О проблемах решения задач в условиях высокой неопределенности

Многими исследователями и разработчиками систем управления уже неоднократно отмечалось, что современное развитие систем поддержки принятия решений идет в настоящее время и будет идти далее всё более широким фронтом в направлении решения задач в условиях высокой неопределенности. Причины очевидны: относительно простые-подготовительные задачи уже практически все решены, а теперь наступает очередь сложных - главных задач. При этом темпы изменения обстановки возрастают, в связи с чем одни органы управления зачастую не в силах  решать задачи в рамках тех временных и ресурсных ограничений, в которые их ставит ситуация, соответственно, другим органам управления постоянно не хватает данных или имеющиеся данные некачественные; времени на полное выполнение всех регламентов не выделяется и т.д. Попытки решения задач анализа, прогноза и выработки решений условно стандартными методами в условиях нарастающего дефицита данных приводит в итоге к еще большей перегрузке системы, лишая ее ресурса для нормальной системной работы, разрушая ее институциональные основы. Это классика – попытки устранить проблемы неадекватными инструментами только множат эти проблемы, приводя зачастую к их лавинообразному росту, и это одна из основных причин гибели систем управления – нарушение сбалансированности гомеостатических контуров. Понимание опасности складывающейся в системах управления ситуации, как и понимание одной из основных причин этой ситуации – отсутствие эффективных инструментов (в широком смысле этого слова) решения задач в условиях высокой неопределенности вынуждают научное сообщество интенсивно искать методологии, методики, инструменты, регламенты такого решения задач, которые в противовес «утопии детерминированной математизации» прикладных областей, а также «утопии полной информированности» о конкретной ситуации позволили бы качественно, своевременно и в рамках имеющихся ресурсов решать значительную часть задач анализа, прогноза и выработки решений.

В этом документе кратко рассматривается один из, как мне кажется – инновационных, способов решения задач в условиях высокой неопределенности[1].

Для того, чтобы сразу «окунуться» в тематику, возьму один из ближайших к нам примеров: задачу прогнозирования необходимости в кадрах для некоторой корпорации, которую далее так и буду называть - Корпорация.

Корпорация работает в высокотехнологичной сфере производства, поэтому у нее, как и у всех организаций, работающих в этой сфере, кроме всего прочего, имеется “простая” и понятная задача: необходимо предсказать, какие и в каком объеме кадры в среднесрочной и долгосрочной перспективах потребуется готовить для опытно-конструкторских работ этой Корпорации в ВУЗах страны и во внутренней Академии самой Корпорации.

Кадровое обеспечение опытно-конструкторских работ характеризуются тем, что необходимо заблаговременно предугадать эволюцию научно-технического прогресса, потребности в новых изделиях, в новых технологиях их производства и многое другое, на основании чего необходимо превентивно (за 5-10 лет до актуализации потребности в них) начать процесс подготовки соответствующих кадров.

В связи с этим существует некоторый достаточно очевидный подход к прогнозированию потребности в кадрах, который можно назвать “академический”. Ключевая его характеристика - системность. При реализации этого подхода организуется процесс сбора всей необходимой информации, ее проверки, решаются все задачи, связанные с прогнозированием факторов, от которых зависит искомый результат, на основании чего уже с применением моделирования, инструментов анализа, прогноза и т.п., формируется сам результат, проводится проверка его корректности. Таким образом, решая задачу прогнозирования потребности в кадрах, в рамках этого подхода мы должны решить задачу прогнозирования векторов и динамики научно-технического прогресса, решить задачи прогнозирования поведения ключевых мировых игроков, решить задачу определения границ стратегии Корпорации, возможности её реализации по времени и по ресурсам, исходя из этого решить задачу оптимизации структуры и объема производства Корпорации, на основе чего решить задачу прогнозирования объема и структуры деятельности и, в итоге, решить задачу прогнозирования объема и структуры компетенций/квалификаций[2] (см. Приложение 2). При всей очевидности такого подхода у него есть несколько существенных недостатков – с одной стороны он неприемлемо громоздкий и трудозатратный. С другой стороны, для реализации такого подхода нужен корпус соответствующих специалистов, которых, скорее всего, ни в одной такой корпорации сегодня попросту нет[3].

Ситуация для нас - тех, кто одновременно выступают в роли методолога, методиста, разработчика инструментов и регламентов - не нова. Нас чаще всего ставят именно в такие жесткие условия, когда необходимо решить чрезвычайно сложную задачу, для решения которой на начальном этапе нет ни ресурсов, ни знаний, ни данных. Более того, в задаче прогнозирования потребности в кадрах проблема заключается еще и в том, что решение этой одной задачи приводит к необходимости решения не только заданной конкретной задачи, но и целой серии сопутствующих задач, каждая из которых сама по себе по своему масштабу и важности для жизни Корпорации, как правило, во много раз значительнее, чем исходная задача прогноза необходимости в кадрах - это задачи прогноза НТП, выработки стратегии Корпорации, разработки путей ее реализации и так далее. Ясно, что эти задачи должны решать отнюдь не «кадровики». Поэтому, решая поставленную задачу на базе принципов классического академического подхода, кто-то должен сначала заставить все соответствующие подразделения Корпорации решить свои задачи, причем, возможно, более детально и системно, чем они делали это ранее, а «кадровики» затем только тривиально просуммируют то, что получится в результате разработки их прогнозов и планов. Очевидно, что такой подход может быть ущербен еще и по «внутриполитическим» основаниям.

С такого рода ситуацией мы сталкиваемся практически постоянно, когда решаемая задача выходит за рамки «бухгалтерий» и т.п. Поэтому, коль скоро у нас систематически возникает такая проблема, то в очередной раз возникает необходимость поиска какого-либо другого решения такого рода задач: найти что-то менее громоздкое, но достаточно эффективное.  В качестве метафоры неожиданности альтернативного подхода, который я предлагаю, можно взять астрологию, гадание на кофейной гуще, гадание-на-картах-таро и так далее. Метафоры, которые я предложил, у нормальных ученых конечно вызывают отторжение и, даже, раздражение, но если «зрить в корень», то становится очевидна суть предлагаемого мной подхода, которая заключается в следующем: не выходя существенно за границы конкретной предметной области (несмотря на то, что решение в этой области напрямую зависит от других областей и системное решение возможно только при соединении решений во многих областях), попытаться дать более-менее обоснованный прогноз потребности в кадрах. Другими словами – попытаться найти изолированное решение, не выходя за границы предметной области «кадры» и не привлекая (в идеале) никаких дополнительных сущностей (абсолют «бритвы Оккама»).

Понятно, что рассматриваемая задача из области «кадров» является для нас – исследователей всего лишь иллюстрацией или некоторым полигоном для отработки методов решения более фундаментальных задач,  в том числе задач анализа обстановки в условиях, когда по каким-либо причинам мы не имеем  …, не можем …, не успеваем …, более того, по каким-то причинам нет возможности для привлечения знаний и информации из тех предметных областей, которые напрямую влияют на область, в рамках которой мы решаем задачу.  Нет нужды много объяснять и то, что в большинстве случаев мы имеем дело именно с теми заказчиками, для которых необходимо разрабатывать методики и инструменты решения задач в подобной постановке.

Необходимо отметить, что на решение задач в условиях неопределенности зачастую ориентированы экспертные методы, подавляющее большинство которых мы (творческий коллектив ИПМ им. М.В.Келдыша РАН) хорошо знаем и, более того, сами активно участвуем в разработке и в совершенствовании наиболее прогрессивных из них. И, тем не менее, далее речь пойдет об еще одной новой технологии работы с экспертами, оригинальность/специфичность которой будет ясна из дальнейшего изложения. Здесь же пока отмечу - предлагаемая далее технология работы с экспертами ориентирована на следующее:

• Необходимо извлечь из экспертов знания, которые ими слабо осознаны, которыми они оперируют интуитивно, причем, необходимо сделать это так, чтобы сама технология извлечения обеспечивала потребителям этих знаний (например, руководству Корпорации) достаточные основания для доверия к этим знаниям.

Теперь попробуем посмотреть на проблематику более основательно.

Для всех опытных разработчиков СППР очевидно, что в ситуациях, когда мы вынуждены работать с большой неопределенностью и в рамках которой мы вынуждены строить какие-то модели, категорически необходимо находить способы эффективной оценки адекватности этих моделей, что для решений в условиях высокой неопределенности само по себе является весьма нетривиальной задачей. Существуют различные подходы к решению этой задачи. Например, мы можем посмотреть на какие-то феномены предметной области через призмы двух разных моделей, а затем сравнить эти взгляды и оценить то, насколько модели расходятся в своих трактовках, видении, результатах и т.п. На основании анализа этой разницы можно делать какие-то заключения о том, насколько адекватна та или иная модель (или обе) объекту-прототипу в контексте решаемых задач.  Этот метод является достаточно традиционным, а практическое применение его мы видим, в том числе и тогда, когда приглашаются эксперты с тем, чтобы они дали заключение по качеству какой-то имеющейся модели. Это и есть частный случай того, как над одной частью предметной области пересекаются “видения” со стороны двух различных моделей: с одной стороны, модели, которую сделали разработчики и аудит которой мы проводим, а с другой стороны - модели, которая имеется в головах экспертов -аудиторов. Ну а дальше – классическая «состязательность»! – кто кого переспорит.

Другой подход, который применен в Реструкторе, отличается от первого тем, что в Реструкторе эксперты вынуждены дважды посмотреть на предметику, выражаемую ими в модели.  Другими словами - посмотреть на объект-прототип в рамках одной задачи, но с разных ракурсов. Причём так, чтобы эти ракурсы каким-то образом друг с другом технологически увязывались. Для этого эксперт, использующий Реструктор, выражает средствами конструктора модели оба ракурса, а уже соответствующая программа эти ракурсы определённым образом обрабатывает и “выносит вердикт” о том, насколько такое двухстороннее видение экспертом объекта-прототипа внутренне непротиворечиво.

В Реструкторе это реализовано за счёт того, что кроме оценок связей, эксперты задают ещё и привязку узлов к предметным областям. Такой подход не является узкоспециальным. В нем есть хорошая фундаментальная составляющая и ее следует детально обсудить в дальнейшем. Однако, если кратко, то, на мой взгляд, фундаментальность предлагаемого подхода в следующем:

за счет построения достаточной большой изолированной модели, выполняя требования ее внутренней непротиворечивости, мы получаем зачастую приемлемое качество модели. Размер модели при эффективной технологии контроля ее непротиворечивости переходит в качество модели.

В другой, также созданной нами технологии под условным наименованием «Делимитер», «двухракурсный» подход выражается в том, что, когда эксперт решает задачу анализа (декомпозиции), используя наш инструмент, мы вынуждаем его отчетливо увязывать декомпозицию с составляющими решаемой им задачи, что существенно повышает качество анализа. Здесь также работает закон перехода количества в качество за счет необходимости обеспечения выполнения экспертом некоторых, сформированных нами технологических требований самой процедуры анализа.

Концепция «многоракурсности» и порождаемый ею эффект перехода объема модели в ее качество[4] является весьма важным аспектом обеспечения адекватности модельных решений, поэтому она лежит в основе большинства наших решений в области анализа, прогнозирования, моделирования.

Заметим, я тут не привожу методы оценки адекватности моделей путем сравнения результатов моделирования с реальным объектом, поскольку специфика большинства решаемых нами задач такова, что такие методы в них попросту неприменимы - реальный объект предстанет перед нами через 10-15 лет.

Возвращаясь к исходной задаче – задаче прогнозирования потребности в кадрах, можно констатировать следующее:

●       квинтэссенция предлагаемого решения заключается в следующем: мы как аналитики/разработчики моделей ограничиваемся той конкретной областью, в рамках которой непосредственно лежит поставленная задача и рассматриваем её (предметную область) изолированно, но с разных сторон так, чтобы получить эффективное «внутреннее перекрестное опыление» (перекрестная проверка, кросс-валидация и т.п.).

Другими словами, для эффективной реализации описанного выше подхода необходимо «посмотреть» на предметную область через призму двух взаимосогласуемых моделей и, если это удается, тогда всё остальное становится делом техники.  Понятно, что в такой ситуации необходимо сначала угадать[5], какие ракурсы объекта-прототипа необходимо выбрать так, чтобы в рамках этой технологии они были модельно реализуемыми и взаимосогласуемыми. Но тут же возникают вопросы: – А почему только два ракурса? А можно больше? А что это может дать? А как обтехнологичить множество ракурсов? Далее - ответы на эти вопросы.

Представляется, что получить ответы на эти и другие подобные вопросы можно с помощью предлагаемой ниже технологии решения задач на базе эталонов. Я сначала расскажу немного конкретики о подходе к решению задач в условиях высокой неопределенности на базе эталонов, а потом буду говорить о том, в чём его фундаментальность.

Концептуально метод эталонов достаточно простой, поэтому для начала я приведу “литературный” пример его применения (в виде гипотетического диалога двух гипотетических же персонажей):

●   А на что похожа ситуация? На то что было 5 лет назад в Крыму?

●   Нет! Скорее на то, что было на Сахалине!

●   А на то, что было в Мурманске 3 года назад - похожа?

●   Нет! Совсем не похожа!

●   А! Ясно! Значит это так же, как было в Екатеринбурге, когда строили ***!

●   Точно! Один в один! Только еще было немного, как в Дагестане.

●   Ну тогда всё понятно. Надо просто привлечь *** и поставить им следующие задачи ***.

Еще более показательным мог бы быть, наверное, пример из медицины (когда ставится диагноз по стереотипным ситуациям), но я в медицине почти не разбираюсь, поэтому не рискну приводить примеры оттуда.

Заметим, участники приведенного диалога имеют некоторое общее видение ситуаций - “эталонов” и, сравнивая с этими эталонами некоторую обсуждаемую ситуацию, по сути, конкретизируют ее характеристики на основании знания характеристик эталонных (известных им обоим) ситуаций. На заметку: обеспечение общего видения системы эталонов множеством экспертов – отдельная проблема.

Технологизация такого подхода очевидна: при решении задач, например, оценки ситуации, выявления характеристик объектов исследования и тому подобных необходимо дать возможность экспертам сначала создать некую систему эталонов с тем, чтобы впоследствии соотносить объект исследования с элементами этой системы эталонов, и за счет этого соотнесения получать характеристики объекта исследования, максимально согласованные с характеристиками других объектов и между собой (специфическая интерполяция).

С практической точки зрения эта технология выглядит достаточно просто. Допустим, нам необходимо оценить характеристики системы управления какого-то органа государственного управления. Для этого эксперты предварительно формируют систему эталонов из объектов (систем управления), которые им известны. То есть эксперты описывают известные им системы управления (эталоны) и делают самое важное, что необходимо для этой технологии - задают расстояние между ними, по сути, определяя их похожесть (субъективную - с точки зрения каждого эксперта). Или, другими словами, задают своеобразную систему координат. Понятно, что на этапе, когда эксперты задают эталоны, описывают характеристики эталонных объектов, задают расстояния между ними, -они не получают идеальную внутри согласованную систему эталонов, поэтому перед тем, как её применять для решения практических задач, мы должны сбалансировать сформированную систему эталонов, решив определенную оптимизационную задачу, технологическая цель которой  - обеспечение внутренней непротиворечивости системы эталонов. При этом, решая задачу автоматического построения сбалансированной системы, мы можем поменять где-то немного характеристики эталонов, можем несколько изменить расстояние между ними. Естественно, весь процесс корректировок находится под контролем экспертов, опять же -итерационно и с учетом соответствующих компетенций каждого эксперта, в результате чего после нескольких итераций на выходе мы получим условно идеально сбалансированную систему эталонов.

Итак, допустим, система эталонов систем управления готова.

Теперь экспертам ставится задача выявить конкретные характеристики того или иного объекта управления. Они её решают в условиях, когда отсутствует доступ к объекту исследования. То есть непосредственно измерить/наблюдать эти характеристики – практически невозможно. Однако у экспертов имеются некоторые собственные представления о том, что это за объект, имеется некоторая информация, которая косвенно связана с характеристиками объекта. В этой ситуации эксперты отвечают на вопросы относительно того, насколько этот исследуемый объект похож на каждый элемент из системы эталонов. В общем случае это может быть оценка расстояния до каждого эталона, а в частном случае - только до тех, по которым конкретный эксперт может дать оценку. Затем, используя ту же технологию, которая используется на этапе построения сбалансированной системы эталонов, мы получаем характеристики объекта исследования. Результат мы получаем за счет того, что анализируем те значения похожести объекта исследования на эталоны, которые (похожести) вводятся экспертами. 

Процедура опять же - итерационная.  Эксперты, получив результат, могут с ним где-то не согласиться, могут откорректировать какие-то свои оценки похожести, могут даже где-то изменить систему эталонов, что безусловно, занимает некоторое время, но в любом случае эта технология гораздо более лёгкая для использования, чем если пытаться непосредственно измерить характеристики объекта, когда этот объект примерно такой, с которыми мы, как правило, вынуждены иметь дело.

Замечу, именно в ходе выполнения этой технологической процедуры и задействуется профессиональная интуиция экспертов, причем, практически напрямую. Это происходит в силу того, что от экспертов не требуется обосновывать свой выбор, оценку и т.п. Эксперт, руководствуясь своими ощущениями/интуицией должен проставить оценки похожести. Причем, делая это сначала весьма «экскизно», он затем , должен будет при необходимости что-то уточнить, откорректировать, поскольку сама система поможет выявлять, где в его картине предметной области имеются противоречия, недоопределённые части и т.п.[6] Замечу также, что при такой технологии мы не заставляем эксперта «лезть вглубь»/доказывать свою точку зрения, а заставляем и даем возможность увидеть ситуацию в целом. А уже за счет получения от эксперта целостного видения мы автоматически решаем задачу получения частных характеристик на основании общих представлений (пример - технология «Дедуктор», которая применяется у нас в системе прогнозирования хода и исхода конфликтов).

Для того, чтобы эффект подключения интуиции эксперта проявился более полно, нами используются различные дополнительные технологии формирования экспертом оценок похожести, например, сравнения объекта с двумя/тремя альтернативами. При этом после множества достаточно простых (для эксперта) сравнений, система автоматически формирует непротиворечивую целостную картину представлений эксперта. По сути эта система выполняет задачу автоматического интервьюирования эксперта, а ключевой технологической ее особенностью является интеллектуальная система построения эффективной траектории интервьюирования на основании уже полученных ответов на вопросы как от интервьюируемого эксперта, так и от других (система самообучаемая).

Практическая составляющая всей этой технологии понятна. Теперь несколько слов о, так называемой - фундаментальной.

Как мне видится, само решение является частным случаем технологии, в рамках которой с помощью специальных инструментов формируется некое фазовое пространство и в нем определяется Метрика. Причём Метрика тут определяется взаимообразно (что по сути всегда так и есть). В математике это называется «метрическое пространство». Определив это пространство, мы начинаем его использовать для того, чтобы в дальнейшем восстанавливать ненаблюдаемые признаки объектов на основании понимания “топологических” расстояний между объектами (специфическая интерполяция в многомерном пространстве).

Я здесь наметил только основные штрихи решения. Однако замечу: даже при таком общем рассмотрении становится понятно, что в общих чертах весь этот подход становится не просто прикрытием отсталости некоторых прикладных наук тогда, когда мы вынуждены решать задачи в условиях высокой неопределенности, но и создает некоторые серьезные предпосылки к тому, чтобы придать ему некую научную основательность и признанность в научном сообществе.

Признанность в научном сообществе здесь является не дополнительной «красивой оберткой», а весьма необходимой составляющей, поскольку, как и любое новое решение (а здесь предполагается реализация именно нового решения), предлагаемое решение породит массу критики, оппонентов и т.п., которые в условиях деградации научного знания и профессиональных компетенций (hard-skills) в бизнес-среде и т.п. средах, будут стремиться превратить дискуссии вокруг содержания предлагаемых решений в дополнительную площадку для конкурентной борьбы, слабо имеющей отношение к собственно содержанию конкретных решений. Ясно, что неконструктивные дискуссии вокруг решения поставят под угрозу любую новацию, создавая, в свою очередь, угрозы для всех участников проекта, как со стороны исполнителя, так и со стороны заказчика. Катализатором этого выступает сегодня усиление конкуренции на рынке создания автоматизированных систем поддержки принятия решений. Для того, чтобы этого избежать, крайне важно провести соответствующую работу по широкому пропагандированию применения предлагаемых инновационных подходов, для чего, в свою очередь, необходимо задействовать соответствующие доступные возможности РАН.

Здесь необходимо учитывать и следующее: решение задач в условиях высокой неопределенности, как и решение некоторых математических нерешаемых задач (например, задач нелинейной оптимизации, обратной задачи) не дает гарантированного/доказуемого оптимального решения. Любые методы, технологии и, даже, методологии решения задач в условиях высокой неопределенности, всегда неидеальны, паллиативны, дают только некоторое (зачастую весьма хорошее) приближение, но применимы далеко не всегда. Эффективное их применение зависит исключительно от подготовленности персонала, от того, насколько хорошо эти методы соответствует предметной области и условиям решения конкретной задачи - даже не типу задач. Принципиальная неидеальность этих методов создает определенную уязвимость и тех, кто их разрабатывает, и тех, кто их применяет. Причем эта уязвимость «всплывает» как в их применении, так и в дискурсе относительно их применимости, чем зачастую активно пользуются недобросовестные критики/конкуренты, что, в свою очередь, часто приводит к весьма негативным последствиям для «апологетов». В связи с этим следует всегда заблаговременно прорабатывать подходы к обоснованию рациональности выбранных решений. Примером удачного решения этой задачи является реализованный в Реструкторе способ оценки качества нелинейного оптимизатора, ориентированный на конечного пользователя, где пользователь для получения уверенности в корректности работы оптимизатора дает задание оптимизатору найти решение, которое уже заранее известно пользователю, и оптимизатор его находит. Однако это решение только для одной составляющей всей технологии. Очевидно, необходимо будет предложить нечто похожее и для других инструментов/технологических процедур в рамках предлагаемого решения. И это является нетривиальной задачей.

На заметку: в Концепции добавить описание технологии «образец» - объект, который всем понятен, по которому ни у кого не будет вопросов и через который будет проецироваться доверие к применяемой технологии на других объектах. Вероятно, для снижения рисков целесообразно будет на первых этапах проекта выбрать для работы в том числе и такой – «образцовый» - объект с тем, чтобы в некоторых случаях ссылаться на него.

Конечно, здесь я рассмотрел далеко не всё, что заслуживает внимания, а только то, что позволяет понять суть предлагаемого подхода.

Как я уже отмечал выше, подход на эталонах - это хорошее решение задачи обтехнологичивания процедуры эксплуатации интуиции экспертов. Если этот подход объединить с геймификацией (а то, как и в каком виде это может быть сделано - уже очевидно, но про это надо говорить отдельно), то мы получаем симбиоз, в котором органично увязываются как технологизация использования интуиции экспертов, так и социальная инженерия. Это отдельная красивая тема.

Отдельная проблема состоит в том, что сложно понять, как правильно декомпозировать объекты исследования и, соответственно, эталоны, в рамках этой технологии и, более того – как потом опять проводить синтез. Продолжением этого вопроса является вопрос обеспечения внутренней согласованности значений характеристик объектов исследования и эталонов. И с этим тоже придется поработать в рамках проекта.

Выше я уже отмечал, что необходимо обеспечить одинаковое понимание экспертами системы эталонов. Технологии решения этой задачи вытекают из самой технологии решения задачи формирования системы эталонов, но об этом тоже следует говорить отдельно.

Решение задачи прогнозирования потребности в кадрах

Теперь, когда общие основания технологии понятны, вернемся непосредственно к задаче прогнозирования потребности в кадрах.

Здесь, как следует из всего предыдущего описания, самым главным является корректная декомпозиция задачи – корректное выделение в ней тех сущностей, оперирование которыми позволит, с одной стороны, – получить результат с приемлемым качеством, а с другой стороны, сам процесс будет соответствовать исходным ограничениям по затратам, времени, требуемым квалификациям.

Ясно, что такая декомпозиция является содержанием соответствующих работ по проектированию системы и опытной её эксплуатации. Здесь же можно только в общих чертах обрисовать основы наиболее перспективных технологических подходов, которые являются кандидатами на решение задач такого рода.

Как уже говорилось выше, решение задач анализа на основе технологии эталонов рационально тогда, когда в рамках предметной области отчетливо выделяются такие сущности, которые эксперты могут охарактеризовать (описать их характеристики и задать значения) и оценить их контекстную схожесть. Для того, чтобы выделить эти сущности в контексте «кадровой» задачи, проанализируем то, какими сферами знаний могут оперировать эксперты, привлекаемые к решению этой задачи. Согласно условиям конкретной задачи (как ее сейчас видит заказчик), привлекаемыми экспертами могут быть только те эксперты, которые занимаются непосредственно разработкой/конструированием новых типов изделий. Эти эксперты, как правило, не имеют компетенций ни в области прогноза НТП, ни в области стратегического анализа, ни в областях прогноза и планирования, ни в областях, связанных с формированием долгосрочных планов развития Корпорации. Однако эти эксперты на порядок лучше других знают предметную область, связанную с технологиями производства, новыми материалами и т.п. Отсюда следует, что их можно привлечь для создания целостной модели предметной области (не детальной, но системной) – такой модели, на основании которой можно, используя инструменты прогнозирования в условиях высокой неопределенности, решить, например, задачу прогноза НТП.

Когда мы получим от экспертов модель предметной области, в которой увязаны между собой технологии так, что станет понятно, как развитие одной технологии «потянет за собой» развитие других технологий, то у нас появится основание для выявления наиболее вероятных траекторий НТП[7].

Таким образом, мы не спрашиваем экспертов о том, куда и как будет развиваться НТП (они всё равно этого не могут знать), а спрашиваем всего лишь о том, что на что похоже, а уже на основании этого сами, используя наши подходы к моделированию, анализу и прогнозированию, получаем прогнозные траектории НТП. Применение технологии эталонов тут очевидно.

Можно решить задачу и иначе – предложить экспертам сформировать схему технологий, в которой будет непосредственно описано то, как одни технологии, развиваются за счет других (иерархия технологий). Нам такой результат работы экспертов был бы намного более ценен. Однако это более сложная задача для экспертов. Они будут вязнуть в деталях, «спотыкаться на ровном месте» и в итоге, если мы и получим модель технологий, то это будет некий «блеклый» компромисс. А на этом строить решения – опасно.

Далее возникает вопрос: – Как с траекториями НТП соотнести задачу прогноза кадровой потребности и какова тут может быть роль вышеупоминаемых экспертов? Здесь предлагается сформировать еще один слой модели – компетентностный, но связанный с первым – условно технологическим. Эксперты должны выделить какие-то основные компетенции и сказать, к каким технологиям эти компетенции близки (по сути – насколько они там востребованы), а от каких далеки. Для чего можно применить ту же технологию эталонов.

То есть мы спрашиваем экспертов только о том, что они действительно знают – о том, как связаны технологии и конструкторские решения между собой и какие для их реализации требуются компетенции/квалификации.

В результате мы получаем наиболее вероятные траектории НТП и соотнесенные с ними необходимые компетенции. Интегрируя все варианты траекторий, выделяя в этом интегральном представлении некоторое ядро/«скелет», мы получаем искомый результат – ответ на вопрос о том, какие компетенции/квалификации необходимы будут Корпорации через 10-15 лет.

Предлагаемая технология хороша еще и тем, что она может применяться не проектно (один раз в 3-5 лет), а на постоянной основе. Если мы предоставим экспертам инструменты постоянного оперативного пополнения соответствующих баз знаний, чтобы по мере возникновения какого-то нового понимания эксперты могли бы оперативно это новое понимание разместить в определенной базе знаний, тогда мы могли бы получить «живое» решение. «Живое» в том смысле, что мы, с одной стороны, смогли бы обеспечить постоянную и оперативную адаптацию прогноза к новой информации, знаниям, а с другой – мы смогли бы видеть, как растет компетенция экспертов в этом вопросе (на основе анализа истории знаний, вводимых ими в систему), насколько экспертная группа эффективно реагирует на новую информацию, насколько эта группа полноценна в части, касающейся покрытия всех необходимых компетенций и т.д. и т.п.

Однако остается вопрос: - Как «заглянуть за горизонт»? Вот тут специалисты-эксперты конкретных предметных областей уже не сильно помогут. В этой задаче эксперты практической любой корпорации могут участвовать исключительно как дополнительные консультанты, критики, оппоненты и т.п., но основной корпус специалистов решения задачи прогнозирования того будущего, в котором с высокой вероятностью будет реализовано что-то, что еще никак не проявлено в настоящем, должны составлять особые специалисты/эксперты, обладающие соответствующими навыками прогнозирования, инструментами, методиками и методологией. Задача «загоризонтного» прогнозирования - это весьма специфическая задача, основой решения которой (для задачи прогнозирования, например, НТП) являются такие области науки, как наукология, системный анализ, философия, социология, социальная психология, теория власти, конфликтология, высшая кибернетика, геополитика и т.д., и т.п.

Для экспертных групп, решающих задачи «загоризонтного» прогноза так же, как и для «предметных» экспертных групп, необходимо иметь ряд инструментов. Одним из таких инструментов является инструмент динамической визуализации над когнитивной моделью. Задача этого инструмента – стимулирование образного представления экспертами задачи и обстоятельств с тем, чтобы расширить их основания для поиска нетривиальных решений и т.п. Соединение инструмента динамической визуализации с технологиями «экономического голосования» (когда каждый эксперт имеет некоторое ограниченное количество виртуальных денег, которые он может распределить между альтернативами) позволяет сформировать новое поколение систем обеспечения экспертного решения задач в условиях высокой неопределенности. Это тоже отдельная большая тема.

Особое значение при использовании экспертных знаний имеет решение задачи приведения всех экспертов к единому тезаурусу. Это весьма нетривиальная, но обязательная задача, которая должна решаться, в том числе, и для того, чтобы согласовать тезаурусы заказчика и исполнителя. Для решения этой задачи эффективно проведение отдельных экспертных сессий (2-3 дня), в рамках которых эксперты, исполнитель и заказчик формируют единую когнитивную модель основных сущностей предметных областей, с которыми связана предстоящая работа. Важность этого этапа работы очевидна. Для решения задачи согласования тезаурусов предлагается использовать Реструктор, но, как уже неоднократно отмечалось выше – это большая тема, которую следует рассматривать отдельно.

Альтернатива

Как правило, при решении задач такого рода возникает следующий вопрос: - А если вообще ничего не делать и ничего не прогнозировать, можно ли тогда более- менее обоснованно ответить на вопрос о том, какие кадры для решения задач в рамках опытно-конструкторских работ будут нужны Корпорации через 10-15 лет?

Думаю, что ответ очевиден, – конечно, можно. Безусловно, нужны кадры с более фундаментальным, чем сейчас образованием для того, чтобы из них можно было оперативно «лепить» всё, что необходимо по мере уточнения ситуации/задач, а также специалисты в области психологии, когнитивных наук, ТРИЗ, дидактики и т.п., которые должны помогать первым быстрее и эффективнее адаптироваться к новым областям, помогать научиться использовать свой интеллект как инструмент решения новых задач, преодолевать возникающие психологические барьеры и т.п. То есть речь идет о том, чтобы у каждого «прикладного» специалиста был свой «ангел-хранитель».

И еще один фактор, который определит будущее, – это команды. НТП движется так, что роль одиночек, сколь бы звездными они ни были – уже практически сошла на нет. Сегодня выигрывают команды, а завтра необходимость эффективного формирования команд будет категорическим императивом, если речь идет об опытно-конструкторских работах, науке и т.п. Не рабочие коллективы, а именно команды, причем долгоживущие, социетальные[8], с устоявшимися коммуникациями, ролями, и т.д. и т.п. Команда – это не сумма звезд, это скорее эффективная система из «поломанных» людей[9] (со всеми вопросами на этот счет – к психологам). В связи с этим потребуется научиться формировать не индивидуальные компетенции, а командные. Кто сможет дать более фундаментальное образование, создать «ангелов-хранителей», сформировать культуру команд, тот будет иметь существенно больше шансов на победу в технологическом соревновании. И тогда можно ничего не прогнозировать, можно не подстраиваться под реальность – можно просто ее формировать.

[1] Возможно, предлагаемый мной подход обладает новизной, а может я «переизобрел велосипед» - пока не понятно. Требуются дополнительные исследования.

[2] «Дайте попить, а то кушать хочется так, что переночевать негде!»

[3] Некоторые корпорации в той или иной части могу рассматриваться как исключения, но и в них мы, скорее всего, не найдем достаточно специалистов с необходимой квалификацией, способных содержательно решать задачу в рамках описанной парадигмы.

[4] Проклятием моделирования является то, что без использования специальных технологий анализа, декомпозиции, описания моделей и т.п., с ростом размера модели вероятность ее ошибочности растет нелинейно, соответственно, падает ее качество.

[5] Сегодня не просматривается методов и технологий анализа предметной области таким образом, чтобы в результате этого анализа было качественное решение по декомпозиции этой области для решения конкретной задачи. Сегодня решение такой задачи анализа относится скорее к искусству, чем к науке.

[6] Кто имеет опыт работы с «Паутинкой», тот хорошо понимает то, о чем я говорю.

[7] Тут надо учитывать, что более полное решение задачи прогноза траекторий НТП заключается в построении модели «потребность-возможность». Однако в изолированной задаче «кадры» применение такого тяжелого метода не оправдано, поэтому предполагается применить менее сложный метод, который по предварительным оценкам даст достаточно качественный результат.

[8] Социетальный (здесь) – такой характер отношений внутри некоторой социальной группы, при котором каждый член этой группы осознанно принимает свою роль и место внутри этой группы.

[9] В таких командах роль психологической поддержки существенно возрастает, в сравнении с индивидуальной психологической поддержкой. Зачатки этого понимания и, даже, ростки соответствующей новой культуры просматриваются уже сегодня. Психологи уже сейчас получают предложения о работе, связанной с обеспечением командной работы там, где применяются прогрессивные технологии управления проектами (SCRUM, Agile и т.п.)