Вот-вот … решение где-то рядом… еще чуть-чуть!

Охота на черных лебедей

Кто занимается планированием, тот  знает, что в условиях неопределенности (которая есть практически всегда) необходимо рассматривать не один-единственный план, а  несколько – хотя бы три. И чем выше неопределенность, тем большее количество планов полезно рассмотреть (если для этого есть возможности). Причем, в целом, количество планов относительно объема неопределенности растет нелинейно, и очень быстро потребность в вариантах планов (для того, чтобы хоть как-то компенсировать неопределенность) может достичь «бесконечности». При этом, даже десятки планов – это, как правило, уже неподъемно для практически всех систем управления. Да и что потом делать с сотнями или даже тысячами относительно равнозначных планов? Поэтому …

Меняем подход!

А для того, чтобы сменить подход совсем уж радикально, внимательно всматриваемся в те решения, которые реализованы природой. А кто в природе самый умный? Мы? Правильно! Поэтому смотрим на то, как работает наша система управления, а точнее – наш мозг.

А чтобы понять, как работает мозг, смотрим на то, как работает … квантовый компьютер(!). Если очень штрихпунктирно и лишь контурно описать суть, то основу квантовых вычисления составляет волновая функция, которая (можно так сказать) уже содержит все возможные варианты решения, включая правильный, и надо только этот правильный как-то  эффективно извлечь… над чем все сейчас и бьются.

В каком-то смысле, в нашем мозгу тоже есть все решения (привет Платону!), но надо только научиться извлекать нужное.

Возвращаясь к мозгу :  мозг, представляя собой динамичную систему ассоциативных связей между образами (тоже штрихпрунктирное контурное представление), в определенном смысле, действительно, уже содержит необходимые варианты.

Значит, если опираться на эти посылки, необходимо в отношении решаемой задачи управления построить такой «мозг», который мог бы в конкретных условиях в ходе реализации задачи отвечать на вопрос – «Что делать?» за счет того, что заблаговременно каким-то чудесным образом в него «засунуть» все возможные варианты? Похоже на то!

И что-то похожее мы уже видим.

Образным прототипом такого «мозга» могла бы быть технология, применяемая, например, для обучения больших языковых моделей. Если кто-то даст такой модели на вход данные по миллионам вариантов развития конкретной исследуемой обстановки, то эта модель вполне могла бы научиться (насколько я знаю внутренние ее механизмы) на основании этих вариантов давать полезные ответы на вопрос о том, что дальше делать. Сегодня же очевидно, что если, например, дать ей миллион книг с описанием вариантов развития какой-то обстановки, с теми воздействиями, которые оказывали на нее ее участники и с описанием того, к чему привело каждое воздействие, то она научится интерполировать – прогнозировать будущее (в рамках именно этой обстановки) и предлагать варианты эффективного воздействия на обстановку.  Причем, возможно, она даже сможет прилично синтезировать новое! И оставим проблемы ее галлюцинаций пока в стороне – просто сладко помечтаем!

Выглядит же заманчиво!? Очень!

Вопрос лишь в том, откуда взять эти миллионы вариантов развития обстановки, да еще и с воздействиям , а еще и надо вычленить в обстановке результаты этих воздействий.

Вопрос «со звездочкой», однако, не такой уж он и неразрешимый.

Допустим, мы имеем дело с всего одной предметной областью, например, с управлением логистикой. Тогда  вполне несложно сделать такую имитационную модель перевозок, которая будет генерировать весьма добротные (внутри непротиворечивые) варианты систем маршрутов перевозок. Сразу открою небольшой технологический секрет : для того, чтобы это эффективно сработало, необходимо над моделью физики перевозок построить модель управления всей системой перевозок. И, меняя параметры этой модели (параметры того, как она формирует варианты), можно легко получать условные планы перевозок. Эти планы далеко не все будут квазиоптимальны и даже хотя бы рациональны, но этого и не особо нужно. Главная задача этой технологии – «прощупать» пространство возможных решений, и на основании этого процесса «прощупывания» сформировать исходные данные для обучения «нейросетевых машинок».

Сработает такое? Конечно. И оно действительно срабатывает. И есть такой опыт, и не только у моей команды. Но тогда, когда мы занимались этим плотно (лет 20-15 назад), тогда у нас не было возможности применять настолько продвинутые нейросетевые технологии, как те, которые есть сейчас. Сейчас это бы заиграло новыми красками.

А красивая технология получается! Мы создаем относительно несложные имитационные модели процессов «на земле» и модели функционирования их систем управления, гоняем в хвост и гриву суперкомпьютеры, которые формируют и просчитывают миллионы модельных прогонов на основании этих моделей, а на основе полученных результатов строим то, о чем я уже писал на Катакомбе – «хрустальный шар», у которого потом можно всегда получить добротный ответ на вопрос – «Что делать в сложившейся ситуации?». И этот «шар» будет формировать ответ, в том числе, и «понимая» то, к чему приведет то или иное воздействие не только в ближайшем настоящем, но и в будущем. А как же без этого? За счет чего это получается – уточнять не буду, просто прошу поверить тут мне на слово.

А что делать, если нам необходимо решать задачи поддержки принятия решений в условиях высокой неопределенности сразу во многих областях? В тех областях, где имитационную модель построить сложно или почти невозможно, но … необходимо ?! Причем, сложность построения модели, зачастую, связана с тем, что мы просто не знаем глубинные процессы в этой области настолько, чтобы описать их так же «математично», как это делаем, когда описываем, например, движение железнодорожного транспорта? (А тут привет моим друзьям из старого РЖД!)  В качестве примера такой неподатливой области можно привести экономику, «социалку», культуру, стратегию. Да любой конфликт (из которых состоит вся наша жизнь и жизнь интеллектуальных систем, и уж тем более – больших) это уже практически неподатливая для условно классической математики предметная область! Что делать?

А делать тут можно вот что: можно радикально сменить подход к построению имитационных моделей в условиях, когда у нас очень мало строго формализуемых знаний. В формировании имитационных моделей для таких сложных областей полезно сделать упор не на «классическом» подходе, а на том подходе, который мы у себя называем «гибридный интеллект». Это такой подход, в котором очень органично объединяются технологии экспертных систем (организации работы экспертной группы) и современные технологии ИИ. Получается красиво и мощно.

Но об этом – отдельно. И что-то на этот счет на Катакомбе уже даже есть.

    Модель самолета

    Модель самолета

    Задача по нынешним временам достаточно популярна – необходимо создать имитационную модель самолета-истребителя для специфической  компьютерной игры или тренажера.  Причем необходимо, чтобы этот истребитель вел бой неотличимо от реального истребителя (весьма правдоподобно) для игрока-противника. Задача, с точки зрения технологии моделирования, достаточно универсальна, и вместо самолета в эту задачу можно подставить любые вооружения и военную технику – танки, автомобили, средства противовоздушной обороны и т.д., как, впрочем, и любые другие человеко-машинные системы.

    Поэтому рассмотрим задачу моделирования самолета внимательнее.

    В моделируемом объекте две очевидные основные составляющие – самолет, как некий физический объект и летчик, как система управления.

    Соответственно, у многих разработчиков возникает стремление и модель сделать как комплекс, состоящий из модели физики полета и модели пилота, как модели логики управления.

    Когда-то я даже наблюдал, как один неопытный разработчик, получив именно такое задание вдохновенно бросился моделировать физику самолета. Аэродинамика, развесовка, векторы силы (двигателей) и т.д. и т.п., да еще и всё это, естественно, в динамике.  Но речь шла о современных самолетах. И для того, чтобы получить узнаваемые эволюции летательного аппарата в воздухе, необходимо не только тщательно смоделировать его физику, но и работу его автоматической системы управления. И та и другая составляющие достаточно сложные сами по себе, причем, для меня, как специалиста в области АСУ и САУ модель системы управления – намного сложнее модели физики. Своя же область всегда сложнее любой другой ? Не так ли ?

    Помучившись с очевидным решением, а потом поразмыслив какое-то время над возникшей проблемой, разработчик пришел к очевидному выводу, что нерационально детально моделировать физику, чтобы потом ее нивелировать моделью САУ – лучше сразу построить модель полета такую, которая будет отражением сразу и физики полета, и действий летчика, и работы САУ. Идея логичная, но есть одна проблема – где взять эту модель?

    Разработчик поступил следующим образом …

    Сначала он попытался «допросить» летчика, который имел налет на самолетах близкого типа – что делает САУ ? Ответы летчика не внесли никакой ясности.

    Потом он спросил об этом асушника. Результат – примерно тот же.

    Но потом один пенсионер, который когда-то проектировал что-то похожее на такие самолеты, необходимую ясность все-таки внес – САУ лишь предохраняет систему летчик-летательный аппарат от выхода на опасные режимы, и обеспечивает автоматическое микроуправление для летательных аппаратов, построенных по неустойчивой (гипер-маневренной) схеме.

     В итоге модель была сделана быстро и с необходимым качеством.

    Что главное в этом решении ?

    Главное здесь то, что зачастую нерационально пытаться повторить в модели то, как внутри функционирует прототип. Необходимо его функционирование завернуть в такую специфическую модель, которая обеспечит необходимый результат, но при этом будет обладать необходимыми технологическими характеристиками – компактность, реализуемость, скорость и т.д.

    То же самое касается и любой задачи моделирования динамики управляемых систем, когда функция управления слабо формализована. А в эту категорию, как уже было отмечено выше, попадают все системы, в управлении которыми участвует человек.

    Сегодня, наверное, в эту категорию попадают и АСУ на базе вероятностных и логико-вероятностных моделей, а также на базе искусственных нейросетей.

    И если всё это так, то при моделировании системы управления необходимо вывить ту траекторию, по которой она будет стремиться провести объект управления, а конкретную специфику этой системы выражать, как вероятное отклонение от этой траектории. Например, чем менее эффективна система управлению, тем больше будет отклонение. Причем, характер неэффективности тоже может быть разным. У одних систем управления высокая неффективность ситуационного управления может компенсироваться эффективным тактическим и даже стратегическим управлением, а у других стратегического управления может не быть вовсе, но они могут выживать за счет эффективного тактического. В каждом таком варианте будет отличный от других характер отклонения вероятной реализованной траектории от оптимальной.

    Результатом применения такого подхода к моделированию систем управления является множество траекторий реализации объекта управления. Это уже является необходимой и достаточной основой для проведения траекторного анализа, по результатам которого уже можно делать выводы о вероятной эволюции исследуемого управляемого объекта.

      Экстраполяция интерполяцией

      Экстраполяция интерполяцией

      Эта статья – очередной сопутствующий эффект, очередной небольшой результат неспешной работы над книгой о модельных исследованиях в условиях высокой неопределенности.  Рабочее название раздела – “Проблемы экстраполяции”. Текст – скорее эскиз. Но мне содержание показалось интересным и для того, чтобы выложить этот небольшой раздел на Катакомбе. Может кому-то он поможет принять правильное решение, а кому-то эти знания может даже помогут найти работу или проект своей мечты … всяко бывает!

      Общеизвестно, что применять интерполяционные модели для экстраполяции – это неправильно. Законы физики этого не запрещают, и более того, в некоторых случаях можно даже получить адекватный результат прогноза, построенный исключительно на условно тривиальном продолжении интерполяции вправо. Но лучше этого не делать. 

      Менеджеры часто рисуют для руководства и собственников победоносные графики роста продаж, как линейную экстраполяцию на основании последних данных, но пусть это остается на их совести и на некомпетенции тех, кому они это вдохновенно “втюхивают”.

      Теоретически продолжать интерполяцию “вправо”, конечно же можно, и можно строить даже модели достаточно сложных процессов на основании этого,  но, повторюсь, не стоит. Тут, ведь, как это часто бывает,   – просто не угадаешь. А создав неадекватную модель для проведения модельных исследований в условиях высокой неопределенности, разработчик не будет даже знать, насколько она неадекватна, и самое главное – в чем будет её неадекватность. Поэтому проводя модельные исследования лучше избегать “менеджерского подхода” и следует уделять особое внимание методологической чистоте, поскольку это хоть и не защищает гарантированно от отдельных драматических ошибок, но статистически снижает их вероятность – это точно. Это как мыть руки перед едой – лучше мыть, чем не мыть!

      Чтобы было понятнее, рассмотрим простой пример. Представьте себе, что мы построили интерполяционную модель температуры тела человека. И если мы будем пользоваться только ею, то легко получить, что прогнозная температура живого человека по этой модели может быть и существенно больше 42 градусов. На самом деле мы конечно же знаем, что такое невозможно, и конкретный результат попросту забракуем, но что нас ждет в тех случаях, когда мы объект не знаем настолько хорошо, чтобы браковать какие-то конкретные результаты прогнозирования его состояния, и более того – мы как раз и создаем модель для того, чтобы исследовать малоизвестный нам объект? Исследовать на предмет возможных состояний – тех, которые мы до сих пор не наблюдали.

      В прогнозировании это вопрос вопросов – как поступать в тех случаях, когда необходимо создать модель для прогноза состояния сложных объектов, причем, для выявления вероятности таких состояний, которые или редко наблюдаемы или вовсе, практически не наблюдаемы? Например,  спрогнозировать вероятность возникновения и вероятный характер крупной аварии на АЭС или выявить наиболее вероятные (в будущем) состояния социально-экономической сферы страны. Причем, с АЭС это хоть как-то понятно – мы ее  и построили, и знаем ее относительно неплохо, а вот социально-экономической сферой уже неизмеримо сложнее. Системно проблема исследования ненаблюдаемых состояния описана в разделе «Охота на черных лебедей».

      В таких случаях, как приведены выше, уже никакие экстраполяционные модели не могут быть приемлемо адекватными. Для таких случаев необходимо строить модели динамические.

      И вроде бы всё вышесказанное очевидно , но …

      Несмотря на вышесказанное и вроде бы для большинства очевидное, научно-практическое сообщество не оставляет попыток найти возможности эффективного применения интерполяционных подходов для экстраполяции – для прогнозирования.

      Причем, существенное развитие это получило в решении задач прогноза ситуации, например, на фондовых рынках.

      Идея использования нейросетей  (а нейросеть – это частный случай интерполяторадля того, чтобы, «натравив» их на данные по динамике, например, котировок, получить прогностическую модель такого качества, которое обеспечивало бы гарантированный выигрыш на бирже, это как идея поиска священного Грааля или Философского камня. И вокруг этой идеи, так же, как и вокруг любой другой халявы, всегда крутится множество апологетов и просто жуликов всех мастей.

      Но так ли уж бессмыслена идея интерполяции ситуации на рынке (например, фондовом) для ее прогнозирования? Как ни странно, в ней все-таки какое-то рациональное зерно существует.

      Дело в том, что если мы будем принимать во внимание не только собственно данные об изменении котировок, но и еще какие-то данные о том, от чего зависит рынок, в целом, и при этом мы сможем построить модель эволюции параметров порядка*, от которых зависит рынок, то, теоретически это может явиться вполне достаточной и надежной основой для прогнозирования ситуации на рынке с использованием тех же нейросетей.

      В качестве параметров порядка может рассматриваться, например, характер отношений между двумя глобально-мировыми коалициями, объективные или прогнозируемые перекосы в мировом межотраслевом мультипродуктовом балансе, вероятность определенных межкультурных конфликтов, ожидания от научно-технологического прогресса, завершение реализации крупных инфраструктурных проектов, перспектива и ход реализации проектов социальных и т.п.

      Очень важно и то, что, если существует отражение влияния параметров порядка на состояние рынка в тех данных, которые мы можем получить о рынке, то существует, опять же, теоретическая возможность на основе данных о рынке восстановить эти параметры порядка, и, самое главное,-функцию влияния параметров порядка на рынок. Например, теоретически, можно установить характеристики влияния отношений между какой-то позицией на рынке и тем, в какую сторону развиваются отношения между какими-то определенными геополитическими субъектами. То есть то, насколько и с какой временной задержкой отношения между определенными субъектами влияют на ситуацию с эволюцией определенных котировок. Да, при этом решается обратная задача, которая является одной из самых сложных задач в математике, но она не является абсолютно нерешаемой, и с той или иной степенью приближения ее можно решить практически всегда.

      В результате, на основе методов интерполяции (а нейросеть, как уже упоминалось выше, – частный случай интерполятора) мы получаем функцию влияния параметров порядка на  рынок, а потом уже на основании данных по рынку и на  основании функции влияния параметров порядка, мы, теоретически, можем получить необходимый по качеству и содержанию прогноз рынка.

      Решаемость задачи в описанном подходе связана с тем, что вектор динамики параметров порядка изменяется существенно медленнее, чем векторы динамики параметров, отражающих обстановку на рынке.

      Понятно, что качество решения задачи в определенных ситуациях может существенно возрасти, если для модели эволюции параметров порядка мы сможем использовать не только знания, полученные на основе анализа косвенных данных ( “волн”, которые расходятся по поверхности, когда параметр порядка меняется), но и более глубокие знания об объекте исследования. Однако это, зачастую, просто невозможно.

      Интересно, что если внимательно проанализировать описанный подход, то быстро становится очевидно, что модель эволюции выбранных параметров порядка формируется (например, какими-то другими исследователями) по той же схеме, которая здесь приведена. А над ней  – модель параметров еще более высокого порядка. И так можно до бесконечности.

      Ясно, что практический предел такой «матрешки» определен нарастанием ошибки, которая неизбежна при переходе от уровня к уровню – вверх, когда “нагромождаются” друг на друга косвенные данные и оценки, но даже на практике, с учетом применения различного рода ухищрений для компенсации негативного эффекта от накопления ошибки, таких уровней может быть несколько. Причем, три – это уже много.

      Какой вывод из всего этого можно сделать ? А вывод – такой, как и все выводы, касающиеся технологий модельных исследований в условиях высокой неопределенности – догматов не существует. Нельзя однозначно сказать : в такой-то ситуации необходимо применять такую технологию модельных исследований, а в такой-то – другую. Результат зависит в большей мере не от технологии а от компетенции, оснащенности и обеспеченности необходимыми ресурсами исследователя, а также компетенций заказчика результатов исследований в части, касающейся адекватности их применения.

       

      Параметр порядка  - значения характеристик каких-то объектов, которые влияют на состояние объекта исследования, но  изменением которых можно пренебречь при рассмотрении динамики объекта исследования на определенном временном интервале.

      - Кибернетик -

        Определение границ модели

        Определение границ модели

        Определение границ модели или исследования – это один из самых сложных вопросов как моделирования, так и любого исследования. И предельный вопрос заключается в том, как с первого раза, а не методом проб и ошибок, понять – что и в каком виде включать в модель или в исследование? Особенно сложно ответить на этот вопрос тогда, когда модель для такого рода объектов, как целевой объект-прототип, создается или впервые, или опыт создания моделей подобного рода небольшой, или и того хуже – устоявшийся негативный.

        Ясно, что в описанной ситуации невозможно создание какого-то универсального детерминированного регламента, на основе которого можно было бы аргументированно определить границы любой модели или границы любого исследования. На этом этапе проектирования можно опереться лишь на экспертные оценки. А вот уже для получения наиболее надежных экспертных оценок могут и должны быть разработаны необходимые регламенты.

        Здесь я в общих чертах опишу только некоторые технологии и регламенты определения границ моделей и оценки того, насколько полно они исполнены.

        1           «Поляна»

        Этот регламент ориентирован, в первую очередь, на применение одним экспертом. В основе этого регламента лежит технология, похожая на широко известный эвристический метод – «морфологический ящик».

        Согласно этому регламенту, эксперт формирует таблицу, в которой по одной оси записываются аспекты (составляющие модели), а по другой – задачи.  Затем в каждой ячейке таблицы проставляется оценка в соответствии с, так называемым, принципом пропорциональности.

        Согласно принципу пропорциональности оценок, всё исходное множество оценок делится на три группы. Первая группа (наивысшие оценки) составляет примерно 10% от общего количества оценок, вторая группа (самые низкие оценки) – тоже примерно 10%, а все остальные оценки – это оставшиеся 80%, которые делятся внутри группы по тому же принципу 10-80-10. И так до тех пор, пока не будут распределены все оценки. Пропорции могут быть изменены, в зависимости от конкретики регламента.

        Важнейшей спецификой этого подхода является то, что оценки расставляются так, чтобы принцип пропорциональности выполнялся одновременно, как по столбцам, так и по строкам.

        Вариант такой таблицы приведен на следующей иллюстрации:

        Каждая задача в приведенной таблице имеет оценку важности (градиент зеленого).

        На основании оценок в ячейках и на основании оценки важности задач формируется интегральная оценка выполнения регламента пользователем, которая (оценка) отражает то, в какой степени интегральная оценка отличается от максимально возможной для этой таблицы. Полученная оценка является хорошим основанием для принятия решения о качестве решения задачи определения границ модели или исследования.

        Необходимо сразу отметить, что описанный подход, являясь достаточно простым по своей сути, весьма непрост в реализации, и действительно заставляет проектировщика модели выложиться максимально, что и требуется на этапе концептуального проектирования. При этом, будучи вынужденным рассматривать каждый возможный аспект модели и их различные группировки с разных сторон, увязывая их с задачами и между собой, проектировщик волей-неволей максимально глубоко, насколько он вообще способен, продумывает вопросы целесообразности включения в модель тех или иных аспектов. Но если проектировщик не сможет или не захочет выполнять задачу качественно, это сразу скажется на автоматически рассчитываемом значении интегрального показателя качества выполнения регламента.

        В заключении необходимо отметить следующее: эффективность описанного здесь метода базируется на том, что необходимость выполнения заданного регламента, да еще и при наличии формализованной автоматической оценки качества его исполнения, противопоставляется подсознательному естественному стремлению любого человека к экономии энергии, и в первую очередь – когнитивной. Эта экономия провоцирует закончить работу, постоянно соблазняя проектировщика различными «отговорками». А такой регламент как раз и стимулирует выполнить работу до конца – максимально качественно.

         2           Групповая экспертная оценка

         Если имеется возможность привлечения группы экспертов для решения задачи определения границы модели или исследования, то сама технология решения задачи может быть намного более простой, чем описанная выше «Поляна», поскольку нет необходимости стимулировать работу отдельного исполнителя – члены группы (если группа подобрана правильно) сами будут друг друга стимулировать вполне достаточно.

        В качестве основы технологии получения групповой оценки может быть использована одна из множества  известных технологий экспертных оценок. При этом каждый эксперт может дать свои оценки необходимости включения тех или иных аспектов из общего списка, который формируется экспертами же.

        Расстановка оценок экспертами осуществляется также на основе метода пропорциональных оценок.

        Оценкой качества выполнения регламента является в таком случае комплексная величина, которая включает оценку пропорциональности конечных оценок и их согласованности (например, дисперсию), а также уровень компетенций экспертов по каждому потенциальному элементу модели.

        Процесс формирования оптимального набора элементов, включаемых в модель, итерационен. Эксперты от итерации к итерации могут развивать множество элементов модели, корректировать свои оценки.

        Несмотря на высокую распространенность такого рода групповых экспертных методов, они имеют ряд недостатков, ключевым из которых является достаточно всё-таки слабый механизм стимуляции экспертов к максимально качественному выполнению своей работы. Если экспертная группа сформирована так, что не все необходимые роли в ней реализуются, группа может не найти в себе силы для того, чтобы максимально качественно решить задачу.

         

        3        Экспертная игра

        Технологии применения экспертных игр для решения сложных задач анализа в условиях высокой неопределенности известны давно, однако, в силу сложности их реализации, широкого распространения они не получили. Тем не менее, сегодня в России активно работает несколько групп экспертов, которые достаточно интенсивно применяют игровые технологии как для прогнозирования, так и для синтеза решений.

        Анализ известных подходов, которые применяются сегодня для экспертно-игровых исследований показывает, что практически все они базируются на организации процесса коллективного мышления через его регламентацию и технологизацию. При этом есть и такие подходы, которые ориентированы на коллективную «накачку интегратора», который, в свою очередь, в итоге, и синтезирует решение.

        Однако ни один из таких подходов, к сожалению, не может быть эффективно использован для решения задачи определения границ модели или исследования в силу того, что ни один из них не позволяет получить формализованную оценку качества его исполнения.

        В связи с тем, что известные подходы не применимы, разработан регламент специализированной игры, результатом которой является обоснованное подмножество из определенного множества, где множество – это все потенциально возможные элементы модели, а подмножество – это те из них, которые необходимо включать в модель.

        Технологически игра представляет собой многопользовательскую компьютерную игру, в которой игроки делают ставки некоторой игровой валютой. Выигрыш каждого игрока рассчитывается по сложному алгоритму, детали которого обширны и требуют отдельного рассмотрения, но в целом логика этого алгоритма направлена, в первую очередь, на достижение следующего:

        ·       Максимизация вероятности выявления наиболее компактного и при этом наиболее значимого подмножества элементов, включаемых в модель.

        ·       Стимуляция экспертной группы находить нетривиальные решения вместо достижения «серенького компромисса».

        ·       Возможность получения формализованной оценки качества исполнения регламента.

          Аудит прогнозов

          Аудит прогнозов

          Как оценить качество прогноза, не вдаваясь в его содержание?

          Задача эта лишь на первый взгляд кажется парадоксальной и бессмысленной. На самом деле, это и есть – самая правильная постановка задачи. Дело в том, что, как правило, тому, кто в состоянии оценить содержательное качество прогноза, тому чужой прогноз-то и не нужен – у него и своих компетенций опять же, как правило, достаточно, чтобы сформировать такой прогноз. Прогноз (как знание о будущем) представляет ценность, в первую очередь, для тех, у кого отсутствуют собственные компетенции для его формирования.

          Но как без компетенций оценить качество прогноза?

          Только за счет оценки каких-то технологических его характеристик!

          А для этого необходимо иметь соответствующую систему критериев.

          Что может входить в эту систему критериев?

          В качестве примера критериев можно привести следующее: безоговорочное наличие вероятностных характеристик у всех результатов.

          Даже одно это требование уже позволит существенно повысить качество прогноза. Причем повышение качества идет, в первую очередь, за счет того, что разработчик прогноза вынужден решать задачу прогнозирования более глубоко. Если же ввести еще и требование наличия таких же характеристик для параметров второго уровня – для тех параметров, от которых зависят конечные, то выполнение такого требования будет достаточно для значительной части прогнозов. А если те же требования ввести еще и для третьего уровня, то этого будет достаточно практически для всех прогнозов в области экономики, политики, стратегии и т.п.

          Необходимость предоставления заказчику отчетливой картины вероятностей результатов прогноза, побуждает разработчика намного глубже и ответственнее прорабатывать все аспекты объекта исследования.

          Если к требованию предоставления характеристик вероятности еще добавить и требования, связанные со структурой перечисленных трех уровней, то задачу формирования технологических требований к прогнозу можно было бы считать решенной.

          Если бы не одно «но!» …

          Откуда и как взять эти вероятности?

          Если вводить требования к качеству прогноза, то необходимо, кроме всего прочего, прорабатывать и вопросы о том, как они могут и должны быть реализованы. А это тогда уже не просто система требований, а то, что когда-то называлось «типовой проект», со всеми необходимыми методиками, примерами и множеством соответствующих учебников и детальных частных методических рекомендаций. Ну и конечно же со множеством научных публикаций, содержащих обоснования этих методик и технологий. Причем это должно касаться и тех вопросов, которые научное сообщество до сих пор старалось обходить. Например, вопрос аргументированного обоснования границ модели/исследования. То же касается содержания моделей, подходов к оценке их адекватности в тех случаях, когда невозможно сопоставить их с объектом-прототипом. То же касается оценки источников данных и самих данных на предмет их достоверности. И т.д. и т.п..

          Но любая дорога начинается с первого шага. И этим первым шагом могут и должны стать оценки вероятностей реализации искомых значений параметров, исследуемых в прогнозе.

          И удивительно, что до сих пор этого нет.

          Вероятно это связано с тем, что прогнозирование, как деятельность, сегодня узурпировано агитаторами и пропагандистами, для которых важна не точность прогноза, а то, какие эмоции он вызовет у целевой аудитории. Дело это тоже нужное – никто с этим спорить не собирается. Однако здесь о другом разговор.

            ТРИЗ для кибернетиков

            ТРИЗ для кибернетиков

            В ТРИЗ есть такой трюк – «дерево эволюции». Если не сильно вдаваться в подробности, то это переизобретенный тризовцами(со всем моим уважением и к этим людям, и к этой технологии) синтез морфологического анализа и метода ветвей и границ.

            Суть этого метода заключается в том, чтобы нечто исследуемое соотнести с соответствующим типом эталонов, по которым заблаговременно определены виды корректных преобразований. Например, если мы имеем дело с инженерными системами, то у их эталонов могут быть следующие виды преобразований (использую тризовскую терминологию): изменение условных типов степеней свободы (так называемые в ТРИЗ «моно-би-поли»), членение на составные части («дробление»), геометрическая эволюция, варианты реализации внутренней структуры, изменение характера согласованности элементов в системе и т.д. Всего для инженерных систем их пока определено 10. Но 10 — это не догма. Для конкретных задач их может быть и 5, и 25, и любое другое количество.

            Затем, когда нам необходимо решить какую-то изобретательскую задачу в сфере инженерии, мы берем эту классификацию, берем несколько существующих вариантов решений, близких к тому, которое нам необходимо создать или найти, и «прикладываем» их к соответствующей классификации так, чтобы стало понятно – какой из потенциально возможных вариантов еще не реализован, но он имеет право на жизнь. Его и исследуем детально. Иногда их несколько, значит, исследуем все. Например, если мы решаем задачу движения и во всех опорных вариантах используем колесо в качестве движителя, а в шаблоне есть вариант преобразования движения – червячная передача, то мы придумываем в качестве движителя шнек.

            Это чем-то очень похоже на морфологический анализ, хорошо известный в среде инженеров и им подобных. Однако, если в морфологическом анализе мы просто генерируем новые варианты на основе некоторого набора вариантов реализации составляющих проектируемой системы, а потом ступенчато отсекаем нежизнеспособные варианты этой системы, то тризовцы, как это уже ясно из вышеприведенного описания, поступают несколько более экономно. Но необходимо понимать, что эта экономия имеет и свои недостатки, ключевой из которых знает любой математик – локальный экстремум.

            Для того, чтобы как-то избежать проблемы «застревания» в локальных экстремумах, тризовцы переизобрели метод ветвей и границ. Точнее, лишь наметили своё движение в этом направлении.

            Зачем я – кибернетик так подробно рассказываю о том, что сделали тризовцы?

            Дело в том, что я пытаюсь найти, где это только возможно (в том числе и в решениях тризовцев) то рациональное зерно, которое можно было бы применить в задачах моделирования сложных объектов и систем в условиях неопределенности, а также в условиях дефицита ресурсов на моделирование.

            Сразу отмечу, подход, чем-то похожий на тризовский, у меня уже описан здесь – на Катакомбе. Это касалось феномена «черных лебедей».

            Так каким может быть “ТРИЗ для кибернетиков”?

            Суть этого подхода достаточно легко понятна:  мы разделяем объект исследования и его окружение на подсистемы таким образом, чтобы для каждой из них можно было описать алгоритм ее эволюции. Причем, это может быть не обязательно детерминированный алгоритм – вполне может быть и вероятностный. Более того, практически идеальным вариантом является вариант вероятностно-детерминированного описания (логико-вероятностная модель) эволюции для каждой составляющей. А над этими составляющими или внутри них мы описываем алгоритм (тоже в виде логико-вероятностной модели), который обеспечивает их согласованное состояние.

            Имея такого рода модель, мы проводим над ней множество модельных экспериментов и получаем, в итоге, – характер, вероятность и условия возникновения редких и ранее ненаблюдаемых состояний – «черных лебедей». Что и требовалось получить!

            Легко заметить, что и в ТРИЗ, и в описанном выше методе исследования «черных лебедей» применяется практически один и тот же фундаментальный подход, суть которого в следующем: континуум состояний кластеризуется, в результате чего мы получаем уже не бесконечное множество состояний, которое за разумное время практически невозможно проанализировать, а их вполне конечное и практически приемлемое для исследований множество. 

            А потом на основе конечного множества этих конечных множеств мы исследуем все их комбинации. Комбинаторика! 

            И технологический вопрос здесь лишь в том, как сделать исследование всех актуализированных комбинаций наиболее эффективно. Но это всегда очень тесно связано с конкретной предметной областью, поэтому пока что я оставлю это в стороне,  но обращу внимание на другой, как мне кажется – более фундаментальный – вопрос: «Как бесконечное множество состояний корректно и эффективно превратить в приемлемое конечное множество?»

            Для начала обратимся к определению категории «состояние». Для этого идем на любимый мною словарь академик.ру и… просто тонем в огромном количестве контекстных определений.

            Однако, если обобщить приведенные в словаре определения, то категорию «состояние» в кибернетическом контексте можно определить следующим образом:

            ·   Состояние – определенная совокупность значений характеристик объекта, определяющая возможность его перехода к другим определенным совокупностям значений характеристик.

            И это не просто кластеризация. Это больше соответствует графу, которым «накрывается» некий континуум, причем узлы графа – это не просто точки, а нечто, что ограничивает области этого континуума. И если объект-прототип меняется, то он может «двигаться» лишь по дугам этого графа.

            Неплохо это видно на следующей иллюстрации:

            триз для кибернетиков
            Здесь черным показан граф и выделены кругами его узлы, а красным – области, сопоставленные каждому узлу.

            Разбив всё фазовое пространство реализации объекта на области так, что из каждой можно перейти лишь в какую-то соседнюю, мы получим пространство состояний. Вопрос лишь в том, как это сделать правильно. 

            В некоторых случаях такая разбивка «самоочевидна». Например, обратите внимание на план эвакуации при пожаре, который обязательно висит (должен висеть!) в каждом  здании где имеется скопление людей. Каждую комнату или кабинет или любое другое помещение, если это не спортивный или актовый зал, в контексте задачи эвакуации можно описать точкой, поскольку для задачи эвакуации не важно, в какой части комнаты находится человек, главное, что он в конкретном помещении, и из него есть, например, только два выхода: дверь в другое помещение и окно.

            Но далеко не всегда возможна «самоочевидная» декомпозиция фазового пространства и сведение его к пространству состояний. Как правило, всё, как раз, очень неочевидно. Более того – области, на которые разбивается пространство, в общем случае не односвязные, а связи между ними могут связывать далеко не соседние области. И, опять же, в общем случае, области могут… пересекаться!

            С учетом всего изложенного возникает вопрос необходимости наличия технологии, используя которую, можно было бы такого рода преобразования фазового пространства в пространство состояний делать с наименьшими потерями сути объекта исследования в контексте решаемой задачи и при этом получать наиболее компактное результирующее пространство состояний.

            Как уже было отмечено выше, кластеризация для этого совсем не подходит, и причина в том, что при кластеризации мы осуществляем разбивку фазового пространства на области без учета самого важного для нас при работе с состояниями – без взаимообусловленности состояний через допустимость переходов между ними. Можно, конечно, кластеризовать всё пространство, а потом попытаться установить связь между областями, придумав, почему можно переходить между теми или иными кластерами, но такой подход создает больше проблем, чем дает решений.

            Здесь следует отметить, что описываемый подход (“жонглирование” пространствами) в математике давно и хорошо известен. В некоторых случаях возможно и очень выгодно перевести решение какой-то математической задачи в другое – специфическое для этой задачи пространство, в котором эта задача решается относительно просто, а потом результат вернуть в пространство исходное. Главное при этом не потерять суть, а на практике это – точность.

            Теперь, когда основа решения более-менее понятна, попробуем разобраться как из этого можно было бы сделать инструмент, с помощью которого пользователь мог бы, лишь выполняя некий несложный регламент, решать в отношении конкретных объектов исследований практические задачи выявления значимых для пользователя состояний.

            Для этого воспользуемся трюком, которым часто пользуются разработчики математических моделей, когда перед ними стоит задача создания модели сложного объекта – прототипа. Трюк заключается в том, чтобы виртуально разделить исследуемый объект иерархически на части так, чтобы, описав достаточно грубо модель эволюции атомарных частей и алгоритм их взаимодействия, а потом повторив эту операцию снизу-вверх по иерархии для всех уровней, и придя, таким образом, к самому верхнему, разработчик получил бы приемлемую модель эволюции объекта прототипа. Это вариант подхода «разделяй и властвуй», при котором разделение идет не по горизонтали, а по вертикали – вглубь моделируемого объекта.

            Хорошим примером такого подхода является задача моделирования боя, например, дивизии. Для того, чтобы создать адекватную модель боя дивизии, мы ее разделяем на полки, полки – на батальоны, батальоны – на роты, роты – на взводы. Затем грубо описываем модель поведения взводов, потом на их основе описываем модель поведения рот, потом из рот складывается модель батальоны, из батальонов – полков, а из полков уже – дивизии. И в результате, как правило, получаем добротную модель для решения задач, например, исследования возможных вариантов хода и исхода боя, или даже боевых действий.

            Перенося этот подход на задачу выделения состояний, мы делаем примерно то же самое – разделяем составляющие системы на еще более мелкие составляющие и для каждой из них описываем (сначала достаточно грубо) перечень несовместимых состояний. Тут необходимо  особо подчеркнуть – несовместимых. Затем увязываем эти состояния зависимостями (для начала – тоже достаточно грубыми). Этими зависимостями мы отражаем то, с какой вероятностью одни элементы системы будут в определенных состояниях, если какие-то другие элементы будут в определенных других.

            Описывать такого рода связи можно различным способом – графически или в виде, например, базы знаний специализированной экспертной системы. И в том, и в другом случае инструмент описания ориентирован на экспертов предметной области и не требует даже прикладного программирования (в классическом понимании этого слова). Когда база знаний сформирована, специальный механизм анализирует сформированную пользователями схему и правила на предмет наличия суперпозиций в схеме. Если какой-то элемент при какой-то конфигурации состояний других элементов равновероятно (допустим так) может находиться в двух разных состояниях (а они, напоминаю, несовместимы), то это означает, что или база знаний неполна/некорректна, или некорректно осуществлено разделение исследуемой системы на составляющие, или конфликтный элемент необходимо дополнительно декомпозировать. Итерации корректировки объекта и базы знаний продолжаются пользователем до тех пор, пока не будут разрешены все конфликты – пока не будут устранены все суперпозиции.

            В итоге мы получаем некоторую модель, которую и саму по себе можно уже использовать для решения многих очень полезных практических задач управления, но здесь для нас она представляет интерес лишь как основа для выявления ключевых состояний – тех состояний объекта-прототипа этой модели, которые мы планируем применять для анализа надсистемы.

            Задачи, связанные с выделением устойчивых состояний, решаются над этой моделью автоматически.

            При этом многократно из различных случайных состояний система (схема с соответствующей базой знаний) восстанавливают внутрисогласованное состояние. Каждое согласованное состояние – точка в фазовом пространстве модели. В результате формируется набор точек в фазовом пространстве модели – аттракторов, к которым “притягивается” всё фазовое пространство. То есть модель из любой точки потенциального фазового пространства в результате согласования значений параметров ее составляющих окажется в одной из найденных точек.

            Полученный набор точек анализируется на устойчивость, что фактически является решением задачи определения параметров и конфигурации зоны. Сопутствующим результатом такого анализа является информация о вероятностях переходов от одного аттрактора к другому.

            К полученному результату может быть применен дополнительно ряд инструментов, например, из теории графов, чтобы при необходимости максимально корректно сократить размер полученного графа.

            Результирующий граф – это и есть та укрупненная модель элемента системы, которую мы собираемся моделировать. Остается лишь дать предметные интерпретации узлов графа и его дуг – и можно применять такую модель в морфологическом анализе.

            На основе этой модели можно даже относительно легко сделать и логико-вероятностный автомат, который позволяет эффективно, и даже иногда эффектно, решать ряд задач, например, задачи исследования конфликтов.

            С точки зрения кибернетики описанный здесь подход вполне рабочий и достаточно ингерентен (легко внедряется), вот только не дает мне покоя одна вещь…

            … я про интерпретации.

            Если мы видим устойчивое состояние модели объекта исследования, выраженное как совокупность значений параметров и видим вероятность того, что из этого состояния она перейдет в какое-то другое, то как назвать эти состояния? А назвать необходимо, иначе мы не сможем нормально с ними работать на более высоком уровне. В некоторых случаях мы, конечно же, сможем соотнести наблюдаемую математическую абстракцию с какой-то уже привычной нам категорией и на основании этого получить какое-то название, но чаще всего будет совсем иначе. И тут действительно хороша метафора абстрактной живописи. Каждый в ней увидит что-то своё. И как потом нам всем договариваться о единой интерпретации? Мы уже несколько сот лет не можем договориться даже о том, с чем сталкиваемся в обыденной жизни, а тут…

            В общем, чтобы широко применять описанный тут подход необходимо еще и философию в части формирования ею корпуса основных понятий, поставить на поток. 

            А это возможно?…

            … что-то мне подсказывает, что возможно. И заходить тут надо со стороны инструмента «эталонизатор». Но это тема для другого текста.

              Охота на черных лебедей

              Охота на черных лебедей

              Начну с самого конца. 

              Ответ очень простой – для того,чтобы быть готовым к неожиданностям

              Ответ не менее простой: быть готовым к неожиданностям, это означает – иметь достаточные резервы ( в широком смысле) для того, чтобы в нужный момент с их помощью мы могли бы и преодолеть негативные последствия возможных ситуаций, и воспользоваться теми дополнительными возможностями, которые эти ситуации нам дают.

              А для того чтобы ответить на этот вопрос, необходимо понимать, скажем так, – структуру возможной ситуации/обстановки. Другими словами – надо понимать то, в каком соотношении в определенные моменты будут какие-то важные для нас характеристики обстановки, ситуации, объекта, или, как это иногда называется  – параметры порядка.

              Это уже несколько сложнее. Необходимо построить модель объекта исследования настолько адекватную, чтобы она позволит нам прогнозировать то, как будет меняться со временем и в зависимости от различных внешних факторов соотношение интересующих нас параметров. Причем, не стоит бояться слова “модель”, поскольку модель – это далеко не всегда есть нечто монструозно-математическое. Иногда достаточно чтобы группа экспертов изобразила несколько графиков, наложив их друг на друга, … и сразу многое становится ясно. Хороший пример – волны Кондратьева в экономике. Другой пример – соотношение эволюции потенциала систем управления и эволюции требований к ним, как результата научно-технологического прогресса и усугубления разделения труда. 

              А иногда достаточно таблицу “нарисовать”.

              Можно и детальнее! 

              И в разных прикладных и предметных областях на этот счет есть свои подходы и “волшебные палочки”. 

              Если взять, например, системы управления, то там имеется достаточно простой и надежный подход, который, зачастую, может эффективно проецироваться и на другие области (в некоторой их части) – экономику , социологию, военную и политические сферы, и т.д.. Суть его в  том, чтобы описать эволюцию типового объекта, соответствующего объекту исследования. Если речь идет о системе управления, то это эволюция типовой   системы управления. 

              Замечу, существует множество вариантов описания эволюции систем управления, однако у всех тех, которые прошли через мои руки, есть одна и та же проблема – “литературность”. А для того, чтобы сформировать модель, необходимо описать эволюцию системы управления, как систему же ключевых характеристик исследуемой системы управления и их эволюцию, в том числе и взаимообусловленную(но не обязательно). 

              Затем необходимо определить место конкретной исследуемой системы управления в ракурсе эволюции типовой системы управления, а для этого есть специальная технология – технология идентификация неоднозначных состояний. 

              Затем остается лишь исследовать, какие состояния – те, которых у неё еще не было – ждут исследуемую систему управления в будущем. Эти состояния и будут самыми  “черно-лебеде-генными”. 

              Описанный подход называется “дедуктивным” (от общего-к частному), и о нем на Катакомбе написано уже достаточно много.

              Однако, кроме выделенных выше состояний, есть еще группа состояний, характеризуемых высокочастотной и высокоамплитудной сменяемостью направлений эволюции некоторых характеристик и/или их кортежей (совокупностей). Для выявления таких состояний тоже существует специальный инструмент. Особый интерес к таким состояниям очевиден – если системе управления “по пять раз на дню” менять задачу на прямопротивоположную, то в этой системе, так же как и у практически любого человека развивается, так называемая “выученная беспомощность”. А вот тогда и жди “сюрпризов”.

              Замечу, решение задачи предсказания “черных лебедей” здесь несколько “выворачивается” – мы не просто пытаемся вычислить этих “черных лебедей”, а анализируем то, какие ситуации могут их продуцировать или в каких ситуациях их появление наиболее вероятно. Более того – мы не пытаемся определить конкретные характеристики этих “черных лебедей”, поскольку это почти не имеет практической перспективы, а поступаем стратегически – готовимся к определенному классу ситуаций за счет управления резервами.

              Как видите, в целом всё достаточно просто. Необходимо лишь следующее:

              Но самое главное: необходимо иметь соответствующую – достаточно “взрослую”-  задачу.

              Если все делать грамотно и добросовестно, то будет следующее:

              Вам показать ?                               

              "И кто вообще это придумал - назвать птицу, которая в два раза меньше лебедя и к тому же имеющую совершенно другой окрас - черным лебедем? Эдак и утку можно, в итоге, назвать “ пестрый малый лебедь с короткой шеей”. А человека - “большой лебедь без перьев, шеи и крыльев”. Что-то в консерватории ( в таксономии ) надо поправить! Или в тех, кто ее криво использует."

              - Кибернетик -

                Вечная священная битва … с симулякрами

                Вечная священная битва ... с симулякрами

                Когда я служил срочку в Советской армии, то так получилось, что я заведовал секреткой в некоторой войсковой части. Это такая, своего рода, – библиотека, в которой хранятся тысячи секретных документов, а я был в ней, своего рода, – библиотекарем. Не сказать, что служба – мёд (два года хронического недосыпа), но и не в караулах задницу морозить или на смене под землей сутками эфир выслушивать. Жить как-то можно.

                Но в какой-то момент я обнаружил, что у меня не хватает одного документа.

                Пропал секретный документ!

                Когда кто-то берет документ в секретке, то он, естественно, расписывается в специальной карточке, а когда он документ возвращает, то библиотекарь в той же карточке  помечает при пользователе, что этот документ возвращен.

                С точки зрения теории контрактов тут всё практически идеально: не хочет сидеть в тюрьме секретчик – он будет обязательно заставлять пользователя расписываться в карточке при получении документа. Не хочет сидеть в тюрьме пользователь – он будет контролировать, чтобы секретчик ставил отметку при возврате. А поскольку сидеть никому не хочется, то и система должна работать-каждый должен выполнять свою часть регламента.

                Должен.

                Но люди «вдруг» оказались сложнее, чем могла бы предположить теория контрактов.

                Дело в том, что иногда в секретку прибегало сразу с десяток-другой весьма заведенных офицеров с категорическим требованием дать им всем сразу и срочно по какому-то документу – они все сразу на какое-то совещание опаздывают, а там без этих материалов просто нечего делать. Или и того хуже  – когда им после очередного мероприятия необходимо срочно сдать полученные до этого документы и первыми занять место в очереди, например… на какие-то обывательские блага. А поскольку жизнь не ограничивалась маленьким окном секретки, через которое осуществлялось взаимодействие сторон, и была масса пересечений в этой жизни рядового – начальника секретки и этих офицеров, приказы которых, если что – рядовыми не обсуждаются, то сложился более локально эффективный регламент, в котором стороны опирались на то, что все всех уже давно знают. И поэтому иногда в особо нервных ситуациях секретчик, чтобы быстрее всех отпустить, брал у них все документы охапкой, а потом сам спокойно – без суеты – регистрировал их возвраты.

                Так и жили – не тужили. Кэгэбэшник – контрразведчик, который нас курировал, в том числе и меня лично, конечно же, ворчал время от времени по этому поводу, но он тоже не с Луны, поэтому не особо наезжал ни на офицеров, ни на бедного секретчика.

                Да, все всё понимают, но документ пропал!

                Карточка есть, а документа нет!  И в карточке нет отметки о том, кому выдан документ.

                Но документ по содержанию таков, что его могли взять только три человека : командир части, нач.штаба и замполит. Первым двум этот документ был совсем не нужен, а вот замполиту такое надо, поскольку именно по его столу он и проходил. Однако это были хоть и сильные, но все-таки гипотезы.

                Здесь необходимо отдать должное кэгэбэшнику. Потеря секретного документа – это очень большое ЧП, но  – никаких нервов и т.п.. Этот молодой капитан был спокоен, как удав.  Словно это рядовая ситуация.

                И пошел я – 19 летний сопляк – рядовой к полковнику-замполиту части просить у него посмотреть  – может это именно он взял тот злополучный документ. Полковник, надо сказать, мужик был нормальный. При мне, кряхтя, перерыл всё на столе, в столе, даже в сейфе. Но нет документа! Выходит так, что он его и не брал.

                Командир и нач.штаба – тоже не брали.

                Документа нет и дело уже серьезно запахло уголовкой.

                Поставьте себя на место того 19 летнего пацана. Но поставьте не себя сегодняшнего – того, кто уже знает почти всё про жизнь, может кого угодно научить чему угодно, а тоже – 19 летнего. Что делать?

                А делать-то и нечего.

                В общем я уже готов был к худшему. Дисбат – меньшее зло, которое я для себя видел во всех красках, но это было, на самом деле, – самоуспокоение.

                И вот тогда кэгэбэшник мне и подкинул приёмчик: обратная раскрутка. Вспомнить в обратном порядке в мелочах всё, что со мной происходило до тех пор, пока не доберусь до момента выдачи документа.

                И я начал вспоминать. Непростое это упражнение. Но вспоминал всё! Вплоть до того, что было написано в той газете, которой задницу вытирал.

                И, в итоге, вспомнил, когда и при каких обстоятельствах у меня именно замполит взял этот документ. Это было что-то около недели назад.

                Почти преисполнен уверенности в своей правоте я и “явился” к замполиту. Однако во второй раз он уже не был так лоялен. Замполит неподдельно грозно психанул на меня, дескать, ты сам налажал, а теперь голову мне морочишь, ходишь тут …! Ищи у себя!

                Пришлось настаивать. А куда мне было деваться?

                Но я уже упоминал о том, что замполит был, на самом деле, мужиком нормальным. Он хоть и смачно матерясь, но всё-таки начал опять перерывать все места, в которых мог бы быть документ и … нашел его в сейфе! В прошлый раз, когда он его искал, мы с ним оба его не заметили, поскольку просматривали содержимое сейфа достаточно бегло, а этот документ (несколько страниц) стал вдоль боковой стенки сейфа рядом с большой пачкой документов так, что и незаметно почти. Он был в темной обложке, потому и практически слился с фоном – с темной краской, которой были покрашены внутренности сейфа. А то, что стал вдоль стены … да всё тоже просто – видать замполит его кинул на стопку документов в сейфе, а потом, когда сунул сверху следующий, столкнул этот вбок и не заметил. Такое бывает иногда.

                Замполит был искренне рад. А у меня сил радоваться уже и не было. 

                Ну а контрразведчик потом даже уму разуму поучать меня не стал и, похоже, это дело просто замял – не стал запускать по бюрократии контрразведки. Или просто его начальство решило, что тут надо всем втык давать, в том числе и службе контрразведки за то, что не контролирует такие вещи. А нафига? Ибо, как говорил кто-то  – «В любом расследовании самое главное – не выйти на себя!». Мудро.

                Но если кто-то подумал, что после такой истории как-то существенно изменился реальный процесс выдачи-возврата документов, то он ошибся. Офицеры точно также нервно суетились толпой на сдаче, а секретчик точно так же охапкой забирал у них секретные документы, списывая их с получателей уже после того, как все они рассасывались. А куда деваться? Совсем наглеть – уже не наглели, но …

                Однако всё это тема для отдельного анализа специфики работы систем управления определенного типа. И когда-нибудь я это сделаю, если к слову придется.

                А обратная раскрутка меня еще несколько раз выручала, но столь серьезных ситуаций, слава богу, уже не было.

                К чему я всё это?

                А к тому, что я только сейчас немного начинаю понимать, почему механизм обратной раскрутки эффективен. 

                Попытаюсь объяснить, но я не Савельев и не Дубынин, и даже не Анохин, и биохимические подробности работы мозга я не знаю, однако хорошо понимаю, как работают интеллектуальные системы в целом. И чтобы и вам легче понять о чем пойдет речь далее, предлагаю немного почитать о том, что такое мемристор.

                Если кратко, то мемри́стор (от англ. memory — память, и англ. resistor — электрическое сопротивление) — пассивный электрический элемент, двухполюсник в микроэлектронике, способный изменять своё сопротивление в зависимости от протекшего через него электрического заряда (интеграла тока по времени).

                То есть, чем больше сигнала по нему проходит, тем проще сигналу по нему потом идти. Тропинку протаптывает. Примерно так же работают и комплекс нейрон-связь в мозгу. За счет этого во многом мы и учимся.

                Однако, за счет этого мы не только учимся, но и порождаем различного рода устойчивые галлюцинации и, в том числе, всякие симулякры. «Протаптываем» к ним эти удобные тропинки. Да, эти нахоженные тропинки помогают нам намного быстрее заходить в тупики, но они же обеспечивают и необходимую скорость решения задач мозгом. И тут нет ничего ни хорошего, ни плохого – это объективная реальность и всё дело тут только в балансах.

                Важно то, что если мы всегда начинаем путь с одной точки, то легко, натоптав определенные тропинки в режиме локальной оптимизации, сформировать в целом неадекватную дорожную сеть. 

                Кстати, этот феномен создает проблему у следователей и т.п., когда допрашиваемый начинает терять разницу между реальными и ложными воспоминаниями. Но еще больше проблем возникает у допрашиваемого, которому какой-нибудь паскудный следователь или оперативник может подленько навязать удобные ему воспоминания. Когда допрашиваемый начинает уже искренне верить в то, что он что-то помнит, хотя, в действительности это лишь симулякр, подсаженный ему.

                В психологии есть много чего на эту тему, и всегда появляется еще что-то новое и интересное. Но, опять же, я – не Фаликман, и кому захочется об этом больше и интереснее, и фундаментальнее – можно посмотреть ее лекции. Или посмотрите, например, Еникалопова.

                А как избежать ловушки симулякров и навязанных воспоминаний?

                Обратная раскрутка!

                Кстати, на допросах, чтобы удостовериться в том, что допрашиваемый не лжет, ему могут предложить изложить свою версию событий в обратном порядке. Немногие такое могут сделать без ошибок, если только не имеют специальной подготовки и хорошо проработанной и присвоенной легенды. Но, как говорится, на “хитрую задницу” всегда найдется “что-то винтом”.

                Я думаю, что уже понятно, как и почему работает обратная раскрутка. При обратной раскрутке мы заставляем себя ходить по нехоженым тропинкам в целом знакомой нам дорожной сети. За счет этого мы вынуждены контролировать каждый шаг   – делать его осознанно, что практически до нуля снижает вероятность сворачивания на дорожки, ведущие к симулякрам.

                 А можно такой инструмент применить в аналитике?

                Можно!

                Сегодня в одном материале натолкнулся на такое вопрошение: А почему Африка не развилась?

                Я слушал предлагаемый автором ответ с его аргументацией и у меня возникла мысль: “А чтобы ответить содержательно на этот вопрос, надо ответить на другой вопрос – А почему Африка всегда будет драматически отставать от других?” Вопрос колючий, но это и есть обратная раскрутка – как она есть. Если содержательно ответить на этот вопрос, то на вопрос о том, почему Африка сегодня так отстала, ответ получится практически автоматически.

                Должен заметить, что этот подход тоже не лишен вероятности порождения симулякров. Но если об этой вероятности не забывать, то с ними бороться проще. Потому что они еще свеженькие и еще не стали догматами.

                И теперь главный стандартный вопрос Катакомбы – как из всего этого сделать инструмент ?  Отчетливого видения у меня пока нет, но что-то на краю сознания уже брезжит. Надо просто подождать немного.

                А потом, чтобы не нарваться на приятненький симулякр вместо приличного решения, надо будет сделать некоторое количество обратных раскруток.

                  Выборы в США через призму призм

                  Выборы в США через призму призм

                  Ситуация с выборами в США сегодня всё интереснее и интереснее. Но всё, что видно наружу – это «спектакль», а то, что в реальности – «конспирология». Это более-менее стандартный ракурс наблюдения за такого рода процессами.  Конвенциональная трактовка. Или консенсусная.

                  Но есть еще и другой ракурс: инструментально – методический.

                  Речь идет о том, что, будучи поставленными перед проблемой анализа в условиях высокой неопределенности и в стремлении к этой проблеме подходить как можно более системно, базируясь на научной точке зрения, мы всегда ищем новые инструменты анализа и проверяем гипотезы, связанные с используемыми инструментами. При этом сам результат анализа или прогноза эволюции обстановки для нас не так уж и важен, а важно то, насколько хорошо отрабатывает тот или иной исследуемый нами инструмент анализа и, соответственно, прогноза.

                  Используя ситуацию с выборами в США, я в качестве иллюстрации такого подхода делаю следующее предположение:

                  В США сегодня столкнулись несколько различных концепций существования этой организованности

                  1.      Грабеж. Согласно этому подходу, США должны приложить всё возможные усилия для того, чтобы сохранить своё положение в мире, как гегемона. При этом, используя печатный станок и военный потенциал, США и дальше будет грабить мир, а в условиях необходимости им выбираться из кризиса, грабить будут еще больше.

                  У этой концепции есть проблемы. Основная заключается в том, что если вдруг не удастся удержать позицию гегемона, то США просто рухнет. Потому что сил на то чтобы удержать себя изнутри – не останется. И рухнет США куда ниже, чем, например Мексика. Там уже какой-нибудь центральной Африкой будет попахивать.

                  2.      Собственные силы. Если риск не удержать позицию гегемона велик, то следует  оставшийся потенциал, чтобы его не растранжирить в борьбе за гегемонию, направить на внутреннее развитие.

                  У этой концепции тоже есть масса проблем, но главная – баланс. Соотношение возможностей технологий, бизнеса и т.п. и платежеспособности населения таково, что США, будучи изолированными от мира, не смогут поддержать даже текущий уровень жизни. А уровень образования и культурная специфика не дают основания даже для того, чтобы в США перенести производства, например из Тайваня. И даже с переносом из Германии возникли проблемы. За копейки в США сейчас никто упахиваться, как нищий китаец, не хочет. Когда жрать нечего будет – будут пахать ? Возможно. Но есть проблема оружия у населения.

                  3.      Исход.  Раз ничего не получается, то бросить этот проект (США) пусть там дальше происходит всё, что угодно, а элиты и т.п. найдут себе новое место и начнут там другой проект обустройства мирка вокруг себя.

                  Главная проблема такого варианта – где найти новое место? Если методом исключения, то: Африка – нет, Азия (включая юго-восточную) – нет, Латинская Америка  … ну может быть, Европа … а почему бы и нет ? Но если это Европа и даже Южная Америка, то надо оттуда сначала вычистить туземные “элиты”, да и самих туземцев заодно.  

                  4.      Хаос. Устроить в мире эпический хаос, чтобы под шумок решить свои проблемы.

                  Ключевая проблема такого варианта – вероятность ядерной войны. Или биологической. Или климатической. Или еще какой-то. Или всех сразу.

                   

                  И если посмотреть на все эти варианты, то становится очевидно, что в некоторой степени они могут быть взаимодополняющими. Замечу, что здесь нет необходимости формировать систему независимых вариантов, а лишь систему внутренне непротиворечивых.

                  Таким образом мы формируем систему аттракторов, к которым (мы делаем такое предположение) тяготеет объект исследования.

                  Затем мы «нанизываем» наблюдаемое на эту систему аттракторов. То есть всё, что мы наблюдаем (события, факты, комментарии и т.п.)  мы соотносим (выражая численно) с каждым описанным вариантом развития обстановки.

                  И со временем мы начинаем видеть, в пользу каких вариантов говорит нам наблюдаемое.

                  В результате мы получаем неплохую основу для интерпретации происходящего, построения гипотез как более общего, да и более операционалистского характера. Ну и конечно же на  этой основе развиваем саму систему аттракторов.

                  Это прекрасный способ организации аналитической работы (один из способов), а дальнейшие детали его каждый сможет проработать и сам, и практически каждый может организовать его применение у себя на худой конец и вручную. А если есть возможность еще и обустроить всё это в виде баз данных, знаний, экспертной системы и т.п., так это вообще – почти бомба.

                  Почему почти?

                  А потому что во всём этом подходе есть место для «магии». И магия заключается в том, что при наличии знаний в определенном разделе математики (которому, кстати, учат в приличных ВУЗах) относительно легко решается задача учета взаимовлияния фактов (того, что мы наблюдаем и вносим в систему) и гипотез (это наши аттракторы).  И тогда решение аналитической задачи становится намного более качественными и требует намного меньше информации. А иногда и гипотез.

                  Вывод?

                  А простой! Если знать как, то подавляющее большинство, казалось бы, сложнейших задач аналитики можно относительно легко решить на базе достаточно простых (при наличии соответствующих инструментов) подходов.

                  Но и тут есть своя проблема. Для этого надо иметь специалистов, которые отучились в приличных ВУЗах, дающих действительно необходимый фундамент для решения такого рода задач. Кейс-образование такого фундамента никогда не даст. Кейс-образование в аналитике – это своего рода ПТУ, в сравнении с университетом. А для создания инструментов иногда даже университетского образования не хватает.

                  А в США скорее всего  победит та сила, которая будет содержательно  (а не по форме) наиболее связана с той парадигмой, которую выберут США. Или конец им всем.

                  - Кибернетик -