Концептуальные подходы к сверхдолгосрочному научно-технологическому прогнозированию на основе искусственной генерации новых знаний
со см о см
со
Голубев Сергей Сергеевич
доктор экономических наук, профессор кафедры управления и экономики, Московский государственный юридический университет имени О.Е. Кутафина, sergei.golubev56@mail.ru
Губин Александр Михайлович
кандидат юридических наук, заведующий кафедры управления и экономики, Московский государственный юридический университет имени О.Е. Кутафина, sergei.golubev56@mail.ru
Иванус Александр Иванович
доктор экономических наук, профессор кафедры «Системный анализ в экономике», Финансовый университет при Правительстве Российской Федерации», Ivanus26@yandex.ru,
Цивилева Анна Евгеньевна
кандидат экономических наук, председатель совета директоров, «Колмар Груп», office@kolmar.ru,
АО
Щербаков Антон Геннадьевич
кандидат экономических наук, доцент аспирантуры, ФГУП «ВНИИ «Центр», otadow@gmail.com;
Искусственный интеллект все активнее проникает во все сферы жизни, и в ближайшее время большинство используемых технологий будет формироваться на основе искусственного интеллекта. Он уже широко применяется при формировании социальных и экономических прогнозов, однако вопрос использования искусственного интеллекта при научно-технологическом прогнозировании требует более глубоких теоретических и методологических обоснований. Цель исследования заключалась в поиске эффективных подходов к использованию технологий генерации новых знаний при формировании сверхдолгосрочных прогнозов развития науки, техники и технологий. Основной метод исследования заключался в использования семантического тезауруса как ключевого элемента генерации новых знаний.
Новизна представленных результатов определяется тем, что впервые описаны возможности применения семантического тезауруса при решении задач сверхдолгосрочных прогнозов развития науки, техники и технологий.
Ключевые слова: искусственный интеллект, семантический тезаурус, научно-технологическое прогнозирование, этапы прогнозирования, эффективность.
Введение
В современном обществе проблема неопределенности является актуальным вызовом для различных областей, включая науку, экономику и социум. Когнитивные методы и технологии, основанные на искусственном интеллекте, искусственном сознании и искусственном разуме, становятся все важнее в сопровождении управляемого развития в этих сферах. В данной статье особое внимание уделяется исследованию истинности как базовой категории в генерации научного знания [1].
Для достижения этой цели предлагается использовать неопределенность в качестве основы для поиска истинности. Такой подход основан на диалектической логике и предполагает, что неопределенность может служить основой для конструирования различных вариантов истинных знаний. Это означает, что знание может возникать из хаоса, аналогично тому, как порядок может рождаться из хаоса.
Гипотеза проведения исследований заключается в том, что использование неопределенности может привести к поиску истинных знаний и созданию новых возможностей для управляемого развития науки, экономики и социума. Однако, дальнейшие исследования необходимы для более глубокого понимания этих методов и технологий и их применения в практическом контексте научно-технологического прогнозирования.
Целью исследования было научное обоснование комплекса научно-методических и практических рекомендаций выявления этих будущих тенденций на основе генерации новых знаний, а потом уже для этих тенденций можно формировать массивы исходных данных. Поэтому данная задача рассматривается как задача генерации нового знания, где под НЗ и понимаются возможные будущие тенденции и процессы.
Новизна проведенного исследования заключается в развитии научно-методического аппарата применения наиболее целесообразных и эффективных технологий искусственного интеллекта на основе генерации новых знаний при формировании сверхдолгосрочных прогнозов развития науки, техники и технологий России, обеспечивающих качество, достоверность, а также минимизация финансовых, интеллектуальных, материальных и прочих затрат, связанных с решением задач сверхдолгосрочного прогнозирования на различных этапах формирования прогноза.
О ш т х
<
т о х
X
Обзор литературы
В современном обществе прогнозирование в экономике на основе искусственного интеллекта становится все более значимым и актуальным. Одной из самых распространенных и эффективных технологий искусственного интеллекта для прогнозирования является использование искусственных нейронных сетей, основанных на принципах функционирования человеческого мозга [2,3,4].
Непрерывный рост количества изданий научной литературы формулирует новые задачи. Одна из них связана с тем, что ее анализ стал затруднительным из-за большого объема опубликованных работ. Возникает необходимость в новых тех-
нологических инфраструктурах, которые помогут исследователям эффективно анализировать и прогнозировать научные исследования во времени.
Важное место занимает таксономический метод исследование известных моделей прогноза энергии солнца с использованием алгоритмов ИИ [5].
Методы исследования
Научное исследование, проведенное в данной работе, базируется на теоретической и методологической основе, основанной на работах российских и зарубежных ученых, которые принимали во внимание анализ неопределенности и разработку методов управления, применимых к различным факторам неопределенности, даже значительным и непредсказуемым [5].
Процедура измерения истинности знания может быть реализована на основе семантического подхода, связанного с количеством аргументов, подтверждающих истинность данного знания. Можно задать функцию на этом множестве аргументов, которая представит количественную меру истинности знания. Этот подход ценен для исследования, поскольку он соответствует системе мышления человека.
Результаты
Основная особенность сверхдолгосрочных прогнозов видится в следующем. Структура информации, используемой для сверхдолгосрочных прогнозов, влияет на их особенности. В данной статье рассматривается разделение информации на числовую (цифровую) и вербальную (текстовую) части и его влияние на прогнозы различного горизонта. В краткосрочных прогнозах преобладает числовая информация и используются математические методы прогнозирования. Однако долгосрочные и сверхдолгосрочные прогнозы содержат больше вербальной информации, которая еще только начинает осознаваться и обсуждаться в современных источниках. Данная тенденция отображена на рисунке 1.
Информация сегодня о будущем
Цифровая
Вербальная
предсказать возможное развитие выбранного направления деятельности и готовиться к появлению новых проблем.
Совокупность результатов, полученных из вербальных источников, позволяет выявить возникающие тенденции развития в форме семантического ядра истинности знаний (СЯИЗ).
При применении для этих целей автоматизированной системы сверхдолгосрочного прогноза появляется возможность более точного и скорого определения тенденций развития исследуемой системы и заблаговременно готовиться к появлению проблем, обусловленных ими.
Семантическое ядро может быть рассмотрено как динамическая структура, которая проявляет свойства "концентрации-рассеивания" [7, 8]. Рассеивание представляет собой постоянное изменение характеристик формирования, соперничество между ними, в то время как концентрация означает формирование и сохранение тех характеристик, которые побеждают в конкурентной борьбе.
В случае обнаружения интенсивной концентрации в ходе анализа исследуемого процесса нужно готовится к модернизации изделия или созданию нового.
4. Схема системы долгосрочного прогнозирования на основе вербальной информации включает в себя блоки, представленные на рисунке 2. Блок-схема содержит блок 1 «База данных вербальной информации», блок 2 «Образ будущей тенденции развития», блок 3 «Построение онтологии предметной области», блок 4 «Семантический анализ и построение семантических ядер», блок 5 «Генерация проектов ожидаемых тенденций в будущем», блок 6 «Отбор вариантов прогноза», блок 7 «Экспертная корректировка проектов будущей тенденции», блок 8 «Получение дополнительной информации» и блок 9 «Семантический тезаурус». Описание работы этих блоков подробно представлено в предыдущей публикации авторов [9].
Семантический тезаурус позволяет создать единую систему терминов и определений, что в дальнейшем облегчает процесс анализа и прогнозирования. Он представляет собой хранилище семантической структуры языка, которая помогает унифицировать и систематизировать термины и понятия, используемые в процессе прогнозирования.
1 БД 2. Образ будущей
вероатьнон тенденшш *—
информаци развития
7. Экспертная корректировка проектов будущей тенденшш
Будущее время
Рисунок 1. Изменение пропорций между вербальной и цифровой информацией в зависимости от горизонта прогноза [6].
Одной из причин этой разницы является то, что будущие тенденции и достижения научно-технического прогресса, которые станут явными через десятилетия, в настоящее время только начинают свое развитие и обсуждение. Эти идеи появляются в статьях, монографиях, докладах, интернет-материалах и диссертациях. Следовательно, первоначально основными источниками информации для сверхдолгосрочных прогнозов являются текстовые источники.
Для создания сверхдолгосрочных прогнозов на основе вербальной информации следует создать базу данных, в которой собраны все существующие текстовые источники. После обработки этой информации можно выявить устойчивые тенденции и проследить их изменения со временем. Это позволит
Рисунок 2. Схема системы долгосрочного прогнозирования на основе вербальной информации [9].
С использованием семантического тезауруса можно проводить анализ и сравнение различных вариантов прогнозов, а также корректировать полученные результаты. Он является важным инструментом для уточнения и совершенствования прогнозных моделей.
Семантический тезаурус помогает обеспечить однообразное понимание и использование терминологии, что упрощает
X X
о
го А с.
X
го т
о
ю 00
2 О
м
Сл>
fO
es о es
со
о ш m
X
3
<
m о x
X
коммуникацию и обмен информацией между специалистами, помогает создать единую систему терминов и определений, облегчает анализ и корректировку прогнозов, а также повышает точность результатов прогнозирования.
Обсуждение
Система СДП позволяет выявлять тенденции развития научных исследований, разработки современных высокопроизводительных технологий, а также для выявления тенденций развития общественно-политических и экономических процессов, включая негативные, и для управления отраслями народного хозяйства. Во всех этих сферах возможно выявление как наиболее перспективных, так и менее перспективных вариантов развития, т.е. возможно их ранжирование, причём в непрерывном динамическом режиме. Так, основные тенденции развития в мировом топливно-энергетическом комплексе (ТЭК) обусловлены поиском путей обеспечения доступных, надежных, безопасных и экологически чистых источников энергии.
В мировой энергетике проводится активная разработка нетрадиционных ресурсов энергии, сделан курс на развитие низко углеродной энергетики, ветровых и солнечных источников энергии. Активно ведутся исследования в направлении создания микротурбин, созданию биогазовых установок. В большинстве стран приняты и введены в действие программные документы по интенсификации использования возобновляемых источников энергии (ВИЭ), сокращению энергопотребления, снижению неблагоприятного влияния ТЭК на окружающую среду.
Мировые тенденции производства энергоносителей представлены на рисунке 3.
Ключевые тренды связаны с поиском инструментов повышения технологической эффективности, а также снижением себестоимости технических и технологических решений.
Новым трендом в развитии ТЭК является создание биоэнергетических установок, а также генерирующих установок на жидком и твердом биотопливе. Новые источники получения энергии связаны с внедрением ветроэнергоустановок, солнечных батарей и коллекторов, геотермальных установок, преобразованием энергии океана.
ПРОИЗВОДСТВО ЭНЕРГИИ С Геотермальная О Сопнечная ^ Ветряная а Биомасса
■ Гидро
■ Атомная
□ Газ
О угопь
□ нефть
2000 2010 2020 2030 2040 2050 ... 2100
Рисунок 3. Мировые тенденции производства энергоносителей [10]
Проведенный анализ показал, что стоимость выработки энергии из ВИЭ резко снижается. Этот факт делает ВЭИ конкурентоспособными по сравнению с обычными источниками. В долгосрочной перспективе появятся новые источники энергии, которые сегодня пока не известны, а использование технологий генерации нового знания позволит их выявить раньше, чем это позволяют известные методы прогнозирования.
Заключение.
Таким образом, в работе обоснована и доказана гипотеза о том, что применение технологий генерацией новых знаний
на основе семантического тезауруса позволят повысить качество формирумого долгосрочного прогноза, а также существенно сократить финансовые и материальные расходы на его формирование.
Наиболее подходящими для использования при формировании прогнозов развития науки, техники и технологий являются следующие методы ИИ: генерация новых знаний на основе семантического анализа по выявлению трендов развития науки, техники и технологий при использовании больших баз данных, технологий искусственного интеллекта и различных когнитивных методов прогнозирования, а также применения инструментов теории решения изобретательских задач [11].
Значимость проведенного авторами исследования заключается в том, что представленные научно-методические и практические рекомендации по использованию технологий ИИ на основе генерации новых знаний для формирования прогноза развития науки, техники и технологий позволят организаторам и участникам формирования научно-технологического прогноза начать работу во применению ИИ в этом процессе, что позволит сократить сроки и повысить качество формируемых прогнозов научно-технологического развития России.
Литература
1. Иванус А.И. Когнитивный подход к формированию функции принадлежности. Экономика и управление: проблемы, решения. М.: 2017. № 3. том 4(63). С. 101-108.
2. Хитрова Т. И. Модификация маркетинговой информационной системы на основе интеллектуальных компонент / Т. И. Хитрова, Д. В. Черников // Baikal Research Journal. 2015. Т. 6. № 4. DOI: 10.17150/2411- 6262.2015.6(4).19. Режим доступа: http://brj-bguep.ru/reader/article.aspx?id=20275. (Дата обращения: 15.08.2023)
3. Галушкин А. И. Нейронные сети: основы теории / А. И. Галушкин. М. : Горячая линия - Телеком. 2010. 496 с.
4. Белых Т. И. Использование способа реализации искусственного интеллекта в прогнозировании / Т.И. Белых, А. В. Бурдуковская // Известия Байкальского государственного университета. — 2018. Т. 28, № 3. С. 500-507. DOI: 10.17150/2500-2759.2018.28(3).500-507.
5. Huaizhi Wanga, Yangyang Liua, Bin Zhou. Taxonomy research of artificial intelligence for deterministic solar power forecasting // Energy Conversion and Management. 2020. Volume 214. 15 June 2020, 112909.
6. Буренок В.М, Дурнев Р.А., Крюков К.Ю. Методический подход к загоризонтному прогнозированию развития систем вооружения // Вооружение и экономика. 2018. № 2 (44).
7. Ефименко И.В., Хорошевский В.Ф. Онтологическое моделирование экономики предприятий и отраслей современной России: Часть 3. Российские исследования и разработки в области онтологического инжиниринга и бизнес-онтологий: препринт WP7/2011/08 (ч. 3) / Дом Высшей школы экономики. 2011. 68 с.
8. Айламазян А.К., Стась Е.В. Информатика и теория развития. М.: Наука. 1989. 174 с.
9. Иванус А.И., Звягина Д.А., Корнилов А.М. Автоматизированная система долгосрочного когнитивного прогноза направлений опережающего развития компетенций руководителей высокотехнологичных производств на основе семантического анализа вербальной информации о развитии наукоёмких отраслей в мире на период в 10-20 лет // Экономика высокотехнологичных производств. 2021. Том 2. № 4. С. 313-332. doi: 10.18334/evp.2.4.113890.
10. Захаров А., Овакимян М. Тенденции развития мировой энергетики // Мировое и национальное хозяйство. - 2015. -№1(32) [Электронный ресурс]. Режим доступа:
http://www.mirec.ru/2015-01/tendenciirazvitia-mirovoj-energetiki (Дата обращения 15.02.2019 )
11. Golubev S.S, Sekerin V.D, Gorokhova A.E, Komlatskiy G.V, Arutyunyan Y.I. Analysis of the Current State and Forecast of Cast Iron Production in Russia // Archives of foundry engineering. 2021 .Volume 21. Issue 2. P. 70-74.
Conceptual approaches to ultra-long-term scientific and technological
forecasting based on artificial generation of new knowledge Golubev S.S., Gubin A.M., Ivanus A.I., Tsivileva A.E., Shcherbakov A.G.
Kutafin Moscow State Law University, Financial University under the Government of
the Russian Federation, JSC "Kolmar Group", FSUE "VNII "Center" JEL classification: C01, C02, C1, C4, C5, C6, C8
Artificial intelligence is increasingly penetrating into all spheres of life, and in the near future most of the technologies used will be formed on the basis of artificial intelligence. It is already widely used in the formation of social and economic forecasts, but the issue of using artificial intelligence in scientific and technological forecasting requires deeper theoretical and methodological justifications. The purpose of the study was to find effective approaches to the use of technologies for generating new knowledge in the formation of ultra-long-term forecasts of the development of science, technology and technology. The main method of research was to use the semantic thesaurus as a key element of generating new knowledge. The novelty of the presented results is determined by the fact that for the first time the possibilities of using a semantic thesaurus in solving problems of ultra-long-term forecasts of the development of science, technology and technology are described.
Keywords: artificial intelligence, semantic thesaurus, scientific and technological forecasting, stages of forecasting, efficiency.
References
1. Ivanus A.I. Cognitive approach to the formation of the membership function.
Economics and management: problems, solutions. M.: 2017. No. 3. Volume 4(63). pp. 101-108.
2. Khitrova T. I. Modification of a marketing information system based on intelligent
components / T. I. Khitrova, D. V. Chernikov // Baikal Research Journal. 2015. V. 6. No. 4. DOI: 10.17150/2411-6262.2015.6(4). 19. Access mode: http://brj-bguep.ru/reader/article.aspx?id=20275. (Accessed: 08/15/2023)
3. Galushkin A. I. Neural networks: fundamentals of theory / A. I. Galushkin. M. :
Hotline - Telecom. 2010. 496 p.
4. Belykh T.I. Using the method of implementing artificial intelligence in forecasting /
T.I. Belykh, A. V. Burdukovskaya // Proceedings of the Baikal State University. — 2018. V. 28, No. 3. S. 500-507. DOI: 10.17150/2500-2759.2018.28(3).500-507.
5. Huaizhi Wanga, Yangyang Liua, Bin Zhou. Taxonomy research of artificial
intelligence for deterministic solar power forecasting // Energy Conversion and Management. 2020. Volume 214. 15 June 2020, 112909.
6. Burenok V.M., Durnev R.A., Kryukov K.Yu. A methodical approach to over-the-
horizon forecasting of the development of weapons systems // Armament and Economics. 2018. No. 2 (44).
7. Efimenko I.V., Khoroshevsky V.F. Ontological modeling of the economy of
enterprises and industries in modern Russia: Part 3. Russian research and development in the field of ontological engineering and business ontologies: preprint WP7/2011/08 (part 3) / House of the Higher School of Economics. 2011. 68 p.
8. Aylamazyan A.K., Stas E.V. Informatics and development theory. M.: Science.
1989. 174 p.
9. Ivanus A.I., Zvyagina D.A., Kornilov A.M. Automated system of long-term cognitive
forecasting of directions of advanced development of competencies of managers of high-tech industries based on semantic analysis of verbal information about the development of high-tech industries in the world for a period of 10-20 years. Economics of high-tech industries. 2021. Volume 2. No. 4. S. 313-332. doi: 10.18334/evp.2.4.113890.
10. Zakharov A., Ovakimyan M. Trends in the development of world energy // World
and national economy. - 2015. - No. 1 (32) [Electronic resource]. Access mode: http://www.mirec.ru/2015-01/tendenciirazvitia-mirovoj-energetiki (Accessed 15.02.2019)
11. Golubev S.S, Sekerin V.D, Gorokhova A.E, Komlatskiy G.V, Arutyunyan Y.I. Analysis of the Current State and Forecast of Cast Iron Production in Russia // Archives of foundry engineering. 2021.Volume 21. Issue 2. P. 70-74.
X X О го А С.
X
го m
о
2 О
м
CJ