Управление ОС, т.е. своевременный перевод в нужное для ее выживания состояние, основано на правильном выборе и эффективном использовании при принятии решений моделей этих состояний. Выбор конкретной модели связан с правильной идентификацией текущего состояния (путем сравнения модели этого состояния /типичного или нетипичного/ с устойчивыми /типичными/ моделями-эталонами, хранящихся в памяти ОС). Эффективность ее реализации прямо связана с четкой совместной работой функциональных элементов (ФЭ), которые задействованы в организационной структуре исполнительных органов, адекватной выбранной модели. Критерием эффективной работы такой оргструктуры является достижение ею требуемого конечного результата - "эффекта системы", обеспечивающего выживание ОС в текущей ситуации. Следовательно, без гармоничного взаимодействия механизма моделирования (построения и совершенствования моделей состояний ОС) и механизма четкой реализации его результатов (конкретных типичных моделей-эталонов), ни о каком устойчивом управлении функционированием и развитием ОС говорить нельзя. На детерминистской (устойчивой, типичной) ветви ЖЦС закон функционирования ОС не изменяется и лицо принимающее решение (ЛПР) вправе использовать модель-эталон и соответствующую ей оргструктуру установленные и опробованные на этапе проектирования и проверки системы управления. Чаще всего так и делается в системах автоматического управления (САУ), где техническая система качественно не изменяется в течение всего ЖЦС.

Однако, для реальных социально-экономических организаций - типичных ОС - имеет место постоянное изменение режимов их функционирования и развития. Эволюция ОС связана с адаптацией их поведения к изменениям внешней среды, а также с ее растущими потребностями. При этом модели состояния ОС теряют свою адекватность (становятся нетипичными) при прохождении точек бифуркации. Это приводит к потере адекватности управленческих решений, до тех пор, пока для нетипичной (неустойчивой) модели в точке бифуркации не будет создана соответствующая оргструктура исполнительных органов ОС, превращающая ее в очередную типичную модель-эталон. Очевидно, что для выживания ОС в течение всего ЖЦС в точках бифуркаций необходимо, на базе имеющихся в памяти моделей-эталонов, конструирование (синтез) новых и при необходимости модернизация старых моделей-эталонов, обеспечивающих совпадение одной из них с моделью текущего состояния ОС в очередной точке бифуркации.

На базе этой новой или модернизированной модели-эталона (сконструированной с учетом уже успешно "работающих" моделей) необходимо:

информационная модель управление знание

а) выявить и отладить конкретную оргструктуру исполнительных органов, обеспечивающую требуемый "эффект системы" при ее реализации и

б) добиться гармоничной работы механизмов идентификации и реализации этой модели на уровне автоматизма, обеспечивающего должную конкурентоспособность ОС на рынке труда и услуг.

Заметим, что под знаниями мы понимаем систему моделей-эталонов, наделенных человеком конкретным содержанием (смыслом) и успешно "работающих" в различных предметных областях. Они ценны тем, что на их базе в каждой предметной области требуется установить только соответствующие им оргструктуры, состоящие из функциональных элементов успешно работающих в этих сферах человеческой деятельности.

Только после этого новая (модернизированная) модель-эталон как ступенька познания становится типовой и в дальнейшем используется ЛПР стандартным образом, т.е. как обычно при принятии им управленческих решений на детерминистской ветви ЖЦС [3-5].

Для реализации описанной процедуры управления развитием ОС в цикл управления ими необходимо обязательно включать этапы:

конструирования новых и/или модернизации старых моделей-эталонов (ступенек познания);

формального поиска оргструктуры, соответствующей конкретной новой (модернизированной) модели-эталону и

отладки взаимодействия новой (модернизированной) модели /ступеньки познания/ и адекватной ей оргструктуры исполнительных органов ОС /механизма практической реализации знания в конкретной предметной области/.

Не трудно заметить, что эти этапы, связанны с познанием особенностей эволюции конкретной ОС и управления этим процессом с применением систем искусственного интеллекта.

В АСК-анализе для управления процессом развития знаний или управления моделированием эволюции ОС конкретного типа, применяются так называемые семантические /смысловые, содержательные/ информационные модели (СИМ). В них в качестве термина, описывающего содержательные типовые модели-состояния и/или нетиповые /типовые/ модели текущего состояния ОС, используется понятие классы. Именно они используются для выявления "работающих" моделей-эталонов, т.е. знаний. В качестве исходных функциональных элементов, из которых конструируются СИМ, используются факторы (характеристики СИМ) и их значения. В силу того, что факторы и их значения описываются числами, они трактуются как параметры, т.е. числовые показатели, принимающие конкретные значения из строго определенных для них числовых интервалов [1, 6]. В системе "Эйдос" - программном инструментарии АСК-анализа - классы (состояния ОС) и параметры кодируются цифрами и, следовательно, могут быть представлены, как числовыми, так и интервальными или текстовыми (лингвистическими) переменными [4, 5].

Классы - это состояния ОС. Эти состояния описываются одними и теми числом параметров, но различными конкретными наборами значений каждого из них. Следовательно, их можно интерпретировать в качестве различных классов, ибо их содержание отличается качественно, не смотря на одинаковое количество описывающих их параметров. Необходимо особо подчеркнуть, что, вообще говоря, в точке бифуркации конструкции (профили) из одних и тех же параметров, отражающие разные состояния ОС различны. При этом текущее состояния ОС изменяется, но при этом содержит в себе состояния, описываемые с некоторой погрешностью уже ранее "работающими" типовыми моделями-эталонами. И эти состояния знакомыми ЛПР. Таким образом, после прохождения очередной точки бифуркации, могут возникать ситуации, в которых модель текущего состояния ОС может незначительно или существенно отличаться от уже успешно используемых ЛПР моделей-эталонов. В такой ситуации неразличимы системы детерминации одних и тех же классов - состояний объекта управления [5]. Это приводит к повышению вариабельности объектов внутри классов по признакам, "размыванию" классов, появлению "нетипичных", плохо идентифицируемых объектов и понижению адекватности модели и вырабатываемых на ее основе прогнозов и управленческих решений.

Другими словами в соответствии с теоретической концепцией Системно-когнитивного анализа (СК-анализ) [1] развитие систем осуществляется путем чередования детерминистских и бифуркационных периодов (состояний). В бифуркационном состоянии закономерности развития системы изменяются качественно, т.е. по сути, определяются или формируются новые закономерности, определяющие поведение системы в следующем детерминистском периоде, на котором эти закономерности изменяются лишь количественно. По сути, в точке бифуркации принимаются решения, которые исполняются или реализуются в следующем за этой точкой детерминистском периоде, т.е. как закон определяют развитие системы в этом периоде. Таким образом, детерминистские периоды представляют собой периоды эргодичности, когда закон развития системы не изменяется, а состояния бифуркации - точки нарушения эргодичности, т.е. смены одного периода эргодичности другим, изменения самого закона развития системы.

Управление системами основано на использовании их моделей для принятия управленческих решений, направленных на сохранение состояния системы, на достижение целевого состояния системы, или на изменение этого состояния по заранее заданному закону. Если закон развития системы не изменяется, то для управления ей может быть использована модель, созданная на этапе проектирования и создания системы управления. Чаше всего так и делается в технических автоматизированных и автоматических системах управления, в которых объект управления не изменяется качественно в процессе управления.

Однако когда объект управления изменяется качественно в процессе управления или является активным [1, 4] (люди и организации), такой подход, как правило, неприемлем, т.к. модель теряет адекватность при переходе объекта управления через точку бифуркации, что приводит к потере адекватности управленческих решений. Поэтому для сохранения адекватности модели объекта управления необходима ее периодическая адаптация или даже пересинтез непосредственно в самом цикле управления [1, 4, 5]. С этой целью в цикл управления в автоматизированных системах управления активными объектами включаются этапы когнитивной структуризации и формализации предметной области, адаптации и пересинтеза модели, т.е. этапы, связанные с познанием объекта управления с применением систем искусственного интеллекта.

В семантических информационных моделях СК-анализа для управления знаниями (выявления знаний из эмпирических данных и их использования для прогнозирования и поддержки принятия решений) применяется подход, основанный на представлении целевых и нежелательных состояний объекта управления в виде классов, а системы детерминации этих состояний - в виде факторов и их значений [1, 4]. При этом в инструментарии СК-анализа - системе "Эйдос", как классы, так и значения факторов могут быть представлены как числовыми, так и интервальными или текстовыми (лингвистическими) переменными [1, 4].

Итак, классы - это состояния объекта управления, детерминируемые различными системами факторов. Необходимо особо подчеркнуть, что, вообще говоря, в точке бифуркации системы детерминации всех классов изменяются. При этом часто встречается ситуация, когда после точки бифуркации сам набор классов изменяется, однако в нем могут оставаться и некоторые классы из предыдущей модели, но с другой или изменившейся системой детерминации. Таким образом, после прохождения объектом управления точки бифуркации могут возникать различные системы детерминации одних и тех же классов - состояний объекта управления [4]. Это приводит к повышению вариабельности объектов внутри классов по признакам, "размыванию" классов, появлению "нетипичных", плохо идентифицируемых объектов и понижению адекватности модели и вырабатываемых на ее основе прогнозов и управленческих решений.

Формулировка проблемы

Если объекты, относящиеся к конкретному типичному классу, обладают незначительной вариабельностью по признакам, то обобщенный образ класса получается четким и хорошо идентифицируемым. Если же эта вариабельность объекта высока, то класс получается аморфным, расплывчатым и плохо идентифицируемым. В этом случае объекты, в действительности, принадлежащие к данному классу, иногда не относятся системой к нему, т.е. рассматриваются как нетипичные. Это приводит к понижению адекватности обобщенной модели и вырабатываемых на ее основе прогнозов и управленческих решений.

Решение проблемы в системе "Эйдос".

Следуя работе [7] приведем этапы жизненного цикла применения автоматизированных технологий развития знаний в управлении:

Этап 1-й: разработка интеллектуальной оболочки:

технико-экономическое обоснование (ТЭО) экономической (или иной) целесообразности разработки;

разработка технического задания (ТЗ) на разработку: функциональное определение требований к интеллектуальной оболочке;

разработка технического проекта (ТП): логическое проектирование, т.е. разработка математической модели и реализующие ее методики численных расчетов (структур данных и алгоритмов);

разработка рабочего проекта (РП): разработка и отладка программного обеспечения интеллектуальной оболочки.

Этап 2-й: накопление эмпирических данных в базах данных (мониторинг).

Этап 3-й: осмысление данных, генерация информации и наполнение информационных баз: анализ данных и выявление событий в данных, выявление причинно-следственных связей между событиями.

Рисунок 2 - Иерархическая структура обработки информации

Этап 4-й: оценка полезности информации, выявление знаний и наполнение баз знаний: определение степени полезности знаний для достижения целей, т.е. синтез когнитивной модели (модели знаний) (рисунок 2):

Этап 5-й: экспериментальная эксплуатация интеллектуального приложения путем решения задач прогнозирования и принятия решений, но без реального применения их результатов на практике (до тех пор, пока руководство не убедится в эффективности интеллектуального приложения и не примет решение о передаче его в реальную эксплуатацию).

Этап 6-й: реальная (промышленная) эксплуатация интеллектуального приложения путем решения задач прогнозирования и принятия решений.

Этап 7-й: адаптация (количественное изменение) когнитивной модели с использованием новых данных, информации и знаний, полученных в ходе эксплуатации на 6-м этапе.

Этап 8-й: пересинтез (качественное изменение) когнитивной модели с использованием новых данных, информации и знаний, полученных в ходе эксплуатации на 5-м этапе.

Этап 9-й: количественная модификация и доработка интеллектуальной оболочки в том же инструментарии, в котором она была первоначально разработана на 1-м этапе.

Этап 10-й: качественно новая постановка и разработка новой интеллектуальной оболочки в новом инструментарии.

Кратко поясним содержание 7-го и 8-го этапов (рисунок 2).

1. Состояние объекта управления входит в обучающую выборку и достоверно идентифицируется (внутренняя валидность, в адаптации нет необходимости).

2. Состояние объекта управления не входит в обучающую выборку, но входит в исходную генеральную совокупность, по отношению к которой эта выборка репрезентативна, и достоверно идентифицируется (внешняя валидность, добавление объекта к обучающей выборке и адаптация модели приводит к количественному уточнению смысла признаков и образов классов).

Рисунок 3 - Смысл адаптации и пересинтеза когнитивной модели

3. Состояние объекта управления не входит в исходную генеральную совокупность и идентифицируется недостоверно (внешняя валидность, добавление объекта к обучающей выборке и пересинтез модели приводит к учету в ней новых классов и признаков, к качественному изменению смысла признаков и образов классов, исходная генеральная совокупность расширяется).

Выводы