Статья: Когнитивная структуризация и формализация предметной области, синтез и верификация системно-когнитивной модели стратегического планирования и управления холдингом

Метод АСК-анализа уже довольно широко и успешно апробирован при решении задач прогнозирования и поддержки принятия решений (управления) в различных предметных областях (имеется 16 актов внедрения), а также в научных исследованиях (с применением этого метода защищено 7 кандидатских и 9 докторских диссертаций в различных областях науки) http://lc.kubagro.ru/aidos/.

С другой стороны, как это ни парадоксально, но метод АСК-анализа остается сравнительно мало известным специалистам. Поэтому считаем целесообразным предельно кратко описать его в данной работе.

Существует много автоматизированных систем, реализующих различные математические методы. Но обоснованным выше требованиям, вытекающим из существа задачи, хорошо соответствует интеллектуальная система «Эйдос», являющаяся программным инструментарием АСК-анализа. Система «Эйдос» характеризующаяся следующими параметрами:

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc.kubagro.ru/aidos/index.htm);

- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/_Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/__AIDOS-X.txt);

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных Эйдос-приложений (в настоящее время их 31 и 202, соответственно) (http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf);

- обеспечивает мультиязычную поддержку интерфейса на 51 языке. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5.com/map5.php);

- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний;

- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18_LLS/aidos18_LLS.pdf);

- хорошо имитирует человеческий стиль мышления: дает результаты анализа, понятные экспертам на основе их опыта, интуиции и профессиональной компетенции.

В чем сила подхода, реализованного в системе Эйдос? В том, что она реализует подход, эффективность которого не зависит от того, что мы думаем о предметной области и думаем ли вообще. Она формирует модели непосредственно на основе эмпирических данных, а не на основе наших представлений о механизмах реализации закономерностей в этих данных. Именно поэтому Эйдос-модели эффективны даже если наши представления о предметной области ошибочны или вообще отсутствуют.

В этом и слабость этого подхода, реализованного в системе Эйдос. Модели системы Эйдос - это феноменологические модели, т.е. они не отражают механизмов детерминации, а только сам факт и характер детерминации.

На основании вышеизложенного в качестве альтернативного метода и программного инструментария для синтеза и эксплуатации адаптивной системы управления агропромышленным холдингом предлагается новый инновационный метод искусственного интеллекта: Автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос».

Отметим, что все дальнейшее рассмотрение идет на примере реального агропромышленного холдинга, находящегося в Краснодарском крае.

1.5 Разработка математического метода и принципов создания модели, соответствующих обоснованным требованиям

1.5.1 Суть метода и математической модели АСК-анализа

Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области [6-24].

В АСК-анализе все значения факторов рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта моделирования и управления, на который они действуют, в определенное будущее состояние, описываемое классом (градация классификационной шкалы), и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [24-25].

1.5.2 Синтез системно-когнитивных моделей и частные критерии знаний, многопараметрическая типизация

Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых данных, представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [].

Суть математической модели АСК-анализа состоит в следующем.

Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (таблица 1).

На основе таблицы 1 рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).

Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3, рассчитываются матрицы системно-когнитивных моделей (таблица 4).

Таблица 1 - Матрица абсолютных частот

Таблица 2 - Матрица условных и безусловных процентных распределений

Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:

1-й способ: в качестве используется суммарное количество признаков по классу;

2-й способ: в качестве используется суммарное количество объектов обучающей выборки по классу.

Таблица 3 - Различные аналитические формы частных критериев знаний

Обозначения к таблице 3:

i - значение прошлого параметра; j - значение будущего параметра; Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра; M - суммарное число значений всех прошлых параметров; W - суммарное число значений всех будущих параметров. Ni - количество встреч i-м значения прошлого параметра по всей выборке; Nj - количество встреч j-го значения будущего параметра по всей выборке; N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке. Iij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра; Ш - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли; Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке; Pij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

Таблица 4 - Матрица системно-когнитивной модели

На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями, приведенными в таблице 3), решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели [25].

Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два аддитивных интегральных критерия.

1.5.3 Интегральные критерии и решение задач системной идентификации и принятия решений