CC BY
28^(саНамшса-млтемлтШ'еасае
РЕТРОСПЕКТИВНЫМ АНАЛИЗ ОСНОВНЫХ НАПРАВЛЕНИЙ ИНТЕЛЛЕКТУАЛИЗАЦИИ ИЗМЕРИТЕЛЬНОЙ ТЕХНОЛОГИИ
Л. Б. ШАБАНОВА,
доктор экономических наук, профессор, заведующая кафедрой учета, финансов и банковского дела Е-таИ:8\ейкЛйк@таИ.ги
Я. П. ДЕМИДОВ,
кандидат экономических наук, доцент кафедры учета, финансов и банковского дела E-mailjacovTom@yandex.ru Казанский институт (филиал) Российского государственного торгово-экономического университета
Пока не разработаны универсальные методы и инструменты для измерения свойств объектов различной социально-экономической природы. Универсальная измерительно-оценочная система может быть построена на основе синтеза известных типовых решений с эвристически спонтанно найденными методами.
Ключевые слова: объекты, методы, оценка, измерения, моделирование, интегральный показатель, экспертные методы, искусственный интеллект.
Для экономической теории и системных исследований поиск решения проблемы оценки состояния сложных социально-экономических объектов и явлений оказался, по мнению ряда ученых, равнозначным поиску «философского камня». Такой уровень пессимизма и безнадежности еще более усиливается, когда целостное заключение о состоянии сложных социально-экономических объектов требуется в количественной форме, в числовом выражении. Многочисленные известные подходы к решению таких задач (многокритериального упо-
рядочения) не привели к созданию сколько-нибудь универсального инструментария, приемлемого для метрологии объектов различной социально-экономической природы и всеобщего в том же смысле, что и всеобщность рынка как метрологической системы. Корни решения этой проблемы лежат в области формального отображения общественных отношений, в механизмах связи законов общественного развития с теорией и практикой управления деятельностью человека. Практика системного оценивания, не имея собственного инструментария, представляет из себя эклектическую смесь аналитических и экспертных процедур определения различных паллиативов в форме всевозможных рейтингов.
Непрерывные поиски единой меры привели ученых к пониманию, что такая универсальная перспективная измерительно-оценочная система может быть построена на основе еще не известных, случайно найденных, эвристически спонтанных методов, синтезированных чрезвычайно удачной комбинацией с известными типовыми решени-
ями. Она одновременно должна решать задачи содержательного анализа и формального синтеза разнообразных показателей.
Рыночную систему хозяйствования, «погруженную» во внешнюю (правовую, природную) среду, можно в историческом разрезе (дай в прагматическом) рассматривать как идеальную естественную метрологическую систему, жизнеспособность и действенность которой вряд ли кто-то захочет оспаривать. Поэтому проблема создания подобной «искусственной» системы трансформируется в задачу построения такой совокупности взаимосвязанных методов и моделей (информационных, функциональных, логических, статистических и др.), которые обладали бы свойствами изоморфизма к рыночным измерениям. В табл. 1 представлен набор таких свойств.
Принципиальная основа ориентированной в будущее современной экономической метрологии (ее практического инструментария) базируется на следующих положениях:
- социальные и экономические объекты относятся к сложным активным многоцелевым системам и с точки зрения измерительных технологий являются абсолютно идентичными;
- общая оценка состояний социальных и экономических объектов должна исходить из
Свойства рынка как м
потребности в самогенерирующемся и самонастраивающемся критерии, который сам выбирает информацию для своего содержательного наполнения; он должен быть инвариантным к числу показателей, их комбинациям, к их единицам измерения, к разнообразным условиям внешней среды; в терминологии системных исследований это когда экзогенные и эндогенные параметры состояний сложных объектов синтезируются в некий единый интегральный критерий, характеризующий меру достижения общей, наивысшей по степени обобщения цели;
- такой гипотетический критерий обязан быть, прежде всего, управленческим, должен решать задачи анализа и ориентировать оцениваемые объекты и явления на установившиеся тренды, на достижение локальных целей. Концептуальную модель в виде полного набора функциональных преобразований, в конечном счете позволяющих в какой-то степени реализовать перечисленные в табл. 1 свойства, представим следующей последовательностью:
(х,} ^ (х,)} ^ (Н(х,, к,)} ^ {Ф(х,, к,, и)}, (1) где {х} — совокупность необходимых преобразований исходной информации (формирование полной системы оценочных показателей,
Таблица 1
юлогической системы
Рынок как метрологическая система (технические и операционные свойства рыночного измерителя — прибыли) Изоморфная модель искусственного критерия (возможность реализации свойств рыночного измерителя на базе современных знаний)
Единая метрика — стоимостная (единая шкала, единица измерения, счетный характер) Реализация возможна (метрика единая, но не обязательно стоимостная)
Способность преобразовать многомерное состояние в одномерный критерий Реализация возможна
Универсальность и сопоставимость общей меры для всех хозяйствующих субъектов рынка Реализация возможна, требуются эксперименты
Переменная адаптивная автоматическая чувствительность к изменениям конъюнктуры рынка (целей, условий, свойств, параметров, политики и т.д.) Реализация возможна
Независимость функционирования от субъектов измерения, оценки и управления Организационная проблема. Требуются широкие эксперименты
Следящий режим измерения, устойчивая обратная связь Реализация на модельном уровне возможна, на практике требуются широкие эксперименты
Свойство самообъяснения и самоанализа Реализация возможна, анализ и синтез должны быть органично встроены в измерительную технологию
Единственность и конечность по величине в одномоментной регистрации Реализация возможна
Всеобщие характер и доступность применения (через торговлю и обменные операции) Организационная проблема, удобный пользовательский интерфейс
Одна из форм выраженности — материальная субстанция (деньги) На современном этапе научных знаний ответ невозможен
Исходно-имманентная верификация и валидация результата рыночного измерения Обязательное условие для реализации. Требуются длительные эксперименты
накопление статистики, обеспечение сопоставимости данных, первичное формирование баз сравнения, эталонов и нормативов и др.); х1 — множество переменных (показателей 1=1, и);
{Р (л;(.)} — совокупность необходимых преобразований для перевода всех показателей на единую сопоставимую шкалу количественного соизмерения;
{Н (хр к^} — полный набор функциональных преобразований для перевода количественных характеристик в качественные, для реализации свойстврыночногоизмерения (табл. 1); к1 — параметр шкалы типичности; {Ф(х, кр п)} — комплекс необходимых преобразований для получения интегральной меры. Объекты реальной экономики не могут не пользоваться единственной и неизбежной в конкурентной среде мерой — сопоставлением себя с другими, с более или менее успешными объектами, самоидентификацией себя в совокупном опыте. В широком смысле эта мера в рыночной экономике в явном или неявном виде является основной. Природа этой меры — статистическая, а изучение ее восприятия и использования человеком в реальной жизни имеет бихевиористическую основу. Значит, на этапе {^(х)} необходимо «оконтурить», наполнить содержанием понятие совокупного опыта, а затем определить системную меру состояния (полезности) уровня каждого свойства — порядок квантилей эмпирического кумулятивного распределения.
На входе последовательности (1) будет все множество целей, входных характеристик (показателей), нормирующих ограничений, внешних условий взаимодействия, накопленный опыт, политика управления и пр. На выходе — единый интегральный критерий, отвечающий по возможности всем требованиям и свойствам рыночного измерителя: количественная форма, однонаправленность предпочтительного изменения, доступный пониманию содержательный смысл, сквозной характер, возможность организации следящего режима, верификации и др. (см. табл. 1).
Если поставить перед исследователями цель создания такой технологии измерения, а также полного исключения отрицательного, негативного мнения экспертов и специалистов любой квалификации и компетентности по поводу итогов таких измерительных операций, то анализ этой концептуальной модели диктует только одну методологию ее реализации через конкретный набор практических
методов и моделей. Это — методология моделирования элементов мыслительной деятельности человека при оценке и классификации состояния объектов управления. Только она способна наиболее естественным путем формировать необходимые процедуры обработки информации, направленные на обеспечение близости формально-алгоритмических решений к заключениям лиц, имеющих устойчивые убеждения в связи с достаточным опытом управления. Никакие нормативные модели, особенно на этапах {Н (хр к)} и {Ф (х, кр п)}, не позволят добиться требуемого уровня верификации и валидации расчетных итогов по данной модели. Это положение подтверждается результатами многочисленных исследований логических операций в процессе принятия решения с помощью формальных моделей и компьютерных алгоритмов, которые по существу воспроизводят наиболее рациональную методологию мышления человека при выборе тех или иных способов действий [1].
Методологических и методических трудностей, сдерживающих возможность преобразований информации для моделирования программируемых умозаключений человека или имитации его поведения, предостаточно. На этот счет есть обширная литература. Однако это обстоятельство только подталкивает исследователей для поисков приемлемых решений конкретных задач.
В литературе по экспертным системам или искусственному интеллекту часто высказывается мысль о том, что если исследователи поставили цель создать модель искусственного эксперта, решающего ту или иную задачу, то это бесполезно и нереально. Но если они хотят с помощью каких-то моделей за эксперта решать его задачу, то это полезно и реально.
По существу роль исследователей заключается в максимально правдоподобной реализации перевода таких сложных явлений, как компетентность и опыт экспертов, в форму, необходимую для формализованных моделей для компьютеров. При этом, как известно, содержание процесса воспроизведения решений экспертов для слабоструктурированных и плохо формализуемых задач заключается в разработке логических моделей представления знаний, языков логического программирования, процедур эвристического поиска решений и т. д. Альтернативный и более надежный путь — это все-таки структуризация самой задачи, ее формализация. Раскрывая содержание этого пути, авторами показаны линии (направления) его реализации в технологии измерения, обеспечивающей близость
машинных решений к заключениям компетентных экспертов о состоянии и результативности оцениваемых объектов.
Процесс функционирования всякого социального и экономического объекта тесно связан с информационным обеспечением, с расширением структуры и объема технико- и социально-экономических показателей, что приводит к постоянному росту объема информации. Стремление к полноте и накоплению информации относится к естественным потребностям любого субъекта экономической деятельности. Поэтому на этапе функциональных преобразований {х} реализована первая линия воспроизведения элементов мыслительной деятельности человека — желание обладать полной информацией о себе и о внешних условиях по всей последовательности обоснований и формально-алгоритмических преобразований (1) для получения интегральной и сопоставимой меры.
Всем известны стереотипы мышления и поведения лиц, принимающих решения в условиях дефицита данных — отказ от принятия решений при отсутствии или недостаточности информации. Или, наоборот, решение принимается, если имеется для этого достаточно информации. В любом случае объемы и качество информации, имеющейся в распоряжении субъекта экономических решений, определяет степень его комфортности, готовности принимать такие решения. Дело в том, что недостаток информации при управлении «провоцирует» использование метода «проб и ошибок» и целый ряд других негативных последствий, которые смело можно отнести в наше время «информационной революции» к «пещерному анахронизму».
Полнота информации в предлагаемой технологии понимается в широком смысле: во-первых, полнота целей и целевых установок в отношении каждого локального свойства и в отношении всех свойств вместе взятых (системообразующий принцип); во-вторых, полнота оценочных показателей самого нижнего «корневого» уровня; в-третьих, полнота баз сравнения, нормативов, эталонов и др., обеспечивающих сопоставимость собранной информации об объектах.
Ретроспективный взгляд на выбранный принцип полноты описания объекта полностью подтвердил его адекватность, в том числе, и результатами экспериментальных внедрений на абсолютно разных по природе социально-экономических объектах. По крайней мере, был полностью преодолен характерный для многих экономических школ принципиальный взгляд о необходимости
оценивать состояние (результативность) лишь по небольшому числу оценочных показателей.
Между тем ограниченные возможности человека воспринимать и анализировать информацию о социально- и технико-экономическом состоянии и развитии управляемого объекта по большому и все возрастающему числу признаков требуют при анализе ситуаций и принятии управленческих решений выделение смысла информации (или придание ей смысла). Процесс выделения смысла строится на оценочных суждениях лиц, принимающих решение (руководителя, предпринимателя, эксперта и др.). Такого рода суждения — «это основной механизм продуктивного описания (и изучения) процессов в человеко-машинных системах управления» [2]. Этот момент качественной интерпретации опыта в оценочных суждениях выражает второе направление при моделировании элементов аналитической деятельности человека. Оно позволит начать процесс оценивания ситуации не с анализа массива исходных данных, ас массива качественных заключений о состоянии и развитии показателей. Такой подход подготовки информации обеспечивает комплексное и системное использование исходных данных, которые, по существу, и определяют содержание совокупного опыта. Причем в него включается и индивидуальный, и/или групповой (коллективный) опыт, а выбор временных интервалов статистических выборок является оперативным методическим вопросом в отношении каждого индивидуального свойства.
Методы машинной селекции важной информации должны соответствовать привычным способам и принципам управления, характерным для любого субъекта экономических решений. Это, прежде всего, сжатие данных, их группировка по различным признакам, рациональная скупость информации, циркулирующей в трактах управляющей системы — «интеллекта». На входе его формируются только необходимые ассоциативные представления, позволяющие в общих чертах классифицировать сложившуюся ситуацию и приступить к выбору наиболее подходящих решений. Эта особенность должна быть воспроизведена в моделях искусственного эксперта путем сжатия количественной информации до качественных характеристик, широко используемых специалистами в повседневной практике. Степень овладения опытом прямо характеризует квалификацию человека или технического средства, осуществляющего управление. Опытный специалист чаще всего ориентирован на оценки состояния объекта по
нескольким признакам с употреблением понятий: «очень плохо», «в пределах допустимого», «хорошо», «прогрессивно» и т.д.
Более сложным и ответственным элементом аналитической работы при моделировании субъективных реакций лиц, осуществляющих управление, является задание опорных (реперных) количественных значений по выбранным показателям. Здесь проходит третья линия воспроизведения элементов «интеллектуализации» при разработке реальных моделей обобщения свойств. Любое принимаемое человеком решение часто сопровождается фиксацией в памяти конкретных числовых значений параметров, привлекаемых для описания ситуаций. Если это не происходит осознанно, то при обсуждениях, при аргументации решений нередко происходит их спонтанное неосознанное восстановление, что является привычным для специалиста и может использоваться для накопления и систематизации опыта.
В экспериментальной психологии показано, что человек уверенно дифференцирует явления, заданные упорядоченным числовым множеством, не более чем на 4—7 зон качественного уровня. Интуитивно, при выборе на этом множестве нескольких (3—5) опорных значений, специалист, эксперт исходит из накопленного опыта наблюдений. В основе таких качественных описаний опыта всегда лежит отношение типичности (частоты повторения) того или иного наблюдения. Подобные суждения о выбираемых опорных значениях выступают своеобразным эквивалентом известного в теории статистики аппарата типологических группировок, широко используемых в реальной практике социально-экономического анализа.
Наиболее просто находятся уровни, являющиеся пороговыми, минимально допустимыми с точки зрения достижения цели. Этими уровнями могут быть, например, такие, при которых оценка деятельности по данному параметру уже является негативной, недопустимой, т. е. какие-то критические наихудшие значения. Также, в частности, по любому свойству всегда можно указать наивысшее желаемое значение — здесь чаще всего привлекают уровни достижений успешных объектов или образцов продукции (если речь идет о ее качестве).
Наибольшую трудность вызывает установление некоторой средней величины между этими двумя крайними метками. В этом случае необходимо определение политики, отражающей взгляды руководства (специалистов) в отношении целесооб-
разных тенденций в динамике функционирования объекта. Наиболее просто устанавливается промежуточная величина, сочетание которой ассоциируется у экспертов с таким состоянием, при котором неудовлетворенность отличием его от наивысших желаемых уровней субъективно уравновешивается их превышением над критическими наихудшими значениями. Таким образом, в качестве достаточно общего подхода можно принять комбинацию этих трех значений как меток шкалы некоторой лингвистической переменной, задающей направленность ценностно-качественных суждений в отношении развития контролируемых свойств. Этот прием был реализован в экспериментальных моделях и показал свою полную пригодность как параметр измерительной процедуры [4].
Системно-структурное описание опыта через его формально-квантифицированное и сжатое отображение с помощью введенных в технологию измерения оценочных шкал позволяет перейти от отношений больше — меньше к отношению лучше — хуже, преобразовывать данные опыта в знания, придавать смысловую интерпретацию информации опыта [3,4]. Если по показателю имеются статистические данные, то операции нахождения меток на шкалах вообще исключаются и вся «оцифровка» шкал выполняется автоматически. В табл. 2 приведен пример шкалы для одного из показателей промышленного предприятия.
В терминологии специалистов по искусственному интеллекту реализация этих трех направлений позволитнаполнить содержанием базовое понятие— фрейма. В роли фрейма может быть представлена сама нормативно-оценочная шкала как некоторый формальный шаблон, символ, наполнение которого реальной информацией об объекте или ситуациях приводит к возникновению феномена «знаний» о действительности внешнего мира. Набор фреймов, заполненных и конкретизированных реальными данными об объекте во времени и пространстве, будет представлять «банк знаний».
Таблица 2
Нормативно-оценочная шкала по показателю «х — экономия
энергоресурсов за отчетный период», % к лимиту
Уровень Показатель, х
Неудовлетворительный х< 1,57
Удовлетворительный 1,57 < х < 1,76
х23=1,57
Хороший 1,76 < х<2,1
х34= 1,76
Отличный х > 2,1
*45=2,1
В теории построения экспертных систем одной из моделируемых ситуаций является режим мониторинга, когда строится предупредительная система с обнаружением «слабостей», «опасностей», «критических точек» [6]. Процесс обнаружения при его воспроизведении в моделях эквивалентен определению относительной важности (веса, значимости) каждого параметра при управлении.
Способ определения важности не всегда требует привлечения экспертов. Наличие объективных статистических данных как в задачах классификации, так и в задачах оценивания, позволяет не прибегать к экспертному способу определения субъективного отношения экспертов к значениям частных показателей качества объекта. Если имеется обучающая статическая выборка, включающая помимо матрицы совокупных значений параметров различных состояний объекта (или совокупных значений параметров различных объектов, сравниваемых между собой), также матрицу-столбец оценок общего качества или состояний различных объектов, не представляет труда найти усредненную взаимосвязь вероятности удовлетворения состоянием объекта с рассматриваемыми параметрами. При этом достаточно, например, проранжировать варианты состояний объекта или различные объекты по мере предпочтительности их общего качества, а затем вычислить вероятности лидирования /-го из них по отношению к остальным по формуле:
р = 5 - Г;
5 -1
где Р{ — вероятность лидирования /-го объекта;
Б—число сравниваемых вариантов одного или
разных объектов;
г. — ранг /-го варианта или объекта 0 = 1, Б).
Методами вариационной статистики или регрессионного анализа находятся искомые связи каждого из параметров (частных показателей качества) с показателем общего качества. При этом коэффициенты регрессии при частных показателях будут характеризовать относительную важность свойств.
При невозможности использования известных и широко применяемых статистических методов изучения взаимосвязей общего показателя состояния и параметров объекта можно находить оценки субъективного отношения экспертов к значениям отдельных показателей способом шкалирования и установленных в экспериментальной психологии закономерностей [3, 4]. Введение опорных точек на шкалах как раз и позволяет определять эту важ-
ность и одновременно выделять небольшое число свойств, требующих коррекции в первую очередь.
Попытки многих исследователей предложить решение проблемы «взвешивания» показателей и факторов без привлечения теории и аппарата психофизики не могут претендовать на достаточную универсальность и общность. По мнению исследователей эргадических систем, есть все основания считать, что полученные в экспериментальной психологии закономерности можно распространить и на модели, описывающие интенциональные (побудительные, мотивационные) процессы. Это означает, что знание законов, связывающих интенсивность субъективных восприятий, интенсивность ощущений с силой внешнего раздражителя (сигнала, стимула), можно распространить и на мо-дели, имитирующие поведение экспертов или лиц, принимающих решение, в том числе, при анализе показателей состояния социально-экономических объектов или хозяйственных процессов.
В психофизике разработаны психометрические шкалы, задающие связь физических и психологических переменных в простой аналитической форме. В некоторой области диапазона внешнего сигнала справедлив закон Вебера — Фехнера [4]:
АЯ(к) Н(к^) - Н(к]) (
-=---— = с(сош1:) при с> О,
Н(к) ) ' '
где АН (к) — прирост сигнала, показывающий, какое изменение исследуемого физического параметра ощущается субъективно; Н(к) — абсолютное значение сигнала; У—номер параметра к на шкале типологических зон [3,4].
Иными словами, в описание прошлого опыта через показатели кх и Н1 вносятся элементы отношения к нему. Законом устанавливается равная действенность приращения стимулов. В соответствии с этим законом человек уверенно различает пары отличающихся друг от друга стимулов в случаях, когда отношение разности вызванных ими ощущений к начальному уровню ощущения для эталонного стимула равно постоянной величине, т. е. ощущения растут как логарифмы раздражений. Таким образом, чувствительность измерительно-оценочной системы может быть построена в соответствии с этой закономерностью.
Внешний стимул в системе отождествляется с уровнем показателя х и параметром шкалы типичности наблюдений к, а его субъективно-полез-ностная интерпретация задается взвешивающей функцией Н(х). Отчетливая реакция субъектов задана числовым множеством меток переменной
к, увязывающей уровень стимула и ощущений. Величина & линейно целым числом изменяется для соседних границ зон постоянного качества [3,4].
Изложенный методологический прием (в значительной степени эвристический) позволяет конструктивно разрешить проблему относительной важности. Если по функциональному назначению показателей замещение недостатков по одним свойствам успехами по другим принципиально допустимо, то оно должно выполняться только в обоснованных психофизическими закономерностями диапазонах субъективных реакций человека (эксперта, аналитика, управленца и др.).
Конечно, отмеченная закономерность справедлива для узкого класса физических сигналов, тем не менее, отожествление экономических показателей с воздействующими на человека внешними стимулами (сигналами), на наш взгляд, вполне корректно по следующим причинам:
- природа сознательных процессов оценки внешних раздражений и бессознательных восприятий внешних сигналов одна и та же, а закон Вебера — Фехнера есть не что иное как частный случай экономической оценки [5];
- использование условного приема аналогий и подобий в научном познавательном процессе, когда принципы и закономерности одной сферы знаний переносятся в другую сферу, а затем доказывается (экспериментально или теоретически) адекватность такого переноса. Нормативно-оценочные шкалы по показателям и последующее построение интегрированных с ними психофизических шкал приводит описание состояния объекта управления к безразмерной форме, пригодной для операций нахождения интегрального качества объекта. Возможность конструктивного разрешения «весовой проблемы» как меры отношения эксперта к объекту или ситуации через закономерности экспериментальной психологии и одновременно через эконометрические модели, увязка и согласование элементов этих переходов образуют четвертую линию в реальном моделировании технических и операционных характеристик искусственного обобщенного критерия.
Одно из главных направлений обеспечения «интеллектуализации» проектируемых моделей {пятая линия) восходит на более высокий уровень абстракции. Оно связано с обоснованием принципа моделирования и выбора вида целевой функции оптимизации. В теории сложных систем, теории управления, в методологии экономико-математического моделирования широко распространен
принцип равномерной оптимизации (принцип минимакса или максимина). Соответствующий этому принципу критерий оптимизации называется критерием Вальда — Гурвица. Ряд исследователей относит реализацию этого принципа в интеллектуальных системах (играх) к обеспечивающему «абсолютную гармонию» взаимодействия участников игры [7].
Этот принцип внешне выражается естественным стремлением всякого субъекта хозяйствования или руководителя, ответственного за функционирование сложной социальной или экономической системы любого уровня, равномерно достигать всех разнокачественных целей (удовлетворять разнородные потребности). Иными словами, это стремление к гармонизации, когда целевая функция, критерий оптимальности не задается однозначно, извне, а генерируется путем сопоставления опыта и динамики состояния всех однородных объектов и результатов.
Шестым направлением сознательного конструирования свойств интеллектуализации моделей является организация адаптивного следящего режима, то есть режима с отрицательной обратной связью, обеспечивающей в процессе управления устойчивость функционирования объекта (робас-тность). По мнению исследователей сложных систем, «не исключено, что в человеческом мышлении используется механизм, аналогичный механизму адаптивного управления» [7]. Робастность обеспечивается совокупностью нормативно-оценочных шкал, метки которых изменяют свое положение в соответствии с изменяющимся опытом. Этот механизм возникновения и поддержания следящего режима описан в [3,4]. Если в системах управления техническими (или технологическими) процессами регулирование осуществляется за счет силы сигнала в канале обратной связи, то для управления экономическими и социальными процессами механизм обратной связи основан на мотивах поведения, «возбужденных» интересом человека к результатам собственных трудовых усилий. Значит система управления в целом, в широком смысле, обязана непрерывно «генерировать» этот интерес и, следовательно, должна быть бихевиористически открытой. Иными словами, технология измерения как часть управляющей системы должна оказывать влияние на поведение субъектов хозяйствования и управления в связи с оценкой результатов их деятельности. Отсюда и требование включения всякой проектируемой измерительной технологии в сферу сопряжения со всеми другими меха-
низмами экономической или распорядительной регуляции и, в первую очередь, включения их в контур саморегулирования любой социальной или хозяйственной системы.
Смысл этих замечаний в единстве подхода к естественным (рыночным, экономическим) и нормативным (административным, внешним) требованиям к объектам и во включении этих требований в конструкцию следящего режима как равноправных.
Шесть отмеченных направлений органично «вплетены» в ткань обоснования принятых решений по моделям и, тем самым, последние можно отнести, с известной долей условности, казалось бы, к экспертным системам, преобразующим человеческую компетентность и опыт в форму, с которой может работать компьютер. Однако не так все просто — не следует забывать главное системное требование о верификации всякой измерительной технологии для социально-экономических процессов. А это связано с классификацией моделей.
Многие исследователи и разработчики в области проблем экспертных систем и искусственного интеллекта не различают этих понятий, что затрудняет не только процесс классификации, но и верификацию, проверку правильности моделей по разным признакам. По классификации американских исследователей, с одной стороны, искусственный интеллект более общее понятие, чем экспертная система, с другой стороны, более «слабое» по методам решения задач [6, 8].
Содержание процесса воспроизведения решений экспертов для слабоструктурированных и плохо формализуемых задач заключается в разработке логических моделей представления знаний, языков логического программирования, процедур эвристического поиска решений и т. д. То есть для них характерны признаки систем обработки данных, и чаще всего они применяются для построения информационно-поисковых систем. Эти системы непосредственно не встроены в контуры управления и самоуправления социально-экономическими объектами, а потому строго и не стоит задача их верифицируемое™.
Для моделей оценивания (с элементами интеллектуализации), жестко встроенных в контуры управления, при хорошо структурированных задачах принципиально допустимы, возможны и реальны формально-математические описания решаемых задач, четкие алгоритмические правила их решения, а условие верифицируемое™ является обязательным. Иными словами, проблемы
верификации и последующей валидации моделей не столь аморфны, второстепенны и безнадежны, как в отношении многих информационных или экономико-математических моделей. Проблемы исследователей и разработчиков в этом случае сводятся к искусству структуризации, к разработке тезауруса системы. Причем единственным признаком отнесения моделей к искусственному интеллекту является устойчивое совпадение мнений квалифицированных экспертов по поводу решения той или иной задачи с точным ее решением по алгоритму классифицируемой модели.
Подобное совпадение достигается (и на протяжении многих лет достигалось — часто анонимно), прежде всего, вышеизложенными направлениями интеллектуализации модельных построений.
Одно из критических замечаний в адрес предложенной технологии измерения — это обвинение в технократизме, в увлечении строить формальные конструкции в отрыве от человеческого фактора.
Обвинение в технократизме — это может быть самое серьезное из всех, поэтому важно уяснить, о чем идет речь. Технократизм бывает вульгарный, когдатехнические и технологические инновации, в том числе и в сфере управления, навязываются административно, имеют приоритет перед аксиологическими, человеческими ценностями. Такая ситуация была характерна для нашей страны в период плановой экономики.
Однако поставим вопрос — почему в высокоразвитых странах прилагаются огромные усилия для создания различного рода теорий и моделей человека, искусственного интеллекта? Причем ведущие в данном направлении исследования фирмы пользуются государственной поддержкой и скрывают информацию в этой области знаний, надеясь на решительный прорыв в будущем в конкурентной борьбе. Для чего нужны многочисленные сложнейшие робото-бионико-кибернети-ческие системы с элементами имитации поведения человека, семантические модели, ассоциативные банки знаний, модели экспертных систем, модели восприятия звуковых, речевых, письменных и др. сообщений, эвронические системы, процедуры эвристического поиска и т.д.? Все эти модели и системы, адекватно воспроизводящие процессы мыслительной деятельности человека, пусть даже в узком классе каких-то социальных и экономических задач, будучи созданными, отрицают самого человека. Не это ли технократизм в чистом виде? Но это не вульгарный, а гуманистический технократизм, направленный на самого человека,
не игнорирующий, а воспроизводящий его и помогающий ему выйти на новые рубежи познания природы и общества, отнимая у него часть пусть и сложной, но уже формализуемой и доверенной компьютеру работы. Не понимать этой разницы значит не понимать сущности научно-технического прогресса и автоматически переносить недостатки
Список литературы
и сложившиеся за последние годы разочарования по ряду формальных приложений некоторых информационных, экономико-математических моделей (особенно в области планирования) на принципиально другой класс моделей — эвристических, интеллектуализированных, имитационных, семантических, эвроритмических и др.
1. Батуро А.М., Матвеев А. П., Малафеев В. П. Обработка и рациональное представление отчетных данныхдля принятия решений при управлении // Изв. ЛЭТИ. Л.: 1977. Вып. 214.
2. Демидов Я. П., Матвеев А. П. Критерий гармонизации. Опыт обоснований и применений // Приборы и системыуправления, 1990. № 1.
3. Демидов Я. П., Шабанова Л. Б. Статистическое моделирование рыночных цен: учебное пособие. Казань, 2002.
4. Дружинин В. В., КонторовД. С. Проблемы системологии. М.: Сов. Радио, 1976.
5. Построение экспертных систем / пер. с англ. / под ред. В. Л. Стефанюка. М.: Мир, 1987.
6. Проблемы принятия решений. Под ред. П. К. Анохина. М.: Наука, 1976.
7. Смолян Г. Л. Человек и компьютер. М.: Изд. полит, литературы, 1981.
8. Туган-Барановский М. И. Влияние идей политической экономии на естествознание и философию // Экономика и математические методы, т. ХХУ, вып. 5, 1989.
