Аналитика аналитики

Аналитика в условиях высокой неопределенности, как задача, в той или иной мере есть практически везде. Кто-то её называет анализом косвенных разведпр+изнаков, кто-то расследованием и т.п., кто-то её называет научной деятельностью (что не очень правильно), а кто-то, кто связан с высочайшей неопределенностью и невозможностью экспериментально подтвердить или опровергнуть генерируемые теории (зачастую, вполне операционалистски состоятельные), называет это философствованием, что неправильно в корне. И, тем не менее, каждый из них по-своему где-то прав, поскольку все эти виды деятельности родственны, если рассматривать их через призму соответствующих оснований. А ключевым основанием всех этих перечисленных видов деятельности является следующее : решение задач получения новых знаний в условиях высокой неопределенности*. 

При этом в аналитике, как и в любой сфере, связанной с интеллектуальной деятельностью, существует собственный концепт "философского камня". Самым важным и вожделенным во всей этой области получения новых знаний является некоторый теоретически возможный инструмент ( в широком смысле этого слова), который позволил бы без особых (условно) затрат получать новые добротные и ценные знания в ситуации наивысшей неопределенности - лишь "на кончике пера". И речь, как мы понимаем, идет о таком интеллекте и о такой системе базовых знаний, которые могли бы обеспечить решение обозначенной выше задачи. Причем, раз сегодня такая задача актуальна, то неявным образом это означает, что на данный момент ни такого интеллекта, ни необходимых знаний не существует, или не существует чего-то одного из этого.

Если посмотреть на задачу аналитики в условиях высокой неопределенности из глубины самых базовых оснований, то становится очевидно, что для решения задач такой аналитики необходимо иметь следующие три составляющие:

1. Исходные знания об объекте исследования.

2. Данные.

3. Инструмент формирования новых знаний.

Исходные знания об объекте исследования. Без этих знаний - невозможно. Первая аксиома метрологии гласит: если мы не знаем что меряем, мы ничего измерить не можем! Так и здесь - чтобы получить знания об объекте, нужно о нем уже иметь какие-то знания. 

При этом самыми вожделенными знаниями являются знания о том, что определяет эволюцию объекта исследования - на основании каких законов объект "живет". Какова динамика одних его характеристик, как следствие динамики других. Это своего рода "динамический портрет" объекта исследования - его динамическая функциональная модель. И менее важными, но существенно чаще востребованными на практике (и это, как правило,  плохо, поскольку слишком упрощает представление об объекте исследования) являются знания о допустимом соотношении составляющих этого объекта и их соотношении с внешним миром. По сути это непротиворечивый/корректный, но лишь статичный "портрет" типового объекта. Или множество портретов. Или закон формирования непротиворечивого портрета на основании данных о некоторых элементах объекта. Это статическая функциональная модель. Таким образом, как правило, на практике мы стремимся иметь две модели: одна обеспечивает непротиворечивость портрета, а другая отражает его возможную динамику. Хотя такое разделение однозначно искусственно и преследует исключительно практическую цель:  "Разделяй и властвуй!". Так намного проще, чем иметь целостную и всеобъемлющую модель. При этом существенно упрощается задача эффективной структуризации знаний об объекте исследования. Хотя теряется системное видение. Но это вечная дилемма. И столько копий тут сломано ...

Данные. Тут всё интуитивно понятно. Это всё, что мы можем собрать и превратить в информацию, которую, в свою очередь, можем превратить в новые знания.

Инструмент формирования новых знаний. 

Прежде, чем говорить о том, каким образом формируются новые знания, следует определиться с тем, о каких знаниях идет речь, когда мы говорим о результате аналитики. О какого рода знаниях мы говорим ? Мы говорим о том, что в ходе решения аналитических задач мы стремимся узнать как функционирует объект исследования - стремимся понять как он устроен, в какой связи находятся его составляющие и т.д.? Или каков его генезис (происхождение) и какова его эволюция ? А может мы хотим узнать о его ключевых устойчивых состояниях и какие внутри его могут быть фазовые переходы и при каких условиях они наступают ? Всё это чрезвычайно интересно, и зачастую без этого невозможно решить сложные задачи в условиях высокой неопределенности, но это скорее задачи науки, чем аналитики. Какие же знания ищем мы, когда решаем задачу аналитики ? 

Мне кажется, что мы ищем знания, связанные с тем, насколько исследуемое похоже  на что-то другое. То есть - мы решаем задачу идентификации. Где идентификация - соотнесение чего-либо с эталонами. При этом идентификация, как результат отражает степень близости исследуемого и каждого из эталонов.

При этом мы активно используем декомпозицию, синтез и исследование эволюции непротиворечивых состояний. Методами декомпозиции мы стремимся наблюдаемое разделить на части так, чтобы их можно было исследовать по-отдельности. Методами синтеза/интеграции стремимся объединить части наблюдаемого в какой-то новый конструкт. А методы исследования эволюций непротиворечивых состояний пытаемся увидеть зависимые, а возможно взаимозависимые вероятные состояния исследуемого в разных условиях ( в том числе при изменении времени). И всё это для того, чтобы  привести исследуемое к одному или нескольким известным эталонам.

Для получения новых знаний об исследуемом используется интеллект, искусственный интеллект, методики, методологии, системы автоматизированного анализа, синтеза, специалисты, группы специалистов (как отдельные целостные сущности), система их организации и т.д. и т.п. То есть все, что участвует в преобразовании данных - в превращении их в знания. Хочется сказать, что "... в  том числе и знания о том, как получить новые знания в той или иной сфере", но это задачу науки, а здесь речь идет об аналитике.

Знания, данные и инструмент образуют условно константное триединство. Суть константности здесь в том, что для обеспечения добротности новых знаний, в случае дефицита данных, необходимо иметь больше изначальных знаний об объекте исследования. А если и знаний мало, и мало данных, тогда это необходимо компенсировать повышением эффективности инструмента формирования новых знаний. При этом полезно заметить, что развитие этой системы - это процесс повышения качества знаний при снижении объема необходимых данных, что обеспечивается за счет повышения качества исходных данных и за счет развития инструментов формирования новых знаний. Другими словами: чем совершеннее система анализа, тем меньше ей необходимо данных. Ну или иначе: чем совершеннее система анализа, тем большая неопределенность ей подвластна.

Но есть и другой тренд эволюции аналитических систем - динамически самообучаемые интерполяторы на больших данных. Это нейросетевые и подобные им технологии, которые самостоятельно в автоматическом режиме "нащупывают" закономерности (функциональные модели) в достаточно больших данных и на основе этого могут делать соответствующие прикладные расчеты. Однако, такие технологии эффективны в лишь условиях наличия больших объемов данных, поэтому как основные для решения задач в условиях большой неопределенности использоваться не могут, поскольку суть неопределенности как раз в том, что данных, знаний, информации нет или  существенно недостаточно. Поэтому такие технологии могут быть только вспомогательными по отдельным подзадачам.

А если идет речь об аналитике как задаче идентификации, тогда можно ли представить себе некоторый универсальный инструмент, который бы наиболее эффективно решал эту задачу?

Можно. Это тот инструмент, о котором на Катакомбе уже упоминалось не раз. Это про соотнесение формально описанного объекта с системой эталонов. Это про то, как использовать технологии искусственного интеллекта, чтобы изящно  "прыгать" между метрическими пространствами, содержащими системы из одних и тех же эталонов. Это про то, как на основании этих эталонов восстанавливать ненаблюдаемые характеристики исследуемого, а потом на их основе выполнять уже следующий уровень идентификации - диагностику. Где диагностика -это задача идентификации состояний.