CC BY
12УДК 330.1
doi:10.18720/SPBPU/2/id21-74
Виноградов Андрей Николаевич \
Врио руководителя Исследовательского центра искусственного интеллекта, доцент, кандидат физико-математических наук, доцент;
КуршевЕвгений Петрович 2, ведущий научный сотрудник Исследовательского центра искусственного интеллекта,
доцент, кандидат технических наук
МОНИТОРИНГ СТРАТЕГИЧЕСКИХ ЗАДАЧ ОБОРОННО-ПРОМЫШЛЕННОГО КОМПЛЕКСА НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
1 2
' Россия, Ярославская обл., Институт программных систем им. А.К. Айламазяна РАН, 1 andrew@andrew.botik.ru, epk@epk.botik.ru
Аннотация. В статье раскрыты основные характеристики аппарата искусственных нейронных сетей, задействованных в интеллектуальных динамических экспертных системах для выбора, обоснования задач стратегического развития оборонно-промышленного комплекса Российской Федерации. Целью исследования является повышение эффективности системы мониторинга и диагностики в управляющей структуре оборонно-промышленного комплекса. Методология исследования опирается на теорию системного подхода, ситуационного и адаптивного управления, методологию искусственных нейронных сетей. Результатом работы является обоснование применения нейросетевого подхода в стратегическом управлении оборонно-промышленного комплекса для своевременной оценки последствий принятых решений и антиципации рисков угроз возникновения проблемных ситуаций в динамике меняющейся внешней среды.
Ключевые слова: системный анализ, искусственные нейронные сети, оборонно-промышленный комплекс, интеллектуальные динамические системы, стратегическое управление, безопасность.
Andrey Ni. Vinogradov \
Acting Head of the Research Center for Artificial Intelligence .
Associate Professor, Candidate of Physical and Mathematical Sciences;
Evgeny P. Kurshev , Leading Researcher, Research Center for Artificial Intelligence,
Associate Professor, Candidate of Technical
MONITORING THE STRATEGIC OBJECTIVES OF THE DEFENSE-INDUSTRIAL COMPLEX BASED
ON THE DEVICE OF ARTIFICIAL NEURAL NETWORKS
1 2
Russia, Yaroslavl Region, Institute of Software Systems named after A.K.
Ailamazyan, Russian Academy of Sciences, 1 andrew@andrew.botik.ru epk@epk.botik.ru
Abstract. The article reveals the main characteristics of the apparatus of artificial neural networks involved in intelligent dynamic expert systems to select and substantiate the tasks of strategic development of the military-industrial complex of the Russian Federation. The aim of the study is to increase the efficiency of the monitoring and diagnostics system in the control structure of the military-industrial circuit. The research methodology is based on the theory of the systems approach, the methodology of artificial neural networks. The result of the work is the substantiation of the application of the neural network approach in the strategic management of the military-industrial complex for the timely assessment of the consequences of the decisions made and the anticipation of the risks of threats to the emergence of problem situations in the dynamics of the changing external environment.
Keywords: systems analysis, artificial neural networks, military-industrial complex, intelligent dynamic systems, strategic management, security.
Введение
За последние годы возрос интерес к новым интеллектуальным технологиям поддержки принятия решений, основанных на знаниях. В исследовательском центре искусственного интеллекта института программных систем РАН представляется важным представить новые возможности существующих программных комплексов для задач мониторинга последствий управленческих решений и развития ситуаций, диагностики текущего состояния (контроля) и перспектив развития сложных технических и социально-экономических систем, ключевую позицию среди них занимает промышленный комплекс в целом и стратегически важным с точки зрения безопасности является оборонно-промышленный комплекс Российской Федерации.
Нейросетевое моделирование в интеллектуальных динамических экспертных системах института программных систем РАН позволяет значительно повысить эффективность принимаемых стратегических управленческих решений в условиях динамически изменяющегося окружения и ограниченности информации о текущем состоянии объекта управления (предприятия, промышленности, оборонно-промышленного комплекса, региона в целом), описывать значащую совокупность рисков и угроз в анализе тенденций развития оборонно-промышленного комплекса с учетом множества логических правил для конкретных условий мониторинга и прогнозирования.
1. Универсальный программный комплекс динамического моделирования «Miracle» для интеллектуальных приложений
Аппарат искусственных нейронных сетей (ИНС) активно применяется в исследованиях Исследовательского центра искусственного интеллекта Института программных систем Российской академии наук (AIReC PSI RAS), где уже разработан универсальный программный комплекс динамического моделирования «Miracle» для интеллектуальных приложений в задачах управления, основанных на онтологии накопленных знаний о предметной области, лингвистических переменных и логических правилах, фреймовом формате обработки данных.
В рамках концепции динамического моделирования нейросетевые подходы используются как для предварительного анализа больших массивов слабоструктурированной информации, когда ИНС используются для извлечения фактологической информации из текстовых сообщений с учетом семантики и контекста, так и для реализации механизмов поддержки принятия решений на основе уже извлеченной информации [9].
Таким образом ИНС открывают новые возможности в области мониторинга задач оборонно-промышленного комплекса, представляющего собой социально-экономическую систему со сложными цепочками кооперации и как правило узкой специализацией в рамках, которой существуют обширные потоки слабоструктурируемых данных, представленных внутренней и внешней деловой перепиской, новостными сводками и другой информацией содержание которых тяжело поддается формализации с одной стороны и представляющей большую ценность для управляющей структуры с другой стороны.
На рисунке 1 представлена модель с двумя LSTM-слоями, ответственными за обработку левого и правого контекстов:
Lambda: inverse right context extractor LSTM 64
Concatenate Dense 32, relu Dropout 0.1
1
Dense 2, softmax
Рис. 1. Модель с двумя LSTM-слоями, ответственными за обработку левого и правого
контекстов
Модель рекуррентной ИНС с долгой краткосрочной памятью (Long short-term memory; LSTM) позволяет эффективно учитывать контекст при анализе текстовой информации и выявлять непрямые закономерности, а методы обучения с подкреплением (Reinforcement Learning), использующие модели Advantage Actor Critic (A2C) и Proximal Policy Optimization (PPO) позволяют успешно решать задачи принятия управляющих решений в условиях неопределённости [9].
В случае же наличия предварительно сформированной модели предметной области (Model-Based) может быть применён подход AlphaZero, использование которого приводит к значительному повышению эффективности управления по сравнению с методами, которые не используют модель предметной области (Model-Free).
На рисунке 2 представлена таксономия алгоритмов reinforcement learning от компании OpenAI:
Рис. 2. Таксономия алгоритмов RL от OpenAI
Программный комплекс «Miracle» обеспечивает поэтапный переход от общего к частному (анализ целей и задач управления, классификация проблемных ситуаций) и, наоборот, синтез управляющих воздействий и апробаций управленческих решений на основе семантического логико-лингвистического анализа, реализованного на базе аппарата нейросете-вых технологий и методов нечеткой логики, обратного логического вывода. Система «Miracle» - универсальный программный инструментарий для создания интеллектуальных приложений, основанных на знаниях. В основу модели представления знаний положены идеи объектно-
ориентированного моделирования, такие как классы объектов, наследование свойств, и др. Работа системы основана на применении правил-продукций, ассоциированных с каждым типом объектов (принцип инкапсуляции в объектно-ориентированной парадигме).
Предметная область описывается множествами объектов различного типа. Каждый тип объекта соответствует некоторому понятию предметной области. Помимо описания набора статических свойств объекта также задаётся множество (логико-лингвистических) правил (дилемм), описывающих изменение этих свойств во времени, т.е. - динамику поведения объекта. Такой подход позволяет осуществлять построение моделей как по принципу «от общего - к частному», когда сначала строится общая модель системы, а потом детализируются модели входящих в неё компонент, так и «от частного - к общему», когда сначала разрабатываются модели элементарных компонентов, а потом из них строится общая модель.
Таким образом, система «Miracle» предоставляет возможность построения сложноструктурированных моделей большой степени сложности с возможностью задания собственной модели поведения
для каждого отдельного компонента модели. Комплекс инструментальных средств динамического планирования «Miracle» обеспечивает построение динамических моделей и визуализацию сценариев планов управления ими на основе системного подхода и ситуационного анализа для объектно-ориентированного моделирования с учетом класса объектов, наследования свойств, характеристики отношений, применения правил-продукций.
2. Особенности моделирования процесса стратегического управления на основе нейросетевого подхода
В целях моделирования поведения сложных систем необходимо учитывать степень случайных событий в их актуальной среде, динамику изменения отдельных компонентов и их характеристик, слабоструктурированные связи между элементами системы, неформальные (косвенные) причинно-следственные связи, мотивы поведения управляющей структуры и дилеммы сотрудничества и доверия в ней. Возникает необходимость построения гибких управляющих моделей поведения сложных социально-экономических систем, которые с помощью нейросетевого подхода на основе когнитивного моделирования в виде «аккордов» динамических когнитивных сценариев, уточнения (актуализации) целевого нормирования граничных условий параметров управления, с учетом наличия множества альтернативных сетевых графиков разрешения проблемных ситуаций, составленных на основе нейросетей способствует формированию последовательности желаемых целевых состояний сис-
темы. Авторы разработали когнитивный инструментарий для определения эффективности мер и оценки последствий - это когнитивный динамический сценарий. Тогда критериями могут выступать повышение эффективности деятельности предприятий оборонно-промышленного комплекса и скорость адаптации всей системы, качество управления предприятиями отрасли [4].
Моделирование, базирующееся на принципах нечеткой логики сочетает в себе с одной стороны - возможность простого и логически понятного преобразования многочисленных имеющихся разрозненных числовых данных в лингвистические концепты, необходимые для дальнейшего использования в системах моделирования рассуждений, основанных на методах нечеткого логического вывода, позволяющие с наибольшей степенью правдоподобия интерпретировать имеющиеся экспертные знания и в неявной форме учитывать действия и интересы всех участников, а, с другой стороны, - возможность последующего преобразования полученных обобщенных результатов в четкую цифровую форму, пригодную для дальнейшего использования в системе стратегического планирования [12].
Раскрывая особенности моделирование с использование аппарата нейронных сетей, следует учитывать, что предприятие как элемент региональной промышленной системы, в данном случае оборонно-промышленного комплекс, для достижения поставленных целей выступает во взаимодействие с большим количеством субъектов (законодательные и исполнительные органы управления, министерства, контролирующие органы и т. п.) и объектов (заказчики, потребители, поставщики, посредники).
При взаимодействии происходит взаимное подстраивание подсистемы предприятия к нуждам оборонно-промышленного комплекса, а также самой системы к подсистеме. Между тем, при рассогласовании интересов и целей в ходе их взаимного подстраивания возникает вероятность наступления потери гомеокинетического равновесия. Нарушение равновесия, как уже установлено при анализе механизма адаптивного управления предприятием, может возникнуть из-за нарушения равновесия одного из элементов системы, что потребует изменение условий для достижения равновесия по всем остальным элементам.
В рамках управления оборонно-промышленным комплексом это указывает на то, что вырабатывание аккордов управляющих воздействий по адаптации, вызванные изменением состояния элементарных объектов, должно быть сбалансировано подстраиванием всех звеньев в системе с неким опережением (прогнозом будущих результатов и ущерба). Так государственное регулирование и промышленная политика, пресле-
дуя общегосударственные цели, меняет условия функционирования элементарных объектов предприятия оборонно-промышленного. Изменение условий функционирования влечет за собой цепную реакцию характеризующуюся значительной степенью неопределённости для элементарных объектов, что ведёт к возникновению проблемной ситуаций и потребует формирования адекватных управленческих решений, т. е. адаптации к смене условий [3, 5].
Рациональность процесса взаимного представления будет определяться функциональной полезностью самого элементарного объекта предприятия, который внутри себя осуществляет набор действий, направленных на получение определённой выгоды (прибыли, решения задач). При этом эту полезность элемент определяет не сам, а она проявляется через взаимодействие с другими элементами данной системы.
Предприятие, как элемент системы, ощущает на себе влияние действий субъектов управления оборонно-промышленного комплекса через управляющие воздействия (стимулы) в форме нормативных и законодательных решений. Независимо от содержания стимула отсутствие согласования интересов и целей субъекта управления с целями всего комплекса Предприятие как элемент региональной промышленной системы, в данном случае оборонно-промышленного комплекса, для достижения поставленных целей выступает во взаимодействие с большим количеством субъектов (законодательные и исполнительные органы управления, министерства, контролирующие органы и т. п.) и объектов (заказчики, потребители, поставщики, посредники). При взаимодействии происходит взаимное подстраивание подсистемы предприятия к нуждам оборонно-промышленного комплекса, обусловленных как параметрами государственного оборонного заказа, так и требованиями потребителей -довольствующих органов, а также самой системы к подсистеме. Между тем, такое сложное построение связей, приводит к рассогласованию интересов и целей в ходе их взаимного подстраивания возникает вероятность наступления потери гомеокинетического равновесия (например срыв срока государственного оборонного заказа).
3. Мониторинг стратегических решений на основе изменения состояния элементарных объектов оборонно-промышленного комплекса
Вместе с тем формирование стратегических решений субъектом управления оборонно-промышленного комплекса обусловлено его целями, где одной из внутренних целей выступает поддержание равновесия при достижении основной его цели — выполнение государственного оборонного заказа для обеспечения безопасности государства.
Проблемная ситуация, вызывающая неравновесное состояние оборонно-промышленного комплекса может выражаться в ограничении со стороны входа или выхода из элементарного объекта (спроса или предложения). Устойчивый уровень этих ограничений соответствует типу экономического неравновесия, при котором возникают узкие места и диспропорции или структурный дефицит ресурсов в соответствующем блоке или рынке. Об этом информирует сравнительно устойчивая система рецепторов — индикаторов, которая может быть реализована с помощью цифровых двойников.
Для снижения вероятности наступления событий, связанных с потерей равновесия оборонно-промышленного комплекса государственный механизм управления необходимо наделить адаптационной способностью, направленной на рациональное распределение ресурсов государственного оборонного заказа, что обусловлено значительной зависимостью предприятий оборонно-промышленного комплекса от объемов размещаемого государственного оборонного заказа в виду их недостаточной диверсификации деятельности. Государство должно наделить субъекта управления оборонно-промышленного комплекса правом участия в распределении государственного оборонного заказа в целях обеспечения равновесия на всех уровнях управления. Это позволит использовать механизм согласования интересов в оборонно-промышленном комплексе, поскольку отдельное предприятие не в состоянии само обеспечить такую стратегическую устойчивость.
В свою очередь, любое стратегическое решение субъекта управления оборонно-промышленного комплекса затрагивает изменение связей между элементарными объектами и предприятиями и в ряде случаев может потребовать корректировки целей и устойчивых существенных характеристик целевых динамических нормативов. Независимо от содержания и направленности полученного системой управления стимула, оценить влияние данного стратегического управленческого решения на организационную деятельность объекта управления напрямую невозможно и возникает необходимость в визуализации и оценке возможных результатов и ущерба посредство нейронных сетей и экспертных систем.
Сложность такой оценки обусловлена действующим механизмом отображения действий элементарного объекта и влиянием их результатов на общий результат деятельности предприятия. Для обеспечения совокупной (интегрированной) оценки и мониторинга состояния элементарного объекта отражение всех изменений, происходящих по материальным (ресурсным) и нематериальным потокам, представляется в стоимостной оценке. Стоимостная оценка, которая лежит в основе системы стратегического планирования финансами позволяет воспользо-
ваться этим для организации механизма адаптационных процессов предприятия в системе оборонно-промышленного комплекса.
Адаптация системы может происходить за счет различных изменений состояния: элементов, связей, отношений, структуры. Наиболее общей формой адаптации, затрагивающей все изменения, можно считать адаптацию, которая происходит за счёт функциональных и структурных изменений системы стратегического управления.
Рассмотрим общую модель адаптации предприятия при её интеграции в систему высшего яруса и определим существенные факторы и связи, оказывающие влияние на равновесие в рамках данного процесса.
Способами по представленным формам адаптации системы могут выступить:
• вертикальная интеграция — включение одной или нескольких дополнительных последовательных стадий процесса производства и\или распределения продукции, которое ранее были разделены;
• горизонтальная интеграция — включение в состав организационной деятельности предприятий смежных отраслей через частичное или полное поглощение;
• внешняя кооперация (специализация, кооперация);
• приобретение нематериальных активов сторонних организаций.
В этой связи, в рамках формирования механизма системы адаптивного управления, действия по определению формы интеграции предприятия с системой оборонно-промышленного комплекса корректней связывать с мотивами, которые обусловлены изменениями условий её функционирования и удельных ценностей субъекта управления.
Тогда мотивом поиска форм интеграции с системой верхнего яруса будем считать не способность предпринимательской структуры за счёт достигнутой организованности и стратегической устойчивости обеспечить рациональность достижения поставленных целей, например, потеря равновесия по связям с поставщиками ресурсов, или их достижение требует организованного роста (роста масштабов деятельности).
В качестве побудительного мотива предприятия к поиску формы интеграции с элементами системы верхнего яруса также может выступить изменение условий его функционирования, например: рост конкуренции, изменение законодательных актов, регулирующих деятельность хозяйствующего субъекта (повышение требований к размеру собственного капитала, условия выполнения государственного оборонного заказа).
4. Результаты
Применение нейросетевой технологии в интеллектуальных динамических экспертных системах ИПС им. И.К. Айламазяна для стратегических задач оборонно-промышленного комплекса служит целям повыше-
ния эффективности и безопасности, устойчивого развития его элементарных объектов. Предлагаемый авторами новый конструкт динамического когнитивного сценария раскрывает потенциал использования семиотического моделирования поведения сложных промышленных систем с учетом требований политической и экономической безопасности и обеспечивают визуализацию последствий принятых стратегических управленческих решений по всем звеньям сетевого планирования, реализуемого при поддержки нейронных сетей.
Интеллектуальные решения системы «Miracle» позволяют осуществить построение сложноструктурированных моделей большой степени сложности, когда отдельные элементы системы имеют собственные аттракторы поведения, различные фазы жизненного цикла, собственные интересы и конфликты. В процессе стратегического управления предприятиями оборонно-промышленного комплекса возможности моделирования поведения сложных социально-экономических систем с применением нейронных сетей обеспечивают адекватность проработки управленческих решений в ситуациях выбора и обоснования стратегии развития. Промышленные предприятия отрасли как системы являются сложными самоорганизующимися системами и для их прогнозирования в системе стратегического управления и планирования оборонно-промышленным комплексом можно предложить разработки центра искусственного интеллекта института программных систем РАН (AIReC PSI RAS), которые представлены в комплексе инструментальных средств динамического планирования «Miracle», с помощью которого возможно создание полноценных систем поддержки принятия управленческих решений на основе средств извлечения знаний и построения полноценной модели предметной области.
Список литературы
9. Igor Trofimov, Yuri Serdyuk, Elena Suleymanova, Natalia Vlasova. "Eventive vs. non-eventive sense of nouns: disambiguation using neural network approach". Program Systems: Theory and Applications, 2020, 11:4(47), pp. 31-53. (In Russian). DOI: 10.25209/2079-3316-2020-11-4-31-53 URL: http://psta.psiras.ru/read/psta2020_4_31-53.pdf.
10. Нурдинов Д.А., Reinforcement learning в задаче моделирования оптимального поведения агента в играх различных жанров // Information and Telecommunication Technolo-gies and Mathematical Modeling of High-Tech Systems 2021 (ITTMM 2021) 19-23 April 2021 https://events.rudn.ru/event/107/contributions/542/attachments/389/842/rl_pap er_nurdinov.docx.
11. Кукор Б.Л., Куршев Е.П., Виноградов А.Н. Разработка динамического когнитивного сценария функционирования предприятия и производственных комплексов в процессе управления экономикой. Секция 1. «Теоретические проблемы стратегического планирования на микроэкономическом уровне». Сборник докладов участников секционных заседаний XXI Всероссийского симпозиума. Москва, 10-11
ноября 2020 г. С.98-101. Исследование выполнено в рамках инициативных НИР Санкт-Петербургского Государственного Университета и НИР «Исследование и разработка методов интеллектуального анализа данных», номер гос. регистрации АААА-А19-119020690042-2. DOI: 10.34706/978-5-8211-0783-1-s1-27
12. Trofimov I. V. and Suleymanova E. A. A syntax-based distributional model for discriminating between semantic similarity and association // Computational Linguistics and Intellectual Technologies: Proceedings of the International Conference "Dialogue 2017". — 2017. — Vol. 1, No 16. — pp. 349—359.
13. Vinogradov A.N., Vlasova N., Kurshev E.P., Podobryaev A. Modern Approaches to the Language Data Analysis. Using Language Analysis Methods for Management and Planning Tasks. In: Arseniev D., Overmeyer L., Kalviainen H., Katalinic B. (eds) Cyber-Physical Systems and Control. CPS&C 2019. Lecture Notes in Networks and Systems, vol 95. Springer, Cham https://link.springer.com/chapter/10.1007/978-3-030-34983-7_46 https://doi.org/10.1007/978-3-030-34983-7_46.
14. Виноградов А.Н., Куршев Е.П., Подобряев А.В. и Белов С.А. Разработка средств анализа научно-технической документации для повышения эффективности управления результатами интеллектуальной деятельности // Материалы VII Всероссийской научно-технической конференции «Актуальные проблемы ракетно-космического приборостроения и информационных технологий». — Москва : М.:ФИЗМАТЛИТ, 2015.
УДК 331.108
doi:10.18720/SPBPU/2/id21-75
Корсакова Татьяна Владимировна1,
профессор, д-р. пед. наук, доцент, Корсаков Михаил Николаевич ,
доцент, канд. экон. наук, доцент
КРИТИЧЕСКОЕ МЫШЛЕНИЕ КАК ИНСТРУМЕНТ ИСПОЛЬЗОВАНИЯ КОГНИТИВНЫХ МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ В СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМАХ
1 2 Россия, Таганрог, Южный федеральный университет, 1 tvkorsakova@sfedu.ru, 1 mnkorsakov@sfedu.ru
Аннотация. Статья посвящена рассмотрению мета-компетенции критического мышления/решения проблем как средства для принятия решений на основе когнитивной модели. Когнитивная модель Симплекс в отличие от известных Симплекс-методов, представляющих алгоритм решения задач линейного программирования, описывает процесс, позволяющий осознать проблему, обеспечивает возможность найти креативные решения. Синтез рационального и интуитивного, возникающий в результате использования данной когнитивной модели, увеличивает вероятность получения желаемого конечного результата.
Ключевые слова: критическое мышление, «злые» проблемы, когнитивная модель, дизайн проблемы.
