Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование

Теперь необходимо отметить отечественных классиков методологии системного анализа проф. Ф. И. Перегудова и проф. Ф. П. Тарасенко, которые в своих фундаментальных работах Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 320 с., Перегудов Ф. И., Тарасенко Ф. П.. Основы системного анализа. Томск Изд-во науч.-техн. лит. 1997. 389с. подробно рассмотрели математические методы, которые могли бы быть успешно применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть использованы на практике без эффективно реализующих их программных средств, а путь от научного метода, реализуемого с помощью математики к его эффективной программной системе долог и сложен. Обусловлено это тем обстоятельством, что ЦЭВМ - это дискретный автомат, работающий только в рамках дискретной математики. Для использования ЦЭВМ необходимо разработать численные методы или методики их реализации на компьютере. А затем реализовать и отладить компьютерную программу, основанную на этом численном методе.

В числе первых попыток реального использования автоматизированного системного анализа следует отметить монографию [6] Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с. и докторскую диссертацию проф. В. С. Симанкова (2002). В этих работах идея автоматизации системного анализа была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Эта попытка была реализована проф. В.С.Симанковым, однако лишь для специального случая исследования в области возобновляемой энергетики, где использовались системы разных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, была большим шагом по пути, предложенному проф. И.П.Стабиным, но ее нельзя признать обеспечившей достижение поставленной им цели: создание работающего автоматизированного системного анализа. Эта работа не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы успешно применять в различных предметных областях.

4.2.1.3 Кем и когда создан АСК-анализ

Автоматизированный системно-когнитивный анализ, как реально работающий АСА, предложен и разработан проф. Е. В. Луценко в 2002 году [6] и получил детальное и всестороннее развитие в десятках монографий и сотнях научных статей Ссылка на некоторые из них приведены здесь: http://lc.kubagro.ru/aidos/_Aidos-X.htm .

Основная идея Е. В. Луценко, позволившая сделать это, состоит в рассмотрении автоматизированного системного анализа как метода познания (отсюда и использование термина: «когнитивный» от «cognitio» - знание, познание, лат.).

Эта идея позволила структурировать автоматизированный системный анализ не по этапам, как это пытались сделать другие ученые, а по конкретным базовым когнитивным операциям (БКОСА), т.е. таким операциям, из комбинаций которых конструируются всевозможные операции системного анализа. Таких базовых операций оказалось 10 и они образуют когнитивный конфигуратор:

1) присвоение имен;

2) восприятие;

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция, силлогизм и абдукция;

8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и принятие решений об управлении.

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

Рассмотрим чуть подробнее п.7. Пример силлогизма (или дедуктивного рассуждения «от общего к частному»):

Всякий человек смертен (большая посылка)

Сократ - человек (меньшая посылка)

Сократ смертен (заключение)

Абдукция представляет вид вывода с той особенностью, что из посылки, которая является условным высказыванием, и заключения вытекает вторая посылка. Например, если рассмотреть тот же пример Сократом:

Всякий человек смертен (большая посылка)

Сократ смертен (заключение)

Мы можем предположить, что меньшая посылка: «Сократ - человек (меньшая посылка)».

Однако, кроме указания одного признака Сократа: что он смертен, мы можем привести и другие его признаки, которые могут помочь идентифицировать его как человека или препятствовать этому.

По сути, при абдукции мы по признакам объекта, его экстенсиональному описанию, относим его к обобщающим категориям: референтным классам [44], т.е. восстанавливаем его интенсиональное описание, и делаем это путем решения задачи определения степени релевантности объекта классу или решения задачи классификации (идентификации, распознавания, прогнозирования, классификации, диагностики). При этом мы никогда не можем точно установить принадлежит ли объект классу, но можем лишь высказать гипотезу [45] об этом и оценить степень достоверности этой гипотезы (ее релевантности). Поэтому абдукция имеет широкое применение в системах искусственного интеллекта, в т.ч. в системе «Эйдос».

4.2.1.4 Что включает в себя АСК-анализ

АСК-анализ Е. В. Луценко представляет собой единственный существующий в настоящее время реально работающий вариант автоматизированного системного анализа. Но, конечно, это совершенно не исключает того, что в будущем, возможно, будут разработаны и другие его варианты.

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

Компоненты АСК-анализа:

Это определение является общепринятым См., например: http://dic.academic.ru/dic.nsf/ruwiki/71919 , но не выдерживает никакой критики.

Во-первых, обычно определение понятия дается через более общее понятие и выделение специфического признака.

Например: млекопитающее - это животное (более общее понятие), выкармливающее своих детенышей молоком (специфический признак).

Если следовать этой логике, то понятие информации должно быть более общим, чем понятие данных, а на самом еле как раз наоборот. Кроме того, специфическим признаком информации, которая является данными, оказывается то, что она записана на каком-то носителе, в том время как и данные и информация, всегда записаны на каком-либо носителе в какой-то системе кодирования и невозможно даже представить себе информации, не записанной на носителе и не представленной на каком-либо языке.

Во-вторых, естественно, и более общее понятие, и специфический признак, должны быть известны и сами не требовать определения, иначе получится, что мы определяем одно неизвестное через другое неизвестное, иногда даже более неизвестное, чем первое. Но понятие информации является не менее неизвестным, чем определяемое через него понятие данных.

Например, мы определяем что такое бутерброд и говорим: «бутерброд это хлеб, на который намазано масло». А когда мы спрашиваем, что же такое хлеб, нам отвечают: «Но так это же просто: это то, на что намазывают масло, когда делают бутерброд». И когда, наконец, мы спрашиваем, а что такое масло, нам говорят: «Но это Вы уже и сами должны были догадаться, - это то, что намазывают на хлеб, когда делают бутерброд». Мы уже не говорим о смысле слова: «намазывают». Все вместе взятые эти «определения» выглядят уже просто как издевательство. Наверное это было бы даже смешно, если бы не было грустно, т.к. в науке подобный способ давать определения, как это ни странно, довольно распространен. Например нетрудно найти подобные «определения» материи и сознания друг через друга: материя - это то, что существует вне и независимо от сознания, а сознание это способность мозга, что отражать материю См., например: http://nounivers.narod.ru/bibl/diam9.htm: «Материя есть объективная реальность, существующая вне и независимо от сознания, тогда как сознание производно от материи и зависит от неё. Сознание есть отражение объективного мира в мозгу человека. Сознание-свойство высокоорганизованной материи, способность нашего мозга отражать вне нас существующий материальный мир.».

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В.Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, о том, какие воздействия на объект моделирования к каким последствиям приводят, и в знания о том, какие значения факторов применить для воздействия на объект моделирования, чтобы он перешел в заранее заданные желательные целевые состояния.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона [21], состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Понятие причинно-следственных связей относится к реальной области. Данные же являются лишь моделью, с определенной степенью адекватности отражающей реальную предметной область. Поэтому в данных никаких причинно-следственных связей нет и выявить их в данных невозможно.

Но причинно следственные связи вполне возможно выявить между событиями, отражаемыми этими данными. Но для этого нужно предварительно преобразовать базу исходных данных в базу событий. Операция выявления причинно-следственных связей между событиями, отраженными в данных, называется «Анализ данных». По сути, анализ данных представляет собой их осмысление и преобразование в информацию.

Например, анализируя временные ряды, отражающие события на фондовом рынке, мы начинаем замечать, что если вырос спрос на какую-либо валюту, то за этим обычно следует повышение ее курса.

Анализ данных включает следующие этапы:

1. Выявление событий в данных:

- разработка классификационных и описательных шкал и градаций;

- преобразование исходных в базу событий - эвентологическую базу, путем кодирования исходных данных с применением классификационных и описательных шкал и градаций, т.е. по сути путем нормализации исходных данных.

2. Выявление причинно-следственных зависимостей между событиями в эвентологияческой базе данных.

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

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

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике хорошо известно, что это совершенно не так, т.к. для выявления причинно-следственных связей в соответствии с методом научной индукции (Ф.Бэкон, Дж.Милль) необходимо сравнивать результаты по крайней мере в двух группах, в одной из которых фактор действовал, а в другой нет.

Например, на плакате, выпущенном полицией Автор такой плакат видел, когда проходил медосмотр перед получением прав нового образца., написано: «По статистике, порядка 7,5-8 % аварий в России ежегодно совершается по вине водителей, находящихся в состоянии алкогольного опьянения» См., например: https://cnev.ru/polezno/stati/osnovnye-prichiny-dtp-pyanstvo-za-rulem . Все. Точка. Больше ничего не написано. Однако, чтобы понять, является ли состояние алкогольного опьянения фактором, увеличивающим риск совершения ДТП или его тяжесть, этой информации недостаточно. Для этого обязательно необходима также информация о том, сколько процентов аварий в России ежегодно совершается по вине трезвых водителей. Но эта информация не приводится, поэтому формально здесь возможно три варианта: 1) по вине трезвых водителей аварий совершается меньше, чем по вине пьяных; 2) по вине трезвых водителей аварий совершается столько же, сколько по вине пьяных; 3) по вине трезвых водителей аварий совершается больше, чем по вине пьяных. Первый вариант содержит информацию о том, что опьянение - это фактор риска совершения ДТП, второй - что это никак не влияет на риск совершения ДТП, а третий - что опьянение уменьшает его. Конечно, все понимают, что в жизни реализуется 1-ф вариант. Но об этом ведь нет прямых статистических данных. Таким образом, знак разности этих процентов определяет направление влияния этого фактора, а модуль этой разности силу его влияния, что и используется как один из частных критериев знаний в АСК-анализе и системе «Эйдос» [35].

Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А. Харкевичу. Все эти меры причинно-следственных связей основаны на сравнении условных вероятностей встречи различных значений факторов при переходе объекта моделирования в различные состояния и по всей выборке.

Знания - это информация, полезная для достижения целей, т.е. для управления.

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные в какой-то шкале, лучше всего в порядковой или числовой).

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

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

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

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

- знания, формализованные в естественном вербальном языке;

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

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

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

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

- преобразовать исходные данные в информацию;

- преобразовать информацию в знания;

- использовать знания для решения задач управления, принятия решений и исследования предметной области.

Процесс преобразования данных в информацию, а ее в знания называется анализ:

В системе «Эйдос» этот процесс осуществляется в следующей последовательности:

Основные публикации автора по вопросам выявления, представления и использования знаний [21, 22, 23].

Из вышеизложенного можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают движение познания от эмпирических данных к информации, а от нее к знаниям. По сути это движение от феноменологических моделей, описывающих явления внешне, к содержательным теоретическим моделям.

4.2.3 Когнитивные функции

Когнитивные функции представляют собой отображение в наглядном графическом виде количества информации, которое содержится в различных значениях аргумента (т.е. значениях описательных шкал, значениях факторов) о различных значениях функции (градаций классификационных шкал, или классов) [7, 24-34]. Поэтому когнитивные функции отражают не только внешний вид функциональной зависимости, как в феноменологических моделях, но и смысл этой зависимости, т.е. являются средством визуализации причинно-следственных зависимостей.

В работе [36] приведено теоретическое обоснование применения системно-когнитивных моделей вместо содержательных аналитических моделей сложных технических систем. Презентация к данной работе находится по адресу: http://ej.kubagro.ru/2016/07/upload/02.zip. В работе [37] приведен развернутый детальный пример такого применения, в т.ч. с использованием аппарата когнитивных функций.

4.2.4 Автоматизированный SWOT- и PEST-анализ

SWOT-анализ является широко известным и общепризнанным метод стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». В статье на реальном численном примере подробно описывается возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач SWOT-анализа [38]. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов [38].

Выводы, полученные с помощью Автоматизированного SWOT- и PEST-анализа можно непосредственно использовать для достижения целей, т.е. для управления. Это и означает, что АСК-анализ и его программный инструментарий - интеллектуальная система «Эйдос» обеспечивают создание непосредственно на основе эмпирических данных содержательных феноменологических моделей и их применение для решения задач идентификации, поддержки управляющих решений и исследования моделируемой предметной области.

4.2.5 Системно-когнитивные модели как содержательные эмпирические модели (выводы)

Из вышеизложенного можно обоснованно сделать следующие выводы:

1. Системно-когнитивные модели, создаваемые в АСК-анализе с помощью интеллектуальной системы «Эйдос» непосредственно на основе эмпирических данных представляют собой новый, ранее неизвестный класс моделей: содержательные феноменологические модели, которые занимают промежуточное положение между эмпирическими феноменологическими моделями и содержательными теоретическим модели. Система «Эйдос» обеспечивает визуализацию знаний о моделируемом объекте, содержащихся в системно-когнитивных моделях, в форме развитой когнитивной графики, в частности в форме когнитивных функций, разнообразных когнитивных диаграмм и SWOT-диаграмм [38]. Необходимо особо подчеркнуть, что все эти диаграммы формируются не основе экспертных оценок, получаемых неформализуемым способом на основе интуиции, опыта и профессиональной компетенции, а на основе системно-когнитивных моделей, формируемых непосредственно на основе эмпирических данных.

2. АСК-анализ и система «Эйдос» обеспечивают движение познания от эмпирических данных к информации, а от нее к знаниям. По сути это движение от феноменологических моделей, описывающих явления внешне, к содержательным теоретическим моделям. Конечно, до создания теоретических моделей этот процесс не доходит, но он уменьшает разрыв или пропасть, существующую между эмпирическими феноменологическими моделями и содержательными теоретическим моделями. А значит и облегчает преодоление этого разрыва, т.е. подготавливает более благоприятную почву для разработки теоретических моделей уже не на основе эмпирических моделей, а на основе системно-когнитивных моделей [36, 37]. Таким образом не смотря на то, что системно-когнитивные модели являются содержательными феноменологическими моделями и отражают смысловые причинно-следственные связи между событиями реальной области они также требуют содержательной теоретической интерпретации, разработка которой является делом специалиста-эксперта содержательно разбирающегося в моделируемой предметной области.

3. Вместе с тем, опыт применения АСК-анализа и системы «Эйдос» показывает, что в ряде практически значимых случаев, таких, например, как принятие решений по рациональному выбору конструктивных особенностей и режимов работы сложных технических систем [36, 37], оказывается, что системно-когнитивных моделей в принципе достаточно для решения поставленных задач и в разработке содержательных теоретических моделей нет особой необходимости. А ранее, когда в распоряжении исследователей и разработчиков были лишь феноменологические модели, а ранее такая необходимость была, т.к. эти модели не позволяли решать те задачи, которые решались лишь с применяем теоретических моделей.

4.3 Движение познания от частных и менее адекватных моделей объекта познания к более общим и более адекватным: принцип соответствия

4.3.1 Множественность адекватных моделей

Пусть у нас есть таблица с координатами точек: (X, Y), отражающая на эмпирическом уровне некоторую предметную область (результаты наблюдений или эксперимента). Эти точки образуют некое облако точек на плоскости. Спрашивается, как построить аналитическую модель этих эмпирических данных? Один из вариантов ответа на этот вопрос, реализованный в регрессионном анализе, состоит в том, чтобы провести некую кривую (тренд) таким образом, чтобы сумма квадрата отклонений от кривой до этих точек была минимальна? Другой вариант ответа на этот вопрос дает АСК-анализ [31, 39, 40]. Возможны и другие варианты. В реализации регрессионного анализа MS Excel пользователь сам выбирает функцию для аппроксимации эмпирических данных и нескольких вариантов. Качество аппроксимации, т.е. достоверность модели, количественно отражается в значении коэффициента детерминации R². При этом опыт показывает, что значения R² для разных функций иногда оказываются очень близкими, практически одинаковыми.