Задача ситуационного анализа, как задача оценки вероятности реализации определенных ситуаций/состояний объекта исследования в прошлом, настоящем и будущем, является одной из ключевых задач аналитики во многих областях.
И всегда стоит вопрос о том, как решить эту задачу максимально качественно, но при этом в рамках имеющихся конкретных ограничений на время, информацию, компетенции и т.д.. Чтобы, с одной стороны, результатом были не просто разглагольствования записных экспертов в режиме "кто ловчее скажет", а именно что-то такое, что дает больше результатов, чем берет исходных данных, а с другой – чтобы это было «подъемно» теми силами и средствами, которые имеются в наличии, и при этом еще требуется, чтобы результат был бы прозрачен, и можно было быть уверенным, что никто не манипулирует целенаправленно лицом, принимающим решение.
Ключевым подходом для решения задач ситуационного анализа является модельное исследование. В своей основе модельное исследование - достаточно простая для понимания технология: собираем данные, формируем модель, проводим над моделью эксперименты на основе собранных данных, анализируем результаты, формируем выводы.
Модельное исследование является универсальным и эффективным подходом, и вопрос только в том, какую модель взять за основу для реализации такого подхода.
Вариантов типов моделей, используемых для исследования динамики сложной обстановки разработано сегодня великое множество. Начиная от относительно простых - условно когнитивных, до максимально детальных и сложных, базирующихся на технологиях самообучающихся в конфликтах интеллектуальных агентов - коэволюционные модели на базе технологий ИИ.
Однако, среди всех подходов, которые используются для модельного описания какой-то сложной обстановки, особое место по совокупности требований, описанных выше, занимает "вероятностный автомат".
Основа этой технологии моделирования достаточно проста: формируем базу ситуаций (или состояний - тут вопрос только интерпретации), формируем базу действий, которыми можно перейти от одной ситуации, к другой. При этом действия содержат, в том числе, описания вероятности переходов. То есть, если в ситуации А совершим действие А1, то с вероятностью 0.8 перейдем к ситуации Б, а с вероятностью 0.2 перейдем к ситуации В. В более продвинутых реализациях мы еще и описываем логику расчета этих вероятностей на основе внешних и внутренних факторов объекта исследования.
Таким образом мы увязываем ситуации с действиями и получаем своего рода схему. Эта схема и есть, так называемый, - "вероятностный автомат". Причем, вариантов деталей его реализации достаточно много. Например, для решения некоторых задач моделирования динамики, например конфликтов, нами активно используется система взаимозависимых вероятностных автоматов. Это позволяет описывать сложные ситуации достаточно компактно, понятно и получать именно тот эффект, который я обозначил выше: ввел мало - получил много.
Схема абстрактного вероятностного автомата приведена на иллюстрации ниже.
На приведенной иллюстрации показаны два вероятностных автомата - А и Б. Узлы каждого из них - состояния объекта исследования или ситуации (в зависимости от решаемой задачи). Серыми дугами обозначены возможные действия. Красные дуги означают взаимные блокировки. Если автомат находится в определенном состоянии (выделено желтым), тогда он блокирует некоторые действия других автоматов.
Когда модель сформирована, добавляем к ней "надстройку" для вычисления маркеров ситуаций. Для этого к дугам и узлам добавляем описание степени актуализации значений характеристик объектов, доступных для наблюдения в действительности. Например, если объект исследования находится в определенном состоянии, то определенное значение какого-то другого объекта (который доступен для непосредственного наблюдения) будет, например увеличиваться или стремиться определенной величине.
Это необходимо для того, чтобы понять - какие маркеры в реальном мире могут нам подтвердить или опровергнуть гипотезы о реализации, например, сторонами конфликта той или иной стратегии. Или даже адекватность сформированной нами модели.
Причем, тут возможны различные подходы, и эффективность каждого из них зависит и от специфики предметной области, и от специфики конкретной решаемой задачи, и даже от компетенций персонала, а также, безусловно, от доступности той или иной информации.
Но в целом добротным и в какой-то мере универсальным решением является решение, базирующееся на технологиях выявления (не распознавания) устойчивых темпоральных образов. При этом задача решается интерактивно. Пользователь формирует модель интерпретации (анализа и синтеза) ситуационных значений прикладных характеристик узлов и дуг вероятностного автомата, а автоматическая система по данным модельных прогонов выявляет наиболее устойчивые образы и представляет их пользователю. Пользователь анализирует эти образы - соотносит их с реальностью, и по мере необходимости добавляет в узлы и дуги дополнительные характеристики, корректирует логику системы анализа.
Получив таким образом спектр наиболее вероятных ситуаций, сопутствующих исследуемой, пользователь получает основу для выбора эффективной системы внешних и внутренних (по отношению к исследуемой ситуации/объекту и т.п.) маркеров, чтобы, наблюдая за ними, корректировать своё представление об объекте исследования/управления.
Технология достаточно проста в освоении персоналом, не требует очень детального (как, например, при использовании технологии интеллектуальных агентов) описания обстановки, участников, их целей, ограничений, стереотипов и т.д. и т.п.. Описанная технология может применяться для относительно оперативного решения задач ситуационного анализа и синтеза соответствующих управленческих решений. Причем, с помощью этой технологии можно решать как достаточно сложные задачи, так и относительно простые, не увеличивая их сложность существенно.
Важнейшим свойством этой технологии является ее контролируемость. Модель, созданную одним специалистом, достаточно легко может проверить другой специалист, а при относительно небольшом навыке и потребитель результатов модельных исследований ситуации/обстановки.
И самое важное – модели, формируемые на базе взаимозависимых вероятностных автоматов, обладают некоторыми технологическими свойствами - такими, которые позволяют надстраивать над ними системы автоматической проверки адекватности конкретных прикладных моделей, что сводит к незначительному минимуму риски того что с помощью этих моделей будут осуществляться даже попытки целенаправленных и злоумышленных манипуляций лицом, принимающим решения.
Особый интерес представляют самообучаемые взаимозависимые вероятностные автоматы. Они просто незаменимы при прогнозировании развития конфликтов, но это уже намного более сложная технология и сама по себе, и в использовании. Однако результатом ее применения является, в том числе и стратегия, как система правил принятия решений в определенных ситуациях. Такой эффект достигается за счет использования гибридных экспертных системы - таких систем, в которых объединяются экспертные знания и механизмы самообучения.