Архивы: по дате | по разделам | по авторам

Игра в разум

Архив
автор : Лев Никитин   09.07.2003

Мало кто осмелится утверждать, что машины способны взять на себя управленческие функции и повторить подвиг Deep Blue5, но уже на ниве менеджмента. Это понятно на интуитивном уровне, однако попытаемся разобраться с проблемой более детально.

…в смущении встав из-за стола, он задел доску, и камни, черные и белые, полетели на землю и затерялись в густой траве. Пожалуй, понадобится немало времени, чтобы собрать их… Он повернулся и пошел прочь, сопровождаемый насмешливыми взглядами и возгласами сокурсников. «Ты не должен был выиграть. Я делал первый ход. Я играл безупречно…» упрямо повторял он и наконец воскликнул: «Это примитивная игра!..»

Помните этот эпизод из фильма «Игры разума» о знаменитом математике Джоне Нэше, прославившемся работами по теории игр и принятию решений в условиях риска и асимметрии информации? По сюжету именно тогда к Нэшу начало приходить понимание, что чисто математические методы, основанные на точных расчетах1 с использованием полных и непротиворечивых данных, могут давать сбои при попытках применить их к широкому классу ситуаций, называемых «жизненными»: игре2, развитию социальных отношений и пр. Мы добавим к ним и деловые ситуации, такие как поиск партнера, проектирование деятельности фирмы, не говоря уже о стратегическом планировании и его компонентах: целеполагании, разработке, изучении и реализации альтернатив.

Похожую точку зрения можно часто услышать из уст специалистов самого разного профиля: математиков и социологов, инженеров и психологов, экономистов и менеджеров они говорят о том, что численные методы описания многоукладной действительности, какой является, в частности, бизнес-среда, могут быть не только существенно неполны, а значит, неточны, но и нередко некорректны в силу чрезмерного редукционизма. То есть, принимая во внимание какие-то существенные факторы, численные методы позволяют не только «забыть», но и «не вспомнить» о важных, но не столь бросающихся в глаза нюансах.

Так что же, математические методы никуда не годятся? И да и нет. Да — в силу всего вышеописанного. Нет — потому что многие риски3, особенно по природе своей хорошо выражаемые численно: финансовые, производственные etc. с успехом минимизируются при помощи математических методов4, имеющих в данном случае высокую эффективность, физически недоступную «невооруженному мозгу».

Но все же мало кто осмелится утверждать, что машины способны (или будут способны в ближайшем будущем) взять на себя управленческие функции и повторить подвиг Deep Blue5, но уже на ниве менеджмента. Это понятно на интуитивном уровне, однако попытаемся разобраться с проблемой более детально.

Машинные методы работы с риском и неопределенностью

Ой! Он и тебя посчитал!..
(из мультфильма)


Таким образом, не отрицая принципиальной возможности и эффективности применения математических методов принятия решений в условиях риска, мы все же сделаем несколько важных замечаний.

Действительно, все IT-системы управленческого учета, без использования которых немыслима деятельность любой средней и крупной организации, базируются именно на алгоритмических численных методах оценки информации. Необходимо признать, что такие системы, в первую очередь за счет эффективного накопления сведений о деятельности организации, способны значительно облегчить принятие управленческих решений при повышении их качества.

Однако важной особенностью, если не сказать недостатком, этих систем является работа только с численно оцениваемыми показателями. Расчет ситуаций неопределенности6 компьютерной логике пока что не под силу, поскольку решение такой задачи будет означать создание искусственного интеллекта.

Иными словами, математические методы, воплощенные в специализированных программных продуктах, максимально эффективны лишь для рисковых задач и мало подходят для анализа ситуаций неопределенности, то есть они помогают действовать рационально, но в проектировании их полезность может быть оспорена. Именно в ситуации неопределенности7 становятся необходимы уникальные, присущие только лишь человеку когнитивные навыки и инструменты, позволяющие придумывать новые продукты, проектировать, исследовать и конструировать деятельность, находить нетривиальные методы решения проблем. Во многом эти интеллектуальные свойства обусловлены социокультурными и личностно-психологическими аспектами развития человека. Иными словами8, если мы хотим создать ИИ устройство, способное думать и действовать так же, как человек, мы должны создать машину, способную жить так же, как человек: расти, учиться, интересоваться; смеяться, грустить, ходить в кино, болтать по телефону etc9.

А возможно ли это при нынешнем уровне развития компьютерной техники? Очевидно, нет. И не только потому, что компьютеры недостаточно мощны. Проблема кроется глубже: в самих существующих методах машинной обработки информации. Именно об этом пойдет речь далее.

Информационный аспект описания риска и неопределенности

Он очень рискует!
К счастью, он об этом не знает…
(из боевика)

Здесь мы обратим внимание на такой важный этап применения методов оптимизации риска, как численная формализация параметров системы, с которой мы имеем дело. Может показаться, что все достаточно просто: определяется набор параметров, затем выбирается шкала, после чего значение каждого из параметров переводится в единицы данной шкалы. Но будет ли такая процедура корректной? Чтобы ответить на этот вопрос, обратимся к проблеме двойственности понимания информации.


1 (назад) Мы также будем относить сюда алгоритмические методы, обрабатывающие четко (хорошо) структурированные проблемы. К слабо структурированным проблемам применение алгоритмов в строгом смысле этого слова некорректно по определению: алгоритм (от algorithmi, algorismus, первоначально — лат. транслитерация имени математика аль-Хорезми), способ (программа) решения вычислительных и др. задач, точно предписывающий, как и в какой последовательности получить результат, однозначно определяемый исходными данными. БЭКМ-2000, курсив автора).
2 (назад) Особенно в такие сложные для построения адекватных математических моделей, как фигурировавшая в фильме го.
3 (назад) Опять же в классическом понимании — решения, принимаемые в условиях риска, это такие, результаты которых не являются определенными, но вероятность каждого исхода известна.
4 (назад) Здесь и далее мы исходим из предпосылки, что любая численная модель, алгоритм может быть реализован на компьютере.
5 (назад) Компьютер IBM, одержавший победу над чемпионом мира по шахматам Гарри Каспаровым.
6 (назад) По определению: решение принимается в условиях неопределенности, когда невозможно оценить вероятность наступления исходов для каждого решения.
7 (назад) Процесс проектирования во многом является неопределенным, поскольку на начальных этапах ясна лишь цель (которая тоже может ощутимо корректироваться).
8 (назад) Это суждение выражает только личную точку зрения автора.
9 (назад) То есть, выражаясь более строго, по меньшей мере, быть объектом педагогического процесса (воспитания — обучения — образования) и находиться в коммуникативных отношениях с себе подобными.

С появлением компьютеров10, которые признаются устройствами, способными работать с информацией, в отличие от, к примеру, книг или телекоммуникационных средств (которые, соответственно, лишь хранят и передают ее), появилась необходимость описывать сведения об окружающем нас мире в числовом виде. А он, очевидно, несет минимум дополнительной информации об объекте. Более того, трудно спорить с тем, что числовая форма субъективна: ведь в итоговую модель-описание попадет только то, что будет замечено субъектом исследования и будет признано им значимым. И ничего иного. Более того, субъект, который будет в дальнейшем знакомиться не с самим объектом, а с его редуцированным численным описанием, при нехватке сведений не сможет получить их из имеющейся в его распоряжении информации, несмотря на то что первоначальный объект ее содержал. Таким образом, происходит одностороннее преобразование сведений: из числового описания мы можем извлечь что угодно, кроме объекта описания во всей его полноте11.

Трудно не почувствовать гигантское несоответствие между всем многообразием окружающего нас мира (в том числе и бизнес-среды) и однообразными цепочками чисел. Еще труднее поверить в возможность адекватного перехода от первого ко второму. Тем более, если вспомнить, для чего была затеяна эта числовая революция. А смысл ее в том, чтобы сократить количество элементарных единиц информации, попутно увеличив унификацию данных и надежность их хранения12. То есть редукция была заложена с самого начала; более того это одно из основных требований к численным формам.

О перспективах методов работы с неопределенностью

В предыдущем разделе мы показали, почему применение численных (алгоритмических) методов для анализа и минимизации риска и неопределенности часто некорректно, а еще чаще просто невозможно. Итак, основных причин этого три:

- Сложность (невозможность?) перехода от описания широкого класса управленческих ситуаций (объектов) к математической модели без потери смысла.

- Сложность выделения действительно значимых факторов для включения в модель. Ведь чтобы сделать это, нам необходимо понять внутреннюю конструкцию объекта, что не всегда осуществляется субъектом исследования.

- Необходимость применения уникальных (субъективных!) человеческих когнитивных ресурсов для исследования ситуации (объекта). Иными словами, нужен некий «инсайт», прозрение, которое, увы, не формализуемо.

Вкупе с несовершенством компьютерных систем, которые на сегодняшний день способны работать только с четко структурированными и описанными численно13 проблемами, эти факторы стоят на пути создания универсального и адекватного алгоритма работы с неопределенностью.

Подводя итог, можно сказать, что разработать такой алгоритм (а значит, научить компьютер работать по нему и решать задачи с неопределенностью) пока не представляется возможным по меньшей мере по двум причинам:

- Сложно представить мыслительный процесс человека, анализирующего и описывающего реальную ситуацию…
- …а значит, невозможно алгоритмизировать этот процесс, представив его в виде математически операбельной модели; значит, невозможно передать этот процесс современным числовым компьютерам.

Иными словами, мы не можем представить себе такой алгоритм, и даже если появляются какие-то проблески, то они не могут быть названы алгоритмом в строгом значении этого слова.

Таким образом, в отличие от риска, при работе с которым применение математических методов и, соответственно, вычислительной техники может быть весьма эффективно, неопределенность плохо поддается методам, кроме персонифицированных и основанных на личном опыте приемов, единственным носителем которых является человек.
Становится понятно, что создание адекватных методов работы с управленческой неопределенностью тесно примыкает к давней кибернетической проблеме — созданию искусственного интеллекта. А раз так, то участь шахматистов, обыгранных компьютером, менеджерам еще долгое время не грозит.

С другой стороны, перефразируя булгаковского Ф. Ф. Преображенского, можно задаться вопросом: зачем вообще создавать интеллект искусственный, если ежедневно рождаются десятки тысяч носителей самого что ни на есть натурального?
Впрочем, это снова неопределенность…


10 (назад) В широком смысле этого слова — вычислителей.
11 (назад) Справедливости ради следует отметить, что этот недостаток присущ всем методам описания реальности, но у численного он выражен, по-видимому, наиболее явно.
12 (назад) Действительно, 0 от 1 отличить проще, чем кошку от собаки (известно, что до сих пор не разработан компьютерно реализуемый алгоритм, позволяющий на рисунке отличить кошку от собаки).
13 (назад) Или с использованием четко определенного глоссария понятий.

© ООО "Компьютерра-Онлайн", 1997-2021
При цитировании и использовании любых материалов ссылка на "Компьютерру" обязательна.