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

Рисунок 2. Главная экранная форма API-2.3.2.2 системы «Эйдос»

В системе «Эйдос» есть API, позволяющие вводить в нее исходные данные из внешних источников данных различных типов: текстового, табличного и графического типов. API-2.3.2.2 представляет собой мощный и универсальный инструмент ввода в систему «Эйдос» исходных данных из MS Excel-файлов вида, приведенного в таблице (7).

Главная экранная форма API-2.3.2.2 приведена на рисунке 2 с параметрами создаваемых моделей, которые были заданы в данной работе. После клика по кнопке «Ok» система «Эйдос» преобразует Excel-файл исходных данных во внутренний формат системы, анализирует его, определяет количество и тип данных в классификационных и описательных шкалах (он может быть числовым и текстовым), а затем, если обнаруживает числовые шкалы, то спрашивает, на какое количество числовых диапазонов (интервалов) их разбивать (рисунок).

Рисунок 3. Внутренний калькулятор API-2.3.2.2

При этом в системе «Эйдос» реализовано два типа числовых интервалов: равные по величине с разным числом наблюдений (включая отсутствие наблюдений), и различные по величине (адаптивные числовые интервалы) с примерно одинаковым числом наблюдений. «Примерно» потому, что число наблюдений - это целое число и может точно в целых числах не делиться на число интервалов Примерно, как когда 3 землекопа роют 2 ямы, то на одну яму приходится не 1.5 землекопа, а на 1-ю яму приходится 2 землекопа, а на 2-ю 1. или наоборот..

Адаптивные числовые интервалы реализуют в системе «Эйдос» идеи, вытекающие из теоремы об отсчетах В.А.Котельникова: обеспечивают передачу максимально широкого спектра измеряемого аналогового сигнала переменной частоты в оцифрованном сигнале при минимальном числе точек измерения амплитуды аналогового сигнала в различные моменты времени. Чем выше текущая частота аналогового сигнала, тем ближе во времени (т.е. чаще) должны быть точки измерения его амплитуды. Поэтому обычно модели системы «Эйдос» с адаптивными интервалами имеют более высокую достоверность, чем модели с равными интервалами.

Кликнув по копке: «Параметры числовых шкал и градаций» во внутреннем калькуляторе API-2.3.2.2 мы можем получить информацию о числе наблюдений в адаптивных интервалах (рисунок 4):

Рисунок 4. Информация о числе наблюдений в адаптивных интервалах, которую можно получить кликнув по копке: «Параметры числовых шкал и градаций» во внутреннем калькуляторе API-2.3.2.2

В исчерпывающем виде информация, приведенная на экранной форме рисунок 4 представлена в текстовой форме (c:\Aidos-X\AID_DATA\A0000001\System\Prop_Scales.txt), которая в данной работе не приводится из-за большого объема (примерно 60 листов 12 шрифтом).

В статистике считается, что минимальным приемлемым числом наблюдений на интервал является 5, но чем оно больше, тем лучше. Если из экранной формы, приведенной на рисунке 4 мы видим, что число наблюдений на интервалов меньше 5, то это означает, что целесообразно уменьшить число интервалов в экранной форме, приведенной на рисунке 3, а затем кликнуть по кнопке: «Пересчитать шкалы и градации».

Если подобные итерационные операции привели к минимальному числу адаптивных интервалов (2), то это означает, что для построения корректной и убедительной модели недостаточно исходных данных.

Но необходимо иметь в виду, что чем меньше числовых интервалов, тем больше их величина, а значит и ниже точность кодирования соответствующих элементов данных. Получается, что объем исходных определяет возможную точность построенных на их основе моделей. Если исходных данных мало, то возможно построить только не очень точные корректные модели, если же мы хотим повысить точность моделей, то необходимо соответственно увеличивать и объем исходных данных.

В результате выполнения API-2.3.2.2 осуществляется формализация предметной области, т.е. исходные данные из Excel-файла вводятся в систему «Эйдос», анализируются и на основе этого формируются классификационные и описательные шкалы и градации (таблицы 8 и 9), а затем с их помощью кодируются исходные данные, в результате чего получаются база событий и обучающая выборка (рисунок 5, таблица 10):

Рисунок 5. Результирующая экранная форма API-2.3.2.2

Таблица 8 - Классификационные шкалы и градации (фрагмент)

Таблица 9 - Описательные шкалы и градации (фрагмент)

Отметим, что наличие большого количества мощных автоматизированных программных интерфейсов с различными типами внешних данных является, автоматизирующих все этапы формализации предметной области, является важным и ценным достоинством системы «Эйдос», которое и делает возможным и удобным (комфортным) ее применение на практике для построения и применения в адаптивном режиме интеллектуальных приложений в самых различных предметных областях и направлениях науки. По-видимому, во многом именно с этим связана довольно высокая популярность системы «Эйдос» во всем мире (рисунки 6 и 7):

Рисунок 6. Запуски системы «Эйдос» в мире с 09.12.2016 по 27.03.2020 (только уникальные IP-адреса)

Рисунок 7. Запуски системы «Эйдос» в мире с 09.12.2016 по 27.03.2020 (кластеры всех IP-адресов)

2.3 Кодирование исходных данных с помощью разработанных классификационных и описательных шкал и градаций и формирование обучающей выборки

В таблице 9 приведена база событий или обучающая выборка, представляющая собой исходные данные (таблица 7), закодированные с помощью классификационных и описательных шкал и градаций (таблицы 8 и 9)

Таблица 10 - Обучающая выборка (база событий) (фрагмент)

При анализе исходных данных обнаруживаются классификационные и описательные шкалы без вариабельности значений в градациях, т.е. либо вообще без данных, либо с одинаковыми данными во всех наблюдениях. Такие шкалы не могут быть использованы при создании моделей, о чем выводится соответствующее сообщение, приведенное на экранной форме на рисунке 8:

Рисунок 8. Информация о шкалах без вариабельности значений градаций

Например, в экранной форме на рисунке 6 сообщается, что по этой причине не будет использована шкала: «001.БАКАЛЕЯ ООО: % наценки» (в таблице 9 эта шкала выделена светло-зеленым фоном).

Задача-3. Синтез и верификация системно-когнитивной модели холдинга (на примере многоотраслевой корпорации) (2-й этап создания модели)

3.1 Синтез системно-когнитивной модели холдинга

Синтез системно-когнитивных моделей осуществляется в соответствии с математическим аппаратом, описанным в разделе 1.5.2 данной работы. Для этого необходимо запустить режим 3.5 системы «Эйдос» (рисунки 9 и 10).

Из рисунка 10 видно, что на центральном процессоре (CPU) синтез и верификация моделей были выполнены за 9 минут 57 секунд. За это время выполнен также расчет 11 выходных форм. На графическом процессоре (GPU) этот процесс проходит примерно в 4000 раз быстрее. Однако режим расчетов на графическом процессоре является экспериментальным и в настоящее время дорабатывается, поэтому пользоваться им не рекомендуется без необходимости.

Рисунок 9. Главная экранная форма режима синтеза и верификации статистических и системно-когнитивных моделей

Рисунок 10. Экранная форма режима синтеза и верификации моделей, отражающая стадию и прогноз времени исполнения

Фрагменты некоторые из созданных моделей приведены ниже в рисунках 11.

Рисунок 11. Фрагменты моделей, статистических: Abs, Prc2 и системно-когнитивных: Inf1 и Inf3

На экранных формах в наименовании окна написан номер режима системы «Эйдос», в котором мы можем посмотреть эти экранные формы (режим 5.5), а также наименования статистических и системно-когнитивных моделей (СК-модели), фрагменты которых показаны на этих экранных формах.

3.2 Верификация системно-когнитивной модели холдинга

Понятно, что создание этих моделей объекта моделирования не является самоцелью, т.е. модели создаются не ради самих моделей, а ради решения разнообразных задач с помощью этих моделей. Это задачи идентификации (распознавания, диагностики), прогнозирования, поддержки принятия решений (управления) и задача исследования моделируемой предметной области путем исследования ее модели.