Decision Support Systems. Theory and Practice (DSS 2009)

All 12 messages.

	Participator of the conference:	Прокопчук Юрий Александрович, e-mail:itk3[at]ukr.net
	Authors:	Ю.А. Прокопчук
	Title of report:	ИНСТРУМЕНТЫ ИНТЕЛЛЕКТУАЛЬНОГО СИНЕРГЕТИЧЕСКОГО УПРАВЛЕНИЯ

Хиценко Владимир, Новосибирск

582

  В докладе сочетаются безусловная практическая полезность для формализации баз знаний с очевидными математическими несуразностями:
  1.Пространство состояний нельзя ни расширить, ни сжать. В теории динамических систем говорится о сжатии фазового объема оператором диссипативной системы, о чередовании сжатия и растяжения в странном аттракторе, но область его притяжения неизменна для конкретной системы.
  2.Зачем называть фрактальной иерархическую структуру доменов и даже мультифракталом? Эти геометрические конструкции имеют иной и совершенно ясный математический смысл.
  3.Непонятно, как все же идут процессы самоорганизации в системе знаний. Может проще назвать это процессом логического поиска (диагноза).
  Ценность работы не в этих синергетических спекуляциях, переходящих в профанацию.

Прокопчук Юрий, ИТМ НАНУ и НКАУ, Днепропетровск	583
Благодарю за внимание к моей скромной работе. Поскольку замечания серьезные, ответ дам достаточно обстоятельный. Очень жаль, что на 4 страницах не уместилось описание общей теории, которую я выстраиваю, и фрагменты которой уже опубликованы в ряде работ этого года. В тезисах, которые Вы читали, приведены лишь некоторые программные инструменты, но практически ничего не говорится о самом интеллектуальном синергетическом управлении слабоформализованными процессами и системами. В этом ограниченность данного материала. По поводу первой части Вашего замечания. На самом деле рассматриваются два взаимосвязанных слабоформализованных динамических процесса (как молекула ДНК состоит из двух спиралей): первый – процесс выработки и реализации управления, второй – процесс, протекающий в физической системе. Пример – управление здоровьем человека или популяции (организм человека или популяция особей – физическая система). Для каждых процессов можно рассматривать самоорганизацию отдельно (соответственно этапы «расширения» - неравновесного состояния и «сжатия» - движения в области притяжения целевого аттрактора, который задается моделью процесса), но я рассматриваю эти процессы во взаимосвязи. При этом фаза «расширения» (управляемого хаоса) больше относится к процессу управления (выработке решения), а фаза «сжатия» - к процессу реализации управления и переходным процессам в физической системе. Описанная в тезисах модель знаний играет важную роль в реализации фазы расширения. Согласитесь, что управление таким процессом как «здоровье человека» должно строиться исключительно на синергетической основе (это к вопросу о спекуляциях…). Мною построена общая модель такого управления. Фрагменты ее опубликованы, например, в работах: Прокопчук Ю.А. Синергетическая теория управления медико-социальными процессами // Вестник ХНТУ, 2009. - №1(34). – С. 378 – 384. Прокопчук Ю.А. Модель синергетического управления динамическими системами и процессами // Збірник наукових праць міжнародної конференції “Інтелектуальні системи прийняття рішень і проблеми обчислювального інтелекту” (Євпаторія 18 – 22 травня 2009р.). Том 2. – Херсон: ХНТУ, 2009. – С. 412 – 416. Наиболее полная модель интеллектального синергетического управления слабоформализованными процессами с описанием алгоритмов фазы «расширения», надеюсь, будет опубликована в сентябре этого года. По поводу второй части Вашего замечания. Действительно, далеко не все конфигураторы тестов являются фрактальными. Это очевидно. Для качественных тестов, например, таких как «Жалобы на боль», «Аппетит» конфигуратором задается простая иерархия (а может и не простая… Это как посмотреть). Тест «Температура» уже не такой простой, как кажется (не очевидна фрактальность), но об этом чуть позже. Другими словами, примеры, приведенные в тезисах, на первый взгляд не вполне соответствуют термину «фрактальный конфигуратор». Замечу, эти примеры ориентированы исключительно на практику (на медиков) и Вы это справедливо подметили. Однако скрытой целью приведения таких неоднозначных примеров было желание вызвать дискуссию. Похоже, это удалось. На самом же деле предполагалось, что читатель додумает разнообразные механизмы генерации фрактальной основы тестов (таких механизмов бесконечно много!). Так для теста «Температура» фрактальная основа (ФИЗИЧЕСКИЙ фрактал, напоминающий канторовскую пыль, но гораздо более сложных конструкций) генерируется автоматически между доменами D4 и D3 на любую заданную глубину (у физического фрактала, в отличие от математического фрактала, конечная глубина итераций). Почему я говорю про «фрактальную основу»? Потому что затем также автоматически на «пылинки» фрактала любого уровня можно надстроить, например, нечеткие множества. Получается очень неплохо. Так мы и поступаем в ряде случаев (лабораторные работы студентов). Для числовых же тестов типа «Длина», «Вес», «Скорость» и т.д., как правило, проблем с фрактальностью вообще нет: автоматически генерируется физический фрактал заданного типа и любой глубины (параметры фрактальности задаются пользователем), который играет роль основы. Почему «как правило»? Потому что в реальных условиях (не лабораторных) почти все тесты имеют такую же структуру как тест «Температура»: вначале идет короткая иерархия, а затем может идти скейлинг. Сгенерированные фрактальные конфигураторы тестов сохраняются в Банке тестов. В другом используемом нами механизме генерируется стохастический физический фрактал (случайные деления на каждом уровне: число делений, длины интервалов и т.д.). Более того, это может быть динамический стохастический фрактал (точнее - фрактальная основа). Непрерывная ситуативная модификация фрактальной основы квантов модели знаний задает динамику и это работает! Студентами сделаны десятки программ для генерации фрактальной основы разных типов. Вы сами можете легко придумать и реализовать новые механизмы генерации фрактальной основы тестов. Почему я пишу о том, что почти каждый тест представляет собой мультифрактал. Дело в том, что конструктов (доменов максимальной общности) у любого теста может быть бесконечно много, а базовый домен один. Любая пара <базовый домен, N-арный конструкт> задает конфигуратор, следовательно, фрактальных конфигураторов у теста потенциально бесконечно много. В этом смысл приставки «мульти». Теперь, что касается Вашего вопроса о самоорганизации в вычислительной среде (среда может состоять из нейронов, автоматов, агентов, компьютеров и т.д.). Каждое отображение (квант знаний) требует определенных ресурсов (стоимости, времени, энергии и т.д.). Многократное решение схожих задач (итерации) в конце концов находит «пути наименьшего сопротивления» в вычислительной среде, т.е. вычислительные аттракторы (для каждой задачи свои). Важную роль играет динамическая нестабильность при выборе недоминируемых ансамблей квантов знаний (минимальных неизбыточных моделей знаний), а также принципиальная неконтролируемость вычислительной траектории на низких уровнях (фрактальной) иерархии. Важнейшую роль при этом играет разработанный мною «Метод предельных обобщений» (метод опубликован). В этом году мой студент защищает диплом на тему «Консилиум интеллектуальных агентов», в рамках которого разработано ПО, моделирующее процессы самоорганизации в вычислительной среде. Готовлю статьи на эту тему. Буду рад, если удалось прояснить хотя бы часть из Ваших вопросов.

Богданов Владимир, Днепропетровск

624

Где можно почитать про "Метод предельных обобщений"?
Почему этот метод играет важную роль при самоорганизации в моделях знаний?

Прокопчук Юрий, ИТМ НАНУ и НКАУ, Днепропетровск	625
Разные аспекты метода предельных обобщений изложены в 4-х работах: 1. Прокопчук Ю.А. Метод предельных обобщений – эффективный принцип работы вычислительного интеллекта // Искусственный интеллект, 2008. - №3.- С. 727 – 736. 2. Prokopchuk Iu. Method of Limiting Generalizations for Solving Logical and Computing Tasks // Proceedings of 2nd International Conference on Inductive Modelling (September 15 – 19, 2008, kyiv, Ukraine). – kyiv : IRTC ITS, 2008. – P. 62 – 65 3. Прокопчук Ю.А. Метод предельных обобщений для решения слабоформализованных задач // УСиМ, 2009. - №_.- С.... (номер вышел, но у меня его пока нет) Наиболее полно вся подготовительная технология описана в работе (там нет только названия метода): 4. Информационные технологии в образовании и здравоохранении / А. П. Алпатов, Ю. А. Прокопчук, О. В. Юденко, С. В. Хорошилов. – Дн-ск : ИТМ НАНУ и НКАУ, 2008. - 287 с. На мой взгляд данный метод (МПО) отражает одну из важных сторон человеческого интеллекта, который отличается, с одной стороны, полным отсутствием вычислительных способностей, а с другой, невероятной эффективностью и оперативностью в принятии решений. На мой взгяд это обеспечивается двумя механизмами: 1) умением автоматически (подсознательно) обобщать текущую ситуацию действительности до предельно высокого уровня, на котором используются простые ассоциативные цепочки "исх.ситуация - желаемая ситуация". Метод МПО формализует такой механизм. 2) Для реализации цепочек используются автоматизмы (синергии) врожденные или приобретенные. Они запускаются и контролируются на уровне "подсознания", т.е. практически не требуют энергии. В этих двух простых правилах- суть работы естественного интеллекта. Следовательно, таким правилам нужно научить искусственную систему.

Косс Виталий, Киев

636

Юрий Александрович! Цель исследования ПрО так или иначе является критерием оценок экспетров в группе. А как эксперты учитывают целевую функцию (предназначение)исследуемой системы? Например: предназначение системы лечить людей, а цель исследовыания в группе возможность организации платных услуг для самоокупаемости поликлиники.

Прокопчук Юрий, ИТМ НАНУ и НКАУ, Днепропетровск	637
Честно признаюсь, не понял связи между "предназначением системы" (о какой системе идет речь?) и "целью исследования в группе"... Что такое "Цель исследования ПрО"? Я о такой цели нигде не писал...

Ян Крохин, КПИ-53

642

  Юрий Александрович!
  Так сложно выявлять и задавать результат интеллектуального синергетического управления? Хіба що комусь потрібно це «хоч гірше, аби інше». Не проще ли – на основе системы «глаз – мозг» (обсуждение доклада В.Г.Калмыкова), с применением нового измерения – измерения состояния? Как ожидается, диагноз ставится (решается) статической или динамической (прогнозирующей) системой «глаз – мозг» с результатом или прогнозом по состоянию. Так задача решается?..
  С уважением, Крохин

Прокопчук Юрий, ИТМ НАНУ и НКАУ, Днепропетровск	643
Нет, задача решается не так... Изучаются сложные, слабоформализованные системы и процессы. Для оценки их состояния или динамики необходимо привлечь все доступные ресурсы и технологии (вычислительные, экспертные, агентные, организационные и т.д.). Информационная модель, описывающая такой процесс не может быть простой! Как мне кажется, мне удалось построить такую модель. Она опубликована в мае... Вкратце, синтез управления таков: Первый этап - подготовительный. Профессиональная среда формирует конечное множество моделей поведения систем в данной ПрО. Модель содержит описание параметров порядка и целевой аттрактор. Примеры заголовков аттракторов в медицине: "Выздоровел", "Хронизация заболевания", "Инвалидизация", "Смерть". Первый аттрактор целевой, три остальные нежелательные. Любой из перечисленных аттракторов разворачивается в собственный критический путь. Недавно ЕС профинансировал разработку таких моделей в медицине: 2 года разрабатывали 15 моделей за 2 млн. евро! Такова сложность подобной работы. Мы конечно как-то пытаемся автоматизировать этот процесс, но пока это лабораторные исследования... Второй этап реализует поиск стратегии для конкретного процесса (системы), точнее говоря, поиск (диагностику) модели (из известного списка моделей). На третьем этапе задаются значения параметрам порядка (формируется врачебный план), которые периодически уточняются. Сформированное управление реализуется на практике. На этом этапе ведется также мониторинг некоторых параметров, для контроля соответствия выбранной модели. Если какие-то параметры выходят за пределы, то ищется новая модель. И т.д.


Ян Крохин, КПИ-53		696
Юрий Александрович! Предпоследний доклад называется «Кибердатика, диагностика и размер бедствия – метрология». Бедствие – не гипербола. Его может оценить каждый. Ваша задача, как предполагается, решаема в многомерном пространстве. По сути, этот вопрос – приглашение (пока – на пионерских началах …) к исследованию многомерного пространства. Благодаря псевдоодномерности распределения состояния многомерность можно «попробовать на зуб». С уважением, Крохин

Ян Крохин, КПИ-53

718

  Юрий Александрович! Коллеги из институтов НАН и промышленности! Иностранные коллеги!
  Разве сегодня наука и техника не справляются с постановкой и решением ИЗМЕРИТЕЛЬНЫХ задач? Справляется, но едва ли не каждое решение – специализированное и без оценки качества. Гляньте хотя бы на СППР! Это отвлекает от работы над сутью решения еще и поисками метода, инструмента ДЛЯ решения. Все методы – МЕТРОЛОГИЧЕСКИЕ, других не было … Поэтому решения – вероятностные: не исключены ошибки типа «пропуск брака»: продукция качества «брак» признается исправной и пропускается в эксплуатацию, что приводит к катастрофам; ставится ошибочный медицинский диагноз и пациент умирает; Кризисный Центр проглядывает (пропускает) кризис и т.д. Короче – единственное достоинство метрологических измерений – их недостатки.
   Причина – потрясающий дефицит ТОЧНОСТИ. Для ракет «воздух-воздух» нужна точность измерений, раз в 100 выше существующей, для самолетов – в тысячи ÷ десятки тысяч, т.е. выше ПРЕЦИЗИОННЫХ измерений. Безнадега?..
  Инструмент сверхпрецизионной точности предлагает КИБЕРДАТИКА. Этот многоногий паук – измеритель на основе компьютера – имеет столько измерительных входов, сколько параметров в объекте измерений.
  Нормы точности зависят от назначения решения: когда МОЖНО СЧИТАТЬ, что параметр из метрологически неопределенного распределения стал постоянной величиной, детерминированной величиной, константой, его плотность вероятности – δ - функцией, а функция распределения – единичным скачком. Все это – абстракции. Реально детерминированных величин нет, а функция распределения всегда полога.
  Тем не менее, по-видимому, все аспекты СППР, НЕ основанные на измерениях, переводятся в измерительные задачи при качественном представлении параметров в категориях «больше – меньше», «хорошо – плохо» и т.д. Например, 10 таких параметров, как ожидается, дадут точность не хуже 0.1 %. Полная киберданизация измерений!
  В расчетах только параметры в виде δ – функции позволяют преодолеть проклятие размерности при ЛЮБОЙ, вероятностной и/или функциональной, взаимозависимости между параметрами.
  Так что факт, что ЕС профинансировал разработку МЕТРОЛОГИЧЕСКИХ моделей в медицине за 2 млн. евро, не говорит об информированности заказчиков. Их обучение зависит от нас с Вами. Постараемся – и эти миллионы посыплются на кибердатику, не на меня, но на Вас.
  С уважением, Крохин

Прокопчук Юрий, ИТМ НАНУ и НКАУ, Днепропетровск	719
Уважаемый коллега, помнится год назад мы уже обсуждали подобный вопрос.. Как и в том году мне не очень понятна суть проблемы, которую Вы поднимаете. Точность должна быть такая какая нужна! Далеко не всегда нужна высокая точность. Более того убежден, что в подавляющем большинстве задач не нужна та точность, которая используется!!! Метод предельных обобщений, который я разработал, как раз и помогает избавиться от ЛИШНЕЙ точности! Главная проблема в том, что мы не знаем КАКИЕ данные нужны для решения сложной проблемы (с самолетом, человеком и т.д.)!!! Думаю, во многих случаях измеряемые параметры - это совсем не ТЕ параметры, которые нужны для действительного ответа (поэтому точность тут ни причем!!!). НЕ ЗНАЕМ мы параметры порядка сложных проблем (не знаем, что измерять)!!! Синергетика дает все ответы на вопрос о том, что измерять!


Ян Крохин, КПИ-53		786
Юрий Александрович! Ответ – на сайте krokhin.in.ua С уважением, Крохин