Досвід показує, що дуже часто аналітиками в узагальненому розумінні і керівниками ставали і стають спеціалісти, які по незалежним від них причинам у ВНЗ не вивчали у достатньому об'ємі основи ЛОГІКИ, яка є автономною складовою ФІЛОСОФІЇ. Викладання ЛОГІКИ і її основних умовиводів часто було відсутнім у викладанні ФІЛОСОФІЇ у технічних ВНЗ та ВВНЗ.
Але ЛОГІКА є важливою основою ІНФОРМАЦІЙНО-АНАЛІТИЧНОЇ РОБОТИ/ДІЯЛЬНОСТІ для підтримки прийняття рішень (decision support) і для її автоматизації. Тому УМОВИВОДИ ЛОГІКИ розглянуті провідними світовими і радянськими вченими (Поспелов Д. А., ін.) у галузі ARTIFICIAL INTELLIGENCE, в автоматизації інформаційної аналітичної роботи.
Тому при розробці Інструкції до Автоматизованої інформаційної системи аналітика (АІСА) мною запропоновано, розроблено і вбудовано до неї короткі тематичні відомості про основні умовиводи логіки. Цей витяг з Інструкції також наданий у 2007 році начальнику кафедри гуманітарних дисциплін Житомирського військового інституту для викладання основ ЛОГІКИ курсантам і студентам ЖВІ, у визначеній на кафедрі формі. Адже у майбутньому багато курсантів і студентів стають аналітиками чи споживачами аналітичної продукції, розробниками чи адміністраторами інформаційних систем як мінімум локального рівня.
До числа основних форм умовиводу у сучасній логіці відносяться: дедуктивні умовиводи; недедуктивні умовиводи (індукція, статистичні умовиводи, аналогія, моделювання). Важливою формою умовиводу стала аргументація. Ці форми умовиводу необхідно враховувати під час створення бази даних/знань та при використанні АІСА (АС ПІАР) для підтримки рішень керівників.
ДЕДУКЦІЯ – умовивід, у якому здійснюється перехід від загального до менш загального, часткового, одиничного.
ІНДУКЦІЯ – умовивід, у якому з одиничних або часткових суджень виводиться загальне судження.
Повна індукція – висновок про весь клас предметів робиться на основі засновків, які охоплюють усі без винятку предмети цього класу.
Неповна індукція – висновок про весь клас предметів робиться на основі засновків, які охоплюють лише частину предметів цього класу.
Індукція через простий перелік (популярна індукція) – висновок про клас предметів робиться лише на фактах, які здобуті на основі частини випадково спостережуваних предметів цього класу.
Індукція через відбір фактів – висновок про клас предметів робиться на фактах, які здобуті на основі вивчення частини відібраних за певною системою предметів цього класу.
Наукова індукція - висновок про клас предметів робиться на основі знань необхідних ознак, властивостей або причинних зв’язків частини предметів цього класу.
СТАТИСТИЧНІ УМОВИВОДИ побудовою подібні до неповної наукової індукції, але тут використовують "генеральну сукупність" та "вибірку". Під генеральною сукупністю розуміють число об’єктів, на яке мають бути поширені ознаки, які вивчені на меншому числі її об’єктів (вибірці). Якщо обсяг вибірки встановлено вірно, то вибірка є репрезентативною. Отже, статистичний умовивід використовує відносно невелику репрезентативну вибірку, що її ознаки з високим ступенем імовірності і за певної корекції можна перенести і на генеральну сукупність. Міркування може йти як від репрезентативної вибірки до генеральної сукупності (подібно до індукції), так і від генеральної сукупності до вибірки (подібно до дедукції). При побудові статистичних висновків не просто констатується, що висновок є можливим, як в індукції, а й визначається у відсотках ступінь імовірності висновку на основі дослідження вибірки. Є небезпека помилки з визначенням вірних властивостей генеральної сукупності на основі дослідження невеликої репрезентативної вибірки.
АНАЛОГІЯ - форма недедуктивного умовиводу, в якому з того, що два з досліджуваних предметів схожі між собою у декількох ознаках, робиться висновок, що можливо ці ж предмети схожі й у інших ознаках. За своєю природою аналогія є перенесенням інформації з одного предмета (моделі) на інший (прототип). Ця характерна риса умовиводу за аналогією відрізняє його від дедукції й індукції. У висновку за аналогією може йтись про предмет зовсім іншого класу від того, до який належить предмет, про який йдеться у засновках.
Форма умовиводу, яка позначена як АРГУМЕНТАЦІЯ (ймовірно, вперше запропонована Сократом) реалізована для систем управління знаннями у парадигмі ЗНАННЯ+АРГУМЕНТАЦІЯ. Це одна з основних форм умовиводу, яка підтримується АІСА (АС ПІАР КІАЦ). Її суть в тому, що аналітик висуває гіпотезу, після чого за допомогою багатокритеріальних запитів та сортування (кластеризації, групування) елементів даних\знань знаходить у базі знань всі аргументи (необхідні набори елементів знань про зареєстровані інформаційні ресурси (ЗІР), які підтверджують чи спростовують висунуту ним гіпотезу. Небезпека: у разі великої бази знань можна продукувати аргументовану дезінформацію, особливо для слабо підготовлених споживачів.
У ролі елементів аргументації можуть виступати основні відомі узагальнені елементи знань, які склали модель знань АВ+ВПП+РР: АТРИБУТИ, ВИКЛАДАННЯ, ВИСНОВКИ, ПРОГНОЗИ, ПРОПОЗИЦІЇ, РІШЕННЯ, РЕЗУЛЬТАТИ. На основі відібраного фрагменту конкретного змісту обраних елементів знань з множини АВ+ВПП+РР, фахівець формує відповідне фрагментарне знання, яке підтверджує чи спростовує висунуту для перевірки гіпотезу. При цьому, умови багатокритеріального пошуку й відбору елементів знань можуть бути збережені у базі запитів та використовуватися у подальшому для повторного аналізу елементів бази знань, після її оновлення описами нових ЗІР. У цьому разі, результати аргументації можуть дати інший результат.
Процес аргументації у даному випадку можливо розглядати як однокрокове індуктивне виведення (умовивід від часткового – до загального) на позитивних та негативних прикладах (аргументи які підтверджують гіпотезу користувача – позитивні приклади, а аргументи, які її спростовують – негативні приклади).
У різних підручниках по логіці ці типи аргументів можуть позначатися дещо по іншому, але суть їх така сама. У цьому випадку, «часткове» - це описи ЗІР, а «загальне» - це назване та збережене багатокритеріальне правило (запит), яке сформоване за результатами відбору часткових аргументів (набори елементів знань про ЗІР).
Збережене правило відбору елементів знань можливо також використовувати для автоматизованої підтримки однокрокового дедуктивного виведення (умовивід від загального – до часткового).
У цьому випадку «загальне» - це назва правила відбору, а «часткове» – відібрані аргументи (набори елементів знань про ЗІР).
Більш складні форми дедуктивного виведення забезпечують спеціалізовані дедуктивні системи управління базами даних (у цій версії АІСА не використовуються), проте вони не забезпечують обробку великої кількості ЗІР, кількість яких безперервно збільшується.
АРГУМЕНТОВАНЕ ВИВЕДЕННЯ - такий умовивід можливо запропонувати, як розширення умовиводу АРГУМЕНТАЦІЯ. У цьому випадку, на першому етапі дослідження елементів знань про ЗІР, вони нумеруються згідно відношення до етапів розвитку відображеного у ЗІР досліджуваного процесу. Число-лінгвістична оцінка (нумерація та назва) етапів процесу може здійснюватися за допомогою призначеного для задоволення евристичних потреб користувача елемента моделі знань. Після накопичення достатньо великого розміру бази знань щодо етапів розвитку досліджених процесів, їх можливо використовувати для знаходження аналогій з ознаками нових подібних процесів, що підлягають дослідженню аналітиком.
Для знаходження аналогій можливо здійснити багатокритеріальний відбір елементів знань задокументованого процесу, здійснити їх кластеризацію, групування, виявлення одночасних подій-фактів, виявлення часової послідовності подій-фактів, виявлення узагальнених тенденцій і аномальних відхилень, ін. у стилі Knowledge Discovery & Data Mining - за зростанням номерів етапів процесу, за часом реєстрації, тощо. У цьому разі аргументи, які свідчать про розвиток вже відомого процесу, будуть класифіковані за зростанням номерів етапів процесу чи їх дат, тощо. Це варто робити також у стилі OLAP-операцій (consolidation (roll-up), drill-down, and slicing and dicing). При цьому доцільно використовувати спеціальні Dashboards та Balanced Scorecard.
Аналіз розвитку ймовірних ознак нового процесу забезпечує можливість визначення етапів його розвитку шляхом порівняння із встановленими етапами вже відомого процесу чи процесів. АРГУМЕНТАМИ у цьому випадку будуть елементи знань про окремі ЗІР, які характеризують етапи розвитку досліджуваного процесу.
Необхідність зазначити, що багато вчених у галузі штучного інтелекту вважають спроможність знаходити складні аналогії між подіями, процесами, об’єктами, головною відмінною аналітичною функцією, яка відрізняє людину від обчислювальної машини. Тому АІСА не виконує цю функцію, а як правило, підтримує процес умовиводів людиною за допомогою автоматизованого аналізу елементів моделі знань АВ+ВПП+РР та пристосованих для цієї роботи інтерфейсів користувача.
Запропоноване АРГУМЕНТОВАНЕ ВИВЕДЕННЯ можливо розглядати як доповнення до описаних у логіці таких умовиводів як ДОСТОВІРНЕ ЛОГІЧНЕ ВИВЕДЕННЯ (перехід від одного етапу виведення до іншого є цілком достовірним) та ПРАВДОПОДІБНЕ ЛОГІЧНЕ ВИВЕДЕННЯ (перехід від одного етапу виведення до іншого є правдоподібним (ймовірним) з більшою чи меншою мірою впевненості). Парадигма ЗНАННЯ+ЛОГІЧНЕ ВИВЕДЕННЯ у даній версії АСПІАР КІАЦ не використовується, тому що приводить до ускладнення моделі знань, алгоритмічного і програмного забезпечення, проте не надає очевидних переваг перед парадигмою ЗНАННЯ+АРГУМЕНТАЦІЯ чи ЗНАННЯ+АРГУМЕНТОВАНЕ ВИВЕДЕННЯ. Проте, модель знань АВ+ВПП+РР можливо адаптувати для реалізації кількакрокового логічного виведення. Багато провідних вчених вважає, що парадигма ЗНАННЯ+АРГУМЕНТАЦІЯ є більш сучасною для побудови систем управління знаннями ніж парадигма ЗНАННЯ + ЛОГІЧНЕ ВИВЕДЕННЯ, та такою, що є більш наближеною до логіки людського мислення та прийняття рішень.
Наступним етапом розвитку парадигми ЗНАННЯ+АРГУМЕНТАЦІЯ провідні вчені у галузі штучного інтелекту Радянського Союзу Поспелов Г.С та Поспелов Д.А. вважали парадигму АРГУМЕНТАЦІЯ+ВИПРАВДАННЯ. Підтримка в АІСА парадигми АРГУМЕНТАЦІЯ+ВИПРАВДАННЯ забезпечується як часткова форма парадигми ЗНАННЯ+АРГУМЕНТАЦІЯ, яку можливо визначити як АРГУМЕНТАЦІЯ НА НЕПОВНИХ ПРИКЛАДАХ (або АРГУМЕНТАЦІЯ ЧЕРЕЗ ВІДБІР ФАКТІВ, тільки позитивних чи тільки НЕГАТИВНИХ). У цьому випадку, користувач може підібрати у базі знань саме ті елементи знань, які виправдовують висунуту ним гіпотезу, якою можуть бути ВИКЛАДАННЯ, ВИСНОВКИ, ПРОГНОЗИ, ПРОПОЗИЦІЇ, РІШЕННЯ, РЕЗУЛЬТАТИ. При достатньо великому розмірі бази знань АВ+ВПП+РР, в ній може бути накопичена значна кількість аргументів (описів ЗІР), які спростовують чи підтверджують альтернативні (протилежні) гіпотези користувача.
У цьому випадку, навмисне або ненавмисне використання для аргументації гіпотези лише НЕПОВНИХ ПРИКЛАДІВ може привести до необ’єктивної аргументації.
Умовивід на основі навмисної АРГУМЕНТАЦІЇ НА НЕПОВНИХ ПРИКЛАДАХ може бути використаний для реалізації фальсифікованої аргументації. При відборі великої кількості НЕПОВНИХ (ПОЗИТИВНИХ) прикладів, їх загальна вага може перевищити загальну вагу значно меншої кількості окремо більш вагомих НЕПОВНИХ (НЕГАТИВНИХ) прикладів, що можливо використати для реалізації дискредитації альтернативних аргументів («кількість» проти «якості»).
На основі останніх двох форм умовиводу може бути розроблена часткова парадигма побудови систем управління знаннями спеціального призначення ЗНАННЯ+АРГУМЕНТАЦІЯ НА НЕПОВНИХ ПРИКЛАДАХ. Перераховані можливості розширюють сферу застосування аналітичних функцій АІСА для АЦ різного призначення.
АІСА також забезпечує підтримку таких необхідних видів пошуку у системах управління знаннями, як ПОШУК В ГЛИБИНУ та ПОШУК В ШИРИНУ. Ці види пошуку забезпечуються шляхом застосування необхідної послідовності багатокритеріального відбору та сортування (кластеризації, групування) елементів знань. Для прикладу, можливо почати пошук по всім країнам, поступово звужуючи його до однієї країни - ПОШУК В ГЛИБИНУ, або почати пошук по одній країні, послідовно розширюючи його й по іншим країнам - ПОШУК в ширину.
Ще однією важливою парадигмою побудови систем управління знаннями, яка була найпершою, вважають парадигму ЗНАННЯ+ЕВРИСТИКИ. Парадигма побудована на тому, що евристичне маніпулювання знаннями може привести до шуканого результату. Не дивлячись на примітивність цього виду умовиводу, він у багатьох випадках приносить значну користь, адже базується у тому числі й на інтуїції аналітика, яка має велике значення в інформаційно-аналітичній роботі.
Особливо корисною може бути цей умовивід під час аналізу процесів, які прийнято називати процесами, що «не піддаються законам логіки» (найчастіше в цих процесах «є логіка», проте вона прихована або неявно виражена).
Такі процеси особливо характерні для сфери інформаційно-аналітичної роботи, для якої безпосередньо призначена АІСА. Очевидно, що наявність базових елементів моделі знань АВ+ВПП+РР значно підвищує ефективність використання форми умовиводу «ЗНАННЯ+ЕВРИСТИКИ».
Необхідно зазначити, що перераховані парадигми побудови систем управління знаннями, засновані на формах умовиводу логіки, не замінюють, а доповнюють одна одну і разом утворюють систему ефективних методів аналітика АЦ для інформаційно-аналітичної обробки наявних інформаційних ресурсів за допомогою АІСА. Ця система може бути доповнена й іншими методами.
Інформаційно-пошукові та інформаційно-аналітичні функції АІСА стосовно структурованого аналізу елементів знань про наявні інформаційні ресурси на АЦ по своїй сукупності перевищують аналогічні функції таких систем управління наявними інформаційними ресурсами як: Провідник (Total Commander, Far, ін.) операційної системи Windows; інформаційно-пошукові засоби для Інтернету; інформаційно-пошукові засоби для автоматизованих інформаційних бібліотечних систем, Національного реєстру інформаційних ресурсів, наукових фахових видань, воєнно-технічної інформації; діючої інформаційно-довідкової системи АЦ, ін.
Вказана система умовиводів логіки є важливою методологічною основою для вірної побудови баз даних та знань і високоавтоматизованих hi-tech аналітичних методів їх обробки на основі системи Business Intelligence+KMS (Knowledge Management System), яка складається з підсистем Data Warehouse/Data Marts, OLAP, Data Mining, Expert system (bot), Visual Mining, Dashboards, KPI (Key Performance Indicator), Scorecard, Text Mining, Opinion Mining, Sentimetial Analysis, ін.
На основі визначених тут умовиводів логіки будують комплекси hi-tech систем підтримки рішень (інформаційно-аналітичної роботи чи діяльності) і управління: DSS BI (DSS BI 2.0, DSS BI 3.0/Cloud Computing), ES BI, Spatial DSS BI, Social Media DSS BI, Social Media Spatial DSS BI, Hosting DSS BI, Web Site DSS BI, Network Ergatic organizm (NEO), BI NEO, NEO BI, Smart house, Smart town, Network-centric system, Network-centric war. Вони є основою цифровізації країни чи цифровізації у будь-якій частковій сфері.
Тому при розробці Інструкції до Автоматизованої інформаційної системи аналітика (АІСА) мною запропоновано, розроблено і вбудовано до неї короткі тематичні відомості про основні умовиводи логіки. Цей витяг з Інструкції також наданий у 2007 році начальнику кафедри гуманітарних дисциплін Житомирського військового інституту для викладання основ ЛОГІКИ курсантам і студентам ЖВІ, у визначеній на кафедрі формі. Адже у майбутньому багато курсантів і студентів стають аналітиками чи споживачами аналітичної продукції, розробниками чи адміністраторами інформаційних систем як мінімум локального рівня.
 |
| Скульптура Родена - Мислитель |
Далі подано витяг з документації до АІСА (репліка-2008: АС ПІАР КІАЦ - Автоматизована Система Підтримки Інформаційно-Аналітичної Роботи Корпоративного Інформаційно-Аналітичного Центра).
Наведені короткі відомості про умовиводи логіки в АІСА (АСПІАР КІАЦ) є основою для більш глибокого розгляду основних положень ЛОГІКИ користувачами автоматизованих інформаційно-аналітичних систем, які також з 2007 року мають функції мережевого чи локального автоматизованого управління різних типів людьми, програмами, апаратними (механізованими) пристроями.
Використання умовиводів логіки для hi-tech автоматизації інформаційно-аналітичної роботи
ДЕДУКЦІЯ – умовивід, у якому здійснюється перехід від загального до менш загального, часткового, одиничного.
ІНДУКЦІЯ – умовивід, у якому з одиничних або часткових суджень виводиться загальне судження.
Повна індукція – висновок про весь клас предметів робиться на основі засновків, які охоплюють усі без винятку предмети цього класу.
Неповна індукція – висновок про весь клас предметів робиться на основі засновків, які охоплюють лише частину предметів цього класу.
Індукція через простий перелік (популярна індукція) – висновок про клас предметів робиться лише на фактах, які здобуті на основі частини випадково спостережуваних предметів цього класу.
Індукція через відбір фактів – висновок про клас предметів робиться на фактах, які здобуті на основі вивчення частини відібраних за певною системою предметів цього класу.
Наукова індукція - висновок про клас предметів робиться на основі знань необхідних ознак, властивостей або причинних зв’язків частини предметів цього класу.
СТАТИСТИЧНІ УМОВИВОДИ побудовою подібні до неповної наукової індукції, але тут використовують "генеральну сукупність" та "вибірку". Під генеральною сукупністю розуміють число об’єктів, на яке мають бути поширені ознаки, які вивчені на меншому числі її об’єктів (вибірці). Якщо обсяг вибірки встановлено вірно, то вибірка є репрезентативною. Отже, статистичний умовивід використовує відносно невелику репрезентативну вибірку, що її ознаки з високим ступенем імовірності і за певної корекції можна перенести і на генеральну сукупність. Міркування може йти як від репрезентативної вибірки до генеральної сукупності (подібно до індукції), так і від генеральної сукупності до вибірки (подібно до дедукції). При побудові статистичних висновків не просто констатується, що висновок є можливим, як в індукції, а й визначається у відсотках ступінь імовірності висновку на основі дослідження вибірки. Є небезпека помилки з визначенням вірних властивостей генеральної сукупності на основі дослідження невеликої репрезентативної вибірки.
АНАЛОГІЯ - форма недедуктивного умовиводу, в якому з того, що два з досліджуваних предметів схожі між собою у декількох ознаках, робиться висновок, що можливо ці ж предмети схожі й у інших ознаках. За своєю природою аналогія є перенесенням інформації з одного предмета (моделі) на інший (прототип). Ця характерна риса умовиводу за аналогією відрізняє його від дедукції й індукції. У висновку за аналогією може йтись про предмет зовсім іншого класу від того, до який належить предмет, про який йдеться у засновках.
За ступенем схожості предметів аналогії поділяються на строгі (наукові) аналогії і нестрогі аналогії. Частковою формою виведення за аналогією є традуктивне виведення (з часткого - часткове).
Здатність вірно помічати і використовувати аналогії з однієї сфери на іншу високо цінується у філософії та у інших сферах теорії і практики, - це важлива основа інсайтів.
Форма умовиводу, яка позначена як АРГУМЕНТАЦІЯ (ймовірно, вперше запропонована Сократом) реалізована для систем управління знаннями у парадигмі ЗНАННЯ+АРГУМЕНТАЦІЯ. Це одна з основних форм умовиводу, яка підтримується АІСА (АС ПІАР КІАЦ). Її суть в тому, що аналітик висуває гіпотезу, після чого за допомогою багатокритеріальних запитів та сортування (кластеризації, групування) елементів даних\знань знаходить у базі знань всі аргументи (необхідні набори елементів знань про зареєстровані інформаційні ресурси (ЗІР), які підтверджують чи спростовують висунуту ним гіпотезу. Небезпека: у разі великої бази знань можна продукувати аргументовану дезінформацію, особливо для слабо підготовлених споживачів.
У ролі елементів аргументації можуть виступати основні відомі узагальнені елементи знань, які склали модель знань АВ+ВПП+РР: АТРИБУТИ, ВИКЛАДАННЯ, ВИСНОВКИ, ПРОГНОЗИ, ПРОПОЗИЦІЇ, РІШЕННЯ, РЕЗУЛЬТАТИ. На основі відібраного фрагменту конкретного змісту обраних елементів знань з множини АВ+ВПП+РР, фахівець формує відповідне фрагментарне знання, яке підтверджує чи спростовує висунуту для перевірки гіпотезу. При цьому, умови багатокритеріального пошуку й відбору елементів знань можуть бути збережені у базі запитів та використовуватися у подальшому для повторного аналізу елементів бази знань, після її оновлення описами нових ЗІР. У цьому разі, результати аргументації можуть дати інший результат.
Процес аргументації у даному випадку можливо розглядати як однокрокове індуктивне виведення (умовивід від часткового – до загального) на позитивних та негативних прикладах (аргументи які підтверджують гіпотезу користувача – позитивні приклади, а аргументи, які її спростовують – негативні приклади).
У різних підручниках по логіці ці типи аргументів можуть позначатися дещо по іншому, але суть їх така сама. У цьому випадку, «часткове» - це описи ЗІР, а «загальне» - це назване та збережене багатокритеріальне правило (запит), яке сформоване за результатами відбору часткових аргументів (набори елементів знань про ЗІР).
Збережене правило відбору елементів знань можливо також використовувати для автоматизованої підтримки однокрокового дедуктивного виведення (умовивід від загального – до часткового).
У цьому випадку «загальне» - це назва правила відбору, а «часткове» – відібрані аргументи (набори елементів знань про ЗІР).
У деяких випадках, кількакрокове дедуктивне виведення також можливо звести до однокрокового – шляхом додавання нових умов відбору й сортування (кластеризації, групування, виявлення одночасних подій-фактів, виявлення часової послідовності подій-фактів, виявлення узагальнених тенденцій і аномальних відхилень,ін.) до уже створеного правила.
Більш складні форми дедуктивного виведення забезпечують спеціалізовані дедуктивні системи управління базами даних (у цій версії АІСА не використовуються), проте вони не забезпечують обробку великої кількості ЗІР, кількість яких безперервно збільшується.
АРГУМЕНТОВАНЕ ВИВЕДЕННЯ - такий умовивід можливо запропонувати, як розширення умовиводу АРГУМЕНТАЦІЯ. У цьому випадку, на першому етапі дослідження елементів знань про ЗІР, вони нумеруються згідно відношення до етапів розвитку відображеного у ЗІР досліджуваного процесу. Число-лінгвістична оцінка (нумерація та назва) етапів процесу може здійснюватися за допомогою призначеного для задоволення евристичних потреб користувача елемента моделі знань. Після накопичення достатньо великого розміру бази знань щодо етапів розвитку досліджених процесів, їх можливо використовувати для знаходження аналогій з ознаками нових подібних процесів, що підлягають дослідженню аналітиком.
Для знаходження аналогій можливо здійснити багатокритеріальний відбір елементів знань задокументованого процесу, здійснити їх кластеризацію, групування, виявлення одночасних подій-фактів, виявлення часової послідовності подій-фактів, виявлення узагальнених тенденцій і аномальних відхилень, ін. у стилі Knowledge Discovery & Data Mining - за зростанням номерів етапів процесу, за часом реєстрації, тощо. У цьому разі аргументи, які свідчать про розвиток вже відомого процесу, будуть класифіковані за зростанням номерів етапів процесу чи їх дат, тощо. Це варто робити також у стилі OLAP-операцій (consolidation (roll-up), drill-down, and slicing and dicing). При цьому доцільно використовувати спеціальні Dashboards та Balanced Scorecard.
В АІСА (АС ПІАР КІАЦ) є приклади програмно реалізованих з тестовим наповненням спеціалізованих Dashboards "Сигналізатор "Римські гуси" ("Roman geese").
Ці інформаційні панелі дозволяють при формуванні корпоративної оцінки контролювати й врахувати у режимі real-time або у режимі on-line оцінки практично будь-якої кількості аналітиків і аналітичних центрів, - при цьому наочно видно узагальнені й індивідуальні оцінки і їх тренди, ін. Практично неможливо пропустити небезпечну ситуацію, навіть якщо про неї повідомляє 1 із 100 аналітиків або інформаторів чи апаратно-програмних датчиків. "Сигналізатор "Римські гуси" також підтримує показаний вище "статистичний умовивід" на основі репрезентативної (достатньої) вибірки. Сигналізатор названий по аналогії з історичним фактом про те, "як гуси спасли Рим", після чого виник термін "римські гуси".
Для прикладу, у сфері геополітичного моніторингу за допомогою використання великої кількості аналітиків і аналітичних центрів, використання сигналізатора "Римські гуси" практично унеможливлює неочікуваний початок війни.
Аналіз розвитку ймовірних ознак нового процесу забезпечує можливість визначення етапів його розвитку шляхом порівняння із встановленими етапами вже відомого процесу чи процесів. АРГУМЕНТАМИ у цьому випадку будуть елементи знань про окремі ЗІР, які характеризують етапи розвитку досліджуваного процесу.
Необхідність зазначити, що багато вчених у галузі штучного інтелекту вважають спроможність знаходити складні аналогії між подіями, процесами, об’єктами, головною відмінною аналітичною функцією, яка відрізняє людину від обчислювальної машини. Тому АІСА не виконує цю функцію, а як правило, підтримує процес умовиводів людиною за допомогою автоматизованого аналізу елементів моделі знань АВ+ВПП+РР та пристосованих для цієї роботи інтерфейсів користувача.
У деяких простих випадках АІСА (АСПІАР КІАЦ) може самостійно видавати результат умовиводу і на його основі видавати управляючий сигнал з підтвердження його виконання аналітиком чи без підтвердження, у тому числі приховано адміністратором від користувача. Головна різниця від традиційного автоматичного управління за допомогою простих програмних тригерів "алертів" (alerts) в АСПІАР КІАЦ полягає у можливості формування управляючих сигналів на основі більш складних за традиційні операцій Data Mining, OLAP. Це може реально виконуватися на практиці у версії АС ПІАР КІАЦ з 2007 року у стилі Мережевого Ергатичного Організму (NETWORK ERGATIC ORGANISM - NEO)
Запропоноване АРГУМЕНТОВАНЕ ВИВЕДЕННЯ можливо розглядати як доповнення до описаних у логіці таких умовиводів як ДОСТОВІРНЕ ЛОГІЧНЕ ВИВЕДЕННЯ (перехід від одного етапу виведення до іншого є цілком достовірним) та ПРАВДОПОДІБНЕ ЛОГІЧНЕ ВИВЕДЕННЯ (перехід від одного етапу виведення до іншого є правдоподібним (ймовірним) з більшою чи меншою мірою впевненості). Парадигма ЗНАННЯ+ЛОГІЧНЕ ВИВЕДЕННЯ у даній версії АСПІАР КІАЦ не використовується, тому що приводить до ускладнення моделі знань, алгоритмічного і програмного забезпечення, проте не надає очевидних переваг перед парадигмою ЗНАННЯ+АРГУМЕНТАЦІЯ чи ЗНАННЯ+АРГУМЕНТОВАНЕ ВИВЕДЕННЯ. Проте, модель знань АВ+ВПП+РР можливо адаптувати для реалізації кількакрокового логічного виведення. Багато провідних вчених вважає, що парадигма ЗНАННЯ+АРГУМЕНТАЦІЯ є більш сучасною для побудови систем управління знаннями ніж парадигма ЗНАННЯ + ЛОГІЧНЕ ВИВЕДЕННЯ, та такою, що є більш наближеною до логіки людського мислення та прийняття рішень.
Наступним етапом розвитку парадигми ЗНАННЯ+АРГУМЕНТАЦІЯ провідні вчені у галузі штучного інтелекту Радянського Союзу Поспелов Г.С та Поспелов Д.А. вважали парадигму АРГУМЕНТАЦІЯ+ВИПРАВДАННЯ. Підтримка в АІСА парадигми АРГУМЕНТАЦІЯ+ВИПРАВДАННЯ забезпечується як часткова форма парадигми ЗНАННЯ+АРГУМЕНТАЦІЯ, яку можливо визначити як АРГУМЕНТАЦІЯ НА НЕПОВНИХ ПРИКЛАДАХ (або АРГУМЕНТАЦІЯ ЧЕРЕЗ ВІДБІР ФАКТІВ, тільки позитивних чи тільки НЕГАТИВНИХ). У цьому випадку, користувач може підібрати у базі знань саме ті елементи знань, які виправдовують висунуту ним гіпотезу, якою можуть бути ВИКЛАДАННЯ, ВИСНОВКИ, ПРОГНОЗИ, ПРОПОЗИЦІЇ, РІШЕННЯ, РЕЗУЛЬТАТИ. При достатньо великому розмірі бази знань АВ+ВПП+РР, в ній може бути накопичена значна кількість аргументів (описів ЗІР), які спростовують чи підтверджують альтернативні (протилежні) гіпотези користувача.
У цьому випадку, навмисне або ненавмисне використання для аргументації гіпотези лише НЕПОВНИХ ПРИКЛАДІВ може привести до необ’єктивної аргументації.
Умовивід на основі навмисної АРГУМЕНТАЦІЇ НА НЕПОВНИХ ПРИКЛАДАХ може бути використаний для реалізації фальсифікованої аргументації. При відборі великої кількості НЕПОВНИХ (ПОЗИТИВНИХ) прикладів, їх загальна вага може перевищити загальну вагу значно меншої кількості окремо більш вагомих НЕПОВНИХ (НЕГАТИВНИХ) прикладів, що можливо використати для реалізації дискредитації альтернативних аргументів («кількість» проти «якості»).
На основі останніх двох форм умовиводу може бути розроблена часткова парадигма побудови систем управління знаннями спеціального призначення ЗНАННЯ+АРГУМЕНТАЦІЯ НА НЕПОВНИХ ПРИКЛАДАХ. Перераховані можливості розширюють сферу застосування аналітичних функцій АІСА для АЦ різного призначення.
АІСА також забезпечує підтримку таких необхідних видів пошуку у системах управління знаннями, як ПОШУК В ГЛИБИНУ та ПОШУК В ШИРИНУ. Ці види пошуку забезпечуються шляхом застосування необхідної послідовності багатокритеріального відбору та сортування (кластеризації, групування) елементів знань. Для прикладу, можливо почати пошук по всім країнам, поступово звужуючи його до однієї країни - ПОШУК В ГЛИБИНУ, або почати пошук по одній країні, послідовно розширюючи його й по іншим країнам - ПОШУК в ширину.
Ще однією важливою парадигмою побудови систем управління знаннями, яка була найпершою, вважають парадигму ЗНАННЯ+ЕВРИСТИКИ. Парадигма побудована на тому, що евристичне маніпулювання знаннями може привести до шуканого результату. Не дивлячись на примітивність цього виду умовиводу, він у багатьох випадках приносить значну користь, адже базується у тому числі й на інтуїції аналітика, яка має велике значення в інформаційно-аналітичній роботі.
Особливо корисною може бути цей умовивід під час аналізу процесів, які прийнято називати процесами, що «не піддаються законам логіки» (найчастіше в цих процесах «є логіка», проте вона прихована або неявно виражена).
Такі процеси особливо характерні для сфери інформаційно-аналітичної роботи, для якої безпосередньо призначена АІСА. Очевидно, що наявність базових елементів моделі знань АВ+ВПП+РР значно підвищує ефективність використання форми умовиводу «ЗНАННЯ+ЕВРИСТИКИ».
Необхідно зазначити, що перераховані парадигми побудови систем управління знаннями, засновані на формах умовиводу логіки, не замінюють, а доповнюють одна одну і разом утворюють систему ефективних методів аналітика АЦ для інформаційно-аналітичної обробки наявних інформаційних ресурсів за допомогою АІСА. Ця система може бути доповнена й іншими методами.
Інформаційно-пошукові та інформаційно-аналітичні функції АІСА стосовно структурованого аналізу елементів знань про наявні інформаційні ресурси на АЦ по своїй сукупності перевищують аналогічні функції таких систем управління наявними інформаційними ресурсами як: Провідник (Total Commander, Far, ін.) операційної системи Windows; інформаційно-пошукові засоби для Інтернету; інформаційно-пошукові засоби для автоматизованих інформаційних бібліотечних систем, Національного реєстру інформаційних ресурсів, наукових фахових видань, воєнно-технічної інформації; діючої інформаційно-довідкової системи АЦ, ін.
ВИСНОВКИ
Вказана система умовиводів логіки є важливою методологічною основою для вірної побудови баз даних та знань і високоавтоматизованих hi-tech аналітичних методів їх обробки на основі системи Business Intelligence+KMS (Knowledge Management System), яка складається з підсистем Data Warehouse/Data Marts, OLAP, Data Mining, Expert system (bot), Visual Mining, Dashboards, KPI (Key Performance Indicator), Scorecard, Text Mining, Opinion Mining, Sentimetial Analysis, ін.
На основі визначених тут умовиводів логіки будують комплекси hi-tech систем підтримки рішень (інформаційно-аналітичної роботи чи діяльності) і управління: DSS BI (DSS BI 2.0, DSS BI 3.0/Cloud Computing), ES BI, Spatial DSS BI, Social Media DSS BI, Social Media Spatial DSS BI, Hosting DSS BI, Web Site DSS BI, Network Ergatic organizm (NEO), BI NEO, NEO BI, Smart house, Smart town, Network-centric system, Network-centric war. Вони є основою цифровізації країни чи цифровізації у будь-якій частковій сфері.
Розуміння показаних тут умовиводів логіки і рівень їх реалізації приводить до створення кращих чи гірших систем.
Читайте також більш нові публікації:
- І.А. Круковський Узагальнена архітектура системи підтримки прийняття рішень на основі Business Intelligence у розширеному тлумаченні
- І.А. Круковський, В.Л. Гаврилюк, Б.А. Хомів Проблемні питання використання і розвитку засобів Social Media Analytics, їх інтеграції з Business Intelligence та з елементами ГІС – на прикладі платформи SemanticForce/
- І.А. Круковський, Б.А. Хомів, В.Л. Гаврилюк Ієрархічно-синергетичне об'єднання Social Media Analytics/Social CRM з Business Intelligence і з географічною інформаційною системою/
- Круковський І.А. Дослідження шляхів об’єднання для організацій Social Media, Social Media Analytics/Social CRM/
- Круковський І.А. Удосконалені вимоги до реалізації OLAP у DSS для часткових проблемних областей інформаційно-аналітичної роботи.
- Б. М. Герасимов, І. А. Круковський. Методика вибору раціональної моделі подання знань для автоматизованої системи підтримки інформаційно-аналітичної роботи корпоративного інформаційно-аналітичного центру.
- Б. М. Герасимов, І. А. Круковський. Методика розробки моделі знань про наявні інформаційні ресурси на аналітичному центрі з використанням експертного морфологічного багатовимірного OLAP аналізу її елементів і властивостей.
- А.І. Валюх, І.А. Круковський, В.Л. Сімаков. Експертна система, узгоджена з Business Intelligence 2.0.
- Скорочений список авторських друкованих публікацій за тематикою Business Intelligence + KMS
Базові умовиводи логіки тут сформовані на основі інформації з підручників:
- Гладунський В. Н. Логіка : навч. посібник / В. Н. Гладунський. – 2-е вид. – Львів : Афіша, 2004. – 359 с.
- Тофтул М. Г. Логіка / М. Г. Тофтул. – К. : Академія, 1999. – 336 с.
Спеціалізовані умовиводи логіки для штучного інтелекту взяті з базових робіт в СРСР по штучному інтелекту:
- Поспелов Д. А. Моделирование рассуждений : опыт анализа мыслительных актов / Д. А. Поспелов. – М. : Радио и связь, 1989. – 184 с.
- Горелов И. Н. Разговор с компьютером : психолингвистический аспект проблемы (с послесловием Д. А. Поспелова) / И. Н. Горелов ; послесл. Д. А. Поспелова. – М. : Наука, 1987. – 256 с.
- Левитин К.Е. Будущее искусственного интеллекта : сб. / АН СССР; ред.-сост. : К.Е. Левитин, Д.А. Поспелов. – М. : Наука, 1991. – 302 с.
- Поспелов Г. С. Исследование по искусственному интеллекту в СССР / Г. С. Поспелов, Д. А. Поспелов // Кибернетику – на службу коммунизму : сб. ст. / под ред. акад. А. И. Берга. – М. : Энергия, 1978. – Т. 9 : Управление и информатизация. – С. 212-236.
- Поспелов Г. С. Системный анализ и искусственный интеллект для планирования и управления / Г. С. Поспелов // Кибернетика. Дела практические : сб. ст. – М. : Наука, 1984. – 176 с.
Коментарі