будущего состояния системы;
• от компьютера, которому не нужны ноги и руки, но необходимы возможности общения с человеком (то есть средства связи, языки общения и средства понимания компьютером целей общения с другими компьютерами и человеком), до суперкомпьютера, носителя самой искусственной системы в целом.

Перечень природных СИСТЕМ:

1. Растительность, как среда для жизнедеятельности животных. Для искусственных систем это уровень формирования исходных данных. Именно, в рамках таких задач программирования искусственного интеллекта, как учет, оценка, распознание, прогноз.
2. Вирусы и микробы: с одной стороны являются источниками болезней живых существ, а с другой стороны они же являются прототипами полезных рукотворных систем для лечения человека и для инженерных систем производства пищевых продуктов.
3. Насекомые, с общими для сообщества автоматизмами, предназначенными для выживания такого сообщества.
4. Насекомые, с индивидуальными автоматизмами для выживания индивида, а значит и сообщества в целом.
5. Животные с индивидуальными автоматизмами и автоматизмами сообщества в целом, но без принятия решений для выживания.
6. Животные с индивидуальными автоматизмами без влияния сообщества, без принятия решений для выживания.
7. Животные с индивидуальными автоматизмами, с принятием решений и их реализацией.
8. Животные с автоматизмами и эмоциями для выбора решений и ожидания нового возможного своего состояния.
9. Животные с автоматизмами, распознающими свои состояния для принятия решений, и с реализацией своих решений.
10. Животные с автоматизмами, с распознанием состояний для принятия решений, с реализацией своих решений, с самообучением для выбора наилучших реализаций.
11. Животные, достигающие гегемонии (лидерства) в среде обитания.
12. Животные с мышлением для выживания в сложившейся среде сообщества и окружающей природы.
13. Животные с мышлением для выживания в среде сообщества.
14. Животные, с мышлением для выживания в среде организованного сообщества.
15. Животные с мышлением для выживания в среде организованного сообщества, создающего нормы взаимодействия индивидов.
16. Люди, создающие искусственные системы (в том числе интеллектуальные) по указанным выше естественным прототипам.