УДК 331.5

DOI 10.24411/2413-046Х-2019-11032

Интеллектуальные системы в информационно-аналитических (ситуационных) центрах в условиях перехода к цифровой экономики

 Intelligent systems in informational-analytical (situation) center in conditions of digital economy

Марина Александровна Федотова, кандидат экономических наук, доцент кафедры «Управление персоналом» Московского авиационного института (национального исследовательского университета), г. Москва, e-mail: fedotova-ma@yandex.ru

Иван Алексеевич Мартынов, начальник отдела безопасности информации ПАО «Авиационный комплекс им. С.В. Ильюшина», г. Москва, e-mail: mr.iamartynov@gmail.com

Marina A. Fedotova, PhD in Economics, Associate Professor, Associate Professor of department «Human resource management» Moscow Aviation Institute (National Research University), Moscow

Ivan A. Martynov, Head of the Security of Information Department, PJSC Aviation Complex S.V. Ilyushin, Moscow

Аннотация:  В данной статье рассматриваются вопросы, связанные с развитием интеллектуальных систем в информационно-аналитических (ситуационных) центрах в условиях цифровизации российского общества. Приведен перечень и дан краткий анализ определений понятия «интеллектуальная система» в российской и зарубежной литературе. Показаны роль и место интеллектуальных систем (ИС) в информационно-аналитических (ситуационных) центрах (ИА(С)Ц). Дано представление о ИА(С)Ц как когнитивном «ядре» интеллектуальной организации (ИО). Рассматриваются основные принципы построения ИО и основные задачи ИА(С)Ц центров. Предложен подход к формированию системы моделей ИС ИА(С)Ц. Представлен алгоритм и краткое описание DSM-метода правдоподобных рассуждений, как одной из основных моделей ИС ИА (С)Ц. Проведен краткий анализ метода абдукции в современной трактовке и предложено направление его развития и использования в DSM-методе путем интеллектуализации CSR-правил поиска причин.

Summary: This article discusses issues related to the development of the intelligent systems in the informational-analytical centers in the conditions of Russian society digitalization. The definitions of the “intellectual system” from the Russian and foreign sources is listed and briefly analyzed. The role and place of intelligent systems (IS) in informational-analytical (situation) centers (IA(S)C) are provided. The idea of IA(S)C as a cognitive “core” of an intellectual organization (IO) is presented. The basic principles of building the IO and the main goals of the IA(S)C centers are considered. The approach to IS IA(S)C models system creation is proposed. The algorithm and a brief description of the DSM method of plausible reasoning as one of the main models in IS IA(S)C is presented. The method of abduction in the modern interpretation is briefly analyzed and the direction of its development and use in the DSM method by the intellectualization of the CSR-rules for finding causes is proposed.

Ключевые слова: интеллектуальная система, информационно-аналитический (ситуационный) центр, цифровая экономика, цифровизация, искусственный интеллект (ИИ), человеческие ресурсы (HR), DSM-метод, система моделей, ресурсы (человека & искусственного интеллекта) (H&AI)R.

Key words: intelligent system, informational-analytical (situation) center, digital economy, digitalization, artificial intelligence (AI), human resources (HR), DSM method, models system, human and artificial intelligence resources (H&AI)R.

Несколько лет назад в научный оборот вошел термин «smart working» (с англ. «умный способ работать»), ориентированный на межотраслевую программу TW3 (с англ. «как мы работаем»), подготовленную в Великобритании. Ключевой целью этой программы является «создание приемлемых условий… в виде современных рабочих мест, обеспечивающих быструю настройку на новые задачи и включающих требуемые информационно-телекоммуникационные инструменты». На мировом экономическом форуме (WEF 2016) программа SW вызвала серьезный интерес, результатом которого стал доклад «Будущее работы, занятости, навыков и рабочей силы для четвертой индустриальной революции». [The Future of jobs Employment, Skills and Workforce Strategy for the Fourth Industrial Revolution. WEF 2016] Почти 50% опрошенных экспертов считают самым важным происходящие цифровые изменения в окружающей среде работника, т.е. переход к цифровой экономике (англ. «digital economy»), в которой резко возрастают когнитивные требования к планируемым результатам (выделяется пять ступеней цифровой «трансформации» — изменений с помощью цифровых компетенций) [Куприяновский, Синягов и др., 2016]. В России сборка (формирование) субъектов социального развития, адекватных вызовам эпохи глобализации в инновационном, технологическом и образовательном пространстве признана ключевой задачей социального проектирования технологического прорыва и перехода к Индустрии 4.0 [Лепский, 2016]. Основными инструментами как сборки субъектов в «Совокупный субъект», так и последующей деятельности совокупного субъекта являются интеллектуальные системы, а пространством таких сборок – информационно-аналитические (ситуационные) центры.

У современной науки есть задел для разрешения этой проблемной ситуации, однако ее постановка с учетом особенностей и конкретных реалий России отличается очевидной новизной и требует серьезных междисциплинарных усилий как ученых, так и практиков.

Сформировавшееся на сегодняшний день понятие интеллектуальных систем (ИС) прошло через процесс развития теоретических основ кибернетики, современной теории управления, теории алгоритмов, современных информационных технологий и обобщения научных знаний, методов и средств в области искусственного интеллекта (ИИ). Наряду с этим решаемые ИС задачи постепенно эволюционировали от традиционно относимых к сфере деятельности человека (распознавание образов, понимание естественного языка, доказательство теорем, решение технических задач, игра в шахматы и т.д.) до современных креативных задач, для которых неизвестен алгоритм решения, а также усиления интеллектуальной деятельности человека в различных сферах и форматах деятельности, в т.ч. в информационно-аналитических (ситуационных) центрах.

Задачи, решаемые посредством ИС, являются некорректными в том смысле, что они требуют применения формализованной эвристики и не предполагают полноты знаний, являющихся исходными посылками при решении этих задач. Это означает, что применяемые эвристики должны приближенно отображать некоторые аспекты интеллекта. Аппроксимация этих способностей в компьютерной системе, которая является интеллектуальной, возможна благодаря ее специальной архитектуре: ИС = Решатель задач + Информационная среда + Интеллектуальный интерфейс [Финн, 2004].

Исследования в области развития ИС направлены на достижение такого понимания механизмов интеллекта, при котором можно будет составлять компьютерные программы с человеческим или более высоким уровнем интеллекта. Общий подход состоит в разработке методов решения задач, для которых отсутствуют формальные алгоритмы [Остроух, 2015].

Среди определений ИС, введенных в работах различных исследователей, наиболее интересными с точки зрения авторов являются следующие:

1. «Есть главное определение интеллектуальной системы – не существует подходящих определений интеллекта. Согласие, в основном, достигается в отношении поведенческих особенностей, на которые ссылается этот термин (феноменология интеллекта), нежели в отношении того, как его можно интерпретировать или классифицировать. В психологии интеллект может быть определен либо как общая когнитивная способность, лежащая в основе всех процессов сложного мышления, либо как показатели тестов интеллекта — чтобы обозначить две крайности. Следовательно, недостаточно определить интеллектуальную систему со ссылкой на человеческий интеллект. Альтернатива состоит в том, чтобы сосредоточиться на существенных аспектах интеллектуальной деятельности и обратиться к когнитивной системе» [Hollnagel, 1993].
2. «С практической точки зрения наиболее ценной особенностью человеческого интеллекта является способность делать правильные прогнозы на будущее на основе всех доступных данных из изменяющейся среды. Мы определяем прикладную интеллектуальную систему как систему методов и инфраструктуры, которые усиливают человеческий интеллект путем изучения и открытия новых шаблонов, отношений и структур в сложных динамических средах для решения практических задач» [Sgurev, 2016].
3. а) «Интеллектуальной называется система, способная целеустремленно, в зависимости от состояния информационных входов, изменять не только параметры функционирования, но и сам способ своего поведения, причем способ поведения зависит не только от текущего состояния информационных входов, но также и от предыдущих состояний системы».

б) «Интеллектуальной называется система, моделирующая на компьютере мышление человека».

в) «Интеллектуальной называется система, позволяющая усилить интеллектуальную деятельность человека за счет ведения с ним осмысленного диалога».

г) «Под интеллектуальной системой понимается объединенная информационным процессом совокупность технических средств и программного обеспечения, работающая во взаимодействии с человеком (коллективом людей) или автономно, способная на основании сведений об окружающей среде и собственном состоянии при наличии знаний и мотивации синтезировать цель, принимать решение о действии и находить рациональные способы достижения цели». [Цит. по Чинакал, 2008].

4. «Интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, механизм вывода решений и интеллектуальный интерфейс» [Аверкин, 1992].

Для практических исследований авторы считают наиболее технологичным определение ИС, данное В.К. Финном.

Предполагается, что ИС будут функционировать в ИА(С)Ц, которые, в свою очередь, являются, когнитивным «ядром» ИО [Форум Цифровизация 2018]. «Ведущие организации демонстрируют способность к адаптации: они неуклонно трансформируются в обучающие интеллектуальные организации (ИО), действующие на «кромке хаоса». Ещё более грандиозные перемены нас ждут впереди, и организации, в погоне за конкурентоспособностью, должны развивать стратегии с оптимальным соотношением планирования и адаптации. Интеллектуальная организация должна фокусироваться на своём будущем, которое она хочет создать (проактивный подход): «Позаботься о будущем сегодня!» [Рубинштейн, Фирстенберг, 2003].

Практически все известные зарубежные и российские менеджеры, как теоретики, так и практики – П. Друкер, Р. Салмон, Ф. Котлер, Р. Хант [Хант, 2002], М. Рубинштейн, Р. Пино, Л.Ф. Никулин и многие другие – специально выделяют принципы (условия), ориентированные на создание интеллектуальных организаций, например, «семь принципов» стабильности и процветания организации Р. Салмона [Салмон, 2004].

Создание интеллектуальных организаций (подробно описывается у Р. Ханта, Т. Базана [Хант, 2002]) включает в себя формирование структуры ИО: создание центра творчества, центра креативного мышления, класса (студии) – мастерской управленческого мышления; выделение лидера процесса (официального руководителя, отвечающего за развитие корпоративной культуры мышления); менеджера концепций, отвечающего за сбор, генерацию и развитие новых концепций; сети дилеров процесса локального масштаба (в каждом отделе, филиале, группе); специалистов группы поддержки; участников творческих сессий; наставников-тьюторов по обучению креативности. Все эти люди должны соответствовать определённым требованиям и пройти тестирование (MBTI, InQ и т.п.). Кроме того, в интеллектуальной организации, как и в любой другой, должны быть определены: видение, миссия и основные правила успеха.

В подходах к ИО выделяются два цикла обучения (К. Арджирис):

• Первый цикл («научение с одной петлёй») – получение участником Know how при решении конкретных управленческих проблем, в рамках существующих ограничений (традиционная модель обучения – трансляция знаний);
• Второй цикл («научение с двойной петлёй») – обучение, предназначенное для генерации знаний (нетрадиционная модель обучения – креативный менеджмент) [Шевырев, 2007]. В этой модели включается концепции «творческого вызова», «освобождение от традиций» и т.д. (Э. де Боно). Для внедрения в организацию второго цикла обучения приглашаются внешние консультанты-тренеры.

Проверка деятельности в ИО сосредоточена не столько на формировании проблемно-целевой области (ПЦО) и решении проблем (20% затрат), сколько на развитии взаимоотношений — КВЗ (80% затрат). Вся деятельность ИО построена на нелинейных принципах системной креативности и осуществляется в рамках стратегии (метастратегии) «русло»-«джокер» с тактическим обеспечением в рамках АЭК-модели и программы Team Creator [Шевырев, 2007]. «Ядром», в котором происходят процессы как обучения, так и управления в интеллектуальной организации, является ИА(С)Ц – специальный учебно-игровой и/или профессиональный управленческий комплекс, оборудованный средствами визуализации, обработки и генерации информации, включая работу с базами данных, графическими редакторами и специальными программными приложениями [Данчул, 2006; Ильин, 2011; Шевырев, Романчук, 2006].

Такой центр, предназначен для целей стратегического планирования и оперативно-диспетчерского управления организацией в интеллектуальном режиме. Типовая структура и форматы работ ИА(С)Ц изображены на рис. 1.

Создание ИА(С)Ц является сегодня одной из актуальнейших задач повышения эффективности управленческой деятельности. В настоящее время в мире насчитывается несколько тысяч ситуационных центров, работающих в режиме реального времени (первый ситуационный центр/комната был создан С.Биром в начале 70-х годов в Чили для правительства С.Альенде. В России ситуационные центры функционируют в Администрации Президента РФ, в Правительстве РФ, аппаратах уполномоченных представителей Президента РФ, МЧС, ФСО, МВД, МО, ОАО РЖД, РАО ЕС и др. организациях [Ильин, 2011]). В своем развитии такие центры проходят несколько этапов, от обычных «дежурок» до когнитивных/креативных центров.

Почему ИА(С)Ц актуальны именно сейчас? Найдёт ли человечество адекватные ответы на вызовы эпохи, во многом зависит от того, удастся ли человечеству совершить прорыв за пределы существующего типа мышления.

Основные задачи ИА(С)Ц:

• анализ состояния объекта управления и прогнозирование развития проблемной ситуации;
• разработка и мониторинг креативных командных решений задач стратегического планирования и оперативно-диспетчерского управления сложными проблемными ситуациями;
• эффективное управление командной креативностью в процессе разработки и реализации управленческих решений;
• моделирование последствий управленческих решений на базе использования информационно-аналитических технологий (ИАТ);
• обучение сотрудников организации командной разработке и реализации эффективных управленческих решений.

Одной из основных задач ИА(С)Ц в условиях VUCA-мира является сокращение времени, необходимого для оценки и системного понимания ситуации. Для быстрого «погружения» в проблему используются специальные средства презентационной графики, позволяющие представить задачу в системном виде (карта проблемной ситуации).

Обучение в режиме управленческого проектирования позволяет развить «чувствительность» пользователей к конкретным проблемным ситуациям.

В отдельных случаях исследователи рассматривают интеллектуальные системы как инструмент когнитивного анализа событий и явлений в экономике, в частности, анализа предполагаемых последствий принятия тех или иных решений в управлении экономическими процессами. Использование интеллектуальных систем, включающих в себя когнитивные подсистемы, позволяет оптимизировать процесс обработки данных, что приводит к повышению точности анализа текущей экономической ситуации и эффективности принимаемых решений по разрешению такой ситуации [Ogiela, 2014].

Вопрос применения интеллектуальных систем в аналитических целях в условиях постоянно развивающейся экономики рассматривается специалистами на протяжении последних десятилетий. Например, уже в 2009 году исследователями была отмечена тенденция повышения зависимости экономики от современных технологий и существенные последствия от такой зависимости для экономических процессов на примере сферы логистики и транспорта [Tse, 2009]. Это привело к рассмотрению возможности использования интеллектуальных систем с искусственным интеллектом для своевременной оптимизации процессов управления бизнес-структурами в новых экономических условиях, постоянно усложняемых технологически и перенасыщенных потоками информации.

Некоторые исследователи полагают, что стремление к полной автоматизации в современной цифровой экономике и делегирование искусственному интеллекту сложных задач, прежде выполняемых человеком, может иметь следующие последствия для общества: неполное осознание креативных способностей человека; неиспользование всех скрытых потенциальных знаний; сокращение полномочий по принятию решений с точки зрения демократического строя общества в глобальном смысле. Вопрос последствий от внедрения и повсеместного использования тех или иных интеллектуальных систем как симбиоза человека и машины остается дискуссионным. Вместе с тем становится очевидна необходимость рассмотрения использования интеллектуальных систем в условиях цифровой экономики как комплексного вопроса, который включает в себя множество факторов и векторов развития [Holford, 2018].

По мнению авторов, ИС ИА(С)Ц должна включать в себя систему моделей различных типов – от простейших матричных (М-сценирование, PESTE-, MIEP-, SWOT- моделей и др.) до сложных систем дифференциальных уравнений технологий «мягких» вычислений, искусственного интеллекта (ИИ), как символьных (методы правдоподобных рассуждений), так и нейросетевых. «Траектория» (система) технологий и методов по этапам исследования и управления строится на основе общей целевой функции (ЦФ) и критериев, связанных с K-уровнем неравновесности системы – среды, времени, отпущенному на разрешение проблемной ситуации (ПС), финансовых и других необходимых ресурсов, уровня «засоренности» исходных данных (процессинг), подготовленности аудитории и ЛПР, а также многого другого. [Шевырев и др., 2016].

«Ядром» такой системы моделей является технология симно-креативного мышления (СКМ), позволяющая получать адекватные, нестандартные, неочевидные и несимметричные «пакетные» решения по всем аспектам социальной реальности. [Шевырев, 2016]. Такая система моделей позволяет создавать синергетический эффект при прохождении всех стадий управленческого цикла, наращивая качество интегрального «пакетного» решения. Непосредственным пользователем такой ИС является сеть ТФ-команд, работающих над конкретным проектом/программой (подробнее о ТФ-командах и программном обеспечении их работы см. Михеев, Шаламова, Федотова, 2016, с. 146-204). ТФ-команды являются неотъемлемой частью такой ИС (в случае, если роль «Джокера» выполняет ИИ, это становится «бесшовной» интеграцией). В этом случае можно говорить о переходе от HR к (H&AI)R. Приведем пример конкретной задачи, решаемой с помощью нескольких модулей такой ИС (использовались модули нелинейного статистического моделирования и DSM-метода) [Прус, Федотова и др., 2018].

Одной из наиболее интересных и актуальных задач работы с проектными ТФ-командами, на взгляд авторов, являются задачи, связанные с прогностической аналитикой, например, оценка возможной результативности новой/молодой команды/группы людей при реализации сложного проекта на основе анализа результатов экспресс-диагностики такой команды на микропроекте (срок реализации микропроекта от 2-х до 5-ти дней), сформированном по специальной методике с использованием организационно-деятельностной игры (ОДИ) и сравнении их с параметрами успешных и неуспешных команд при реализации реальных сложных проектов. Поскольку речь идет об экспресс-диагностике новой команды, результаты носят вероятностный характер. Эту задачу предлагается решать с использованием DSM-метода правдоподобных рассуждений, основанного на последовательном синтезе познавательных процедур индукции, аналогии и абдукции. Основной алгоритм DSM-метода приведен на рисунке 2.

Обозначения: F – матрица исходных данных (фактов); H – матрица гипотез о возможных причинах; F’ – доопределенная матрица исходных данных; CSR – правила поиска причин (правила первого рода); DDR – правила доопределения исходных данных (правила второго рода).

Задача DSM-метода заключается в том, чтобы с помощью формулирования гипотез доопределить исходную матрицу F (O, P) объектов (команд)-О и признаков/свойств их характеристик (параметров единого креативного поля команды (ЕКП)) — С. Наличие свойства С в работах авторов оценивалось по пятибалльной системе [Прусс, Федотова и др., 2018]. В нашем случае, было принято, что, при 0 < C <= 2, объект (команда) не обладает данным свойством, при C > 3 – обладает, при 2 < C <= 3  — оценка противоречива.  Каждый объект/команда (О) F-матрицы либо обладает, либо не обладает признаком P (в нашем случае это результативность/успешность работы команд), либо есть аргументы как «за», так и «против», либо неизвестно (не определено), обладает ли объект О этим признаком. Исходная матрица F может быть составлена различным образом:

1. Из различных объектов О,
2. Из одних и тех же объектов О с различным набором свойств С и результативными признаками P,
3. Как комбинация из a и b.

Исключительно важным может быть анализ противоречивых объектов – одни и те же объекты О с одинаковыми свойствами С и разными результативными признаками P. При появлении таких объектов возможны несколько вариантов поведения:

1. Расширение набора свойств С уже существующих объектов,
2. Анализ качества экспертной оценки свойств С в различных случаях (при различных результатах). Такой анализ удобно проводить с использованием «мягких вычислений» по технологиям МАИ/ МАС Т.Саати [Саати, 1993].

В качестве возможных причин наличия/отсутствия результативного признака P рассматриваются подмножества набора фрагментов/свойств C. Подмножества C определяются как возможные перестановки («причины») свойств объектов, присущего командам с наличием P – успешностью работы. В классическом DSM-методе гипотезы и правила поиска причин (CSR) носят чисто предметный характер, связанный со свойствами самих объектов. В предлагаемом авторами варианте часть гипотез носит структурный (метаабдуктивный), а не предметный характер. Предметные гипотезы в этом случае уже должны удовлетворять неким структурным гипотезам более высокого методологического уровня, например, в квантовой физике такими структурными гипотезами являются принципы симметричности, суперпозиции и т.д. Например, Ньютон при построении классической механики опирался на способ построения теории, который впоследствии получил название метода принципов. В соответствии с ним при создании классической механики он опирался, прежде всего, на те законы, которые были открыты его предшественниками, а именно закон свободного падения тел Г.Галилея, законы движения планет И.Кеплера и законы колебательных процессов Х.Гюйгенса. Поэтому законы ньютоновской механики выступают как обобщения или принципы, из которых могут быть логико-математическими методами получены вышеперечисленные частные законы.

F-матрица включает в себя, кроме свойств о которых говорилось выше, множество других, характеризующих как работу команды в целом, так и ее отдельных участников. Поскольку в DSM-методе используется качественные оценки, принципиально важными являются два момента:

1. Четкая социально-психологическая операционализация используемых параметров ЕКП (формирование операндов) на основе выбранного языка описания проблемной ситуации и теоретической концепции, связывающей операнды с поставленными целями исследования, лишь в этом случае можно получить их достоверные оценки (квантификацию);
2. Корректный переход от количественных оценок к качественным – такие количественные оценки (интервал оценки) соответствуют наличию/отсутствию или противоречивости свойств F-матрицы.

Лишь при соблюдении этих требований могут быть получены корректные оценки наших доопределенных объектов/команд.

В рамках философии науки наметилась тенденция к исследованию тех эвристических приемов и средств, которые делают поиск истины в науке более организованным, целенаправленным и систематическим. В логике специфический способ абдуктивных рассуждений для поиска объяснительных гипотез был разработан выдающимся американским философом и логиком Чарльзом Сандерсом Пирсом (1839-1914).

 Все идеи науки возникают посредством абдукции. Абдукция состоит в исследовании фактов и построении теории, объясняющей их». Таким образом, подчеркивает Пирс, дедукция доказывает, что нечто должно быть, индукция показывает, что нечто действительно существует, а абдукция просто предполагает, что нечто может быть.

В современной интерпретации логическую структуру абдуктивного рассуждения Ч.Пирса можно представить в следующем виде [Рузавин,2001]:

1. D есть совокупность данных (фактов, наблюдений, экспериментов и т.п.).
2. Гипотеза H объяснит эти данные, если она окажется истинной.
3. Никакие другие гипотезы не могут объяснить D так же хорошо, как Н.

Следовательно, гипотеза Н вероятна. Здесь гипотеза H носит конкретный предметный характер.

Очевидно, что для выдвижения правдоподобных гипотез одних эмпирических данных недостаточно, потому что на основе одних и тех же данных можно построить самые различные гипотезы. При этом в научных исследованиях необходимо стремиться найти такую гипотезу, которая была бы ближе к истине, учитывая не только имеющиеся данные, полученные эмпирическим путем, но и интуитивные предположения, и результаты применения эвристических методов.

В современной науке для поиска более глубоких и общих теорий используются специальные эвристические принципы, каким является, например, принцип соответствия, с помощью которого был построен математический аппарат квантовой механики на основе переинтерпретации уравнений классической механики.

В неявной форме принцип соответствия использовался уже при создании общей теории относительности. Другими видами эвристических методов являются мысленный эксперимент, построение концептуальных и математических моделей и т.п. средства, которые облегчают поиск и открытие принципов законов науки. Даже такие распространенные эвристические средства, как критерий простоты законов, их симметрии, общности и другие, оказываются весьма полезными в процессе поиска.

Отличительная особенность абдуктивных рассуждений состоит в том, что они представляют собой обобщения, которые расширяют наше знание, в результате чего их заключения содержат новую информацию, которая не была известна раньше. В этом смысле абдукция существенно отличается от дедукции, заключения которой не содержат в принципе иной информации, кроме той, которая содержится в ее посылках. В отличие от этого, абдуктивные рассуждения вводят новую информацию. Можно поэтому сказать, что если дедукция сохраняет истину, то абдукция создает ее.

Степень правдоподобности при абдукции, как механизме систематического поиска истины путем анализа ее посылок, может быть увеличена за счет введения понятия структурной гипотезы (H-str).

С возможностью расширения знания связана также способность абдуктивных умозаключений к формированию большей его определенности. Заключение абдукции может иметь и заслуживает большей достоверности и определенности, чем любая из его посылок. Именно поэтому существует больше уверенности в выводах теории, чем в надежности отдельных экспериментов, на которых она основывается. Таким образом, абдукция способствует поиску схем, с помощью которых из совокупности имеющихся эмпирических данных могут быть найдены возможные пути к новым открытиям. Восприятие схем явлений, указывает Хэнсон [Hanson, 1958], играет центральную роль в объяснении фактов. По-видимому, этим соображением он руководствовался, назвав свою книгу «Схемы открытия» (The Pattems of Discovery). Именно системный характер фактов придает соответствующую степень достоверности абдуктивному заключению.

В настоящее время усилия разработчиков теории и техники искусственного интеллекта направлены на то, чтобы создать методы эвристического поиска решения проблем, поскольку простой перебор различных комбинаций возможностей («причин») для поиска решения проблем оказывается явно неэффективным. Создание эвристических модулей, значительно сокращающих и обогащающих простой перебор с помощью особых стратегий, в настоящее время считается основным направлением в исследованиях по искусственному интеллекту.

Исходя из вышеизложенного можно сделать следующие выводы:

1. Неопределенность и нестабильность VUCA-мира ставят серьезные вызовы перед разработчиками ИС в ИА(С)Ц.
2. Использование отдельных статистических и экспертно-аналитических методов для управления в сложных ПС неэффективно вследствие несоответствия состояния объектов управления (сложность, нелинейность, неравновесность) и существующих инструментов управления ими (нарушение закона кибернетики У. Эшби о необходимом разнообразии). Необходима система моделей обеспечения управления для различных уровней (стратегическое, оперативное и тактическое) и аспектов управления с различными параметрами и критериями.
3. Наиболее эффективными и перспективными технологиями управления ИС в ИА(С)Ц являются многоуровневые системы моделирования социальных процессов, использующие всю «палитру» технологий и методов системной аналитики.
4. Необходимо использовать систему («траекторию») моделей, зависящую от: уровня неравновесности системы-среды (K-уровня), времени на решение, уровня процессинга исходных данных, финансовых ресурсов, подготовленности аудитории и ЛПР и т.д.

Список литературы

1. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. – М.: Радио и связь, 1992. – 256с.
2. Лепский В.Е., Аналитика сборки субъектов развития, М.:Когито-Центр, 2016.
3. Куприяновский В.П., Синягов С.А., Липатов С.И. International Journal of Open Information Technologies ISSN: 2307-8162 vol. 4, no. 2, 2016.
4. Данчул А.Н. Основные направления деятельности ситуационного центра РАГС, Сб. Научно-технологическая информация, Серия 1, М, 2006, №8.
5. Ильин Н.И., Демидов Н.Н., Новикова Е.В. Ситуационные центры. Опыт, состояние, тенденции развития, М.: МедиаПресс, 2011.
6. Остроух А.В. Интеллектуальные системы: Учеб. Пособие. – Красноярск, 2015. – 110 с.
7. Прус Ю.В., Федотова М.А., Инь Бинь Статистическое моделирование и технологии искусственного интеллекта в оценке и управлении параметрами единого креативного поля команд: опыт количественного анализа. Научный результат. Социология и управление. Т.4, No3, 2018.
8. Рубинштейн М., Фирстенберг А. Интеллектуальная организация, М, Инфра -М, 2003. – 192 c.
9. Рузавин Г.И., Абдукция как метод поиска и обоснования объяснительных гипотез // Теория и практика аргументации. М., 2001. с. 44.
10. Саати Т., Принятие решений. Метод анализа иерархий, М, Радио и связь, 1993.
11. Салмон Р. Будущее менеджмента, СПб, Питер, 2004
12. Финн В.К. Об интеллектуальном анализе данных / Новости искусственного интеллекта. 2004. №3.
13. Хант Р., Базан Т. Как создать интеллектуальную организацию, М, Инфра -М, 2002;
14. Цифровизация 2018. Всероссийскоий научно-практический форум с международным участием, м. МГУ 3-5 декабря, 2018.
15. Чинакал В.О. Интеллектуальные системы и технологии: Учеб. пособие. – М.: РУДН, 2008. – 303 с.
16. Шевырев А.В. Системная аналитика в управлении, Белгород: ЛитКараВан, 2016.
17. Шевырев А.В. Креативный менеджмент: синергетический подход, Белгород: ЛитКараВан, 2007.
18. Шевырёв А.В., Романчук М.Н. Креативный ситуационный центр как эффективный инструмент интеллектуальной организации: концепция, задачи, программное обеспечение, М: РАГС, 2006.
19. Feshina S.S., Konovalova O.V., Sinyavsky N.G. Industry 4.0-transition to new economic reality Studies in Systems, Decision and Control. 2019. Т. 169. С. 111-120.
20. Hanson N.R. Patterns of Discovery. Oxford, 1958.
21. Holford W.D. The future of human creative knowledge work within the digital economy / Futures,
22. Hollnagel E. The Intelligent use of intelligent systems. Intelligent Systems: Safety, Reliability and Maintainability Issues. New York, 1993.–340 p.
23. Innovative Issues in Intelligent Systems / Edited by Sgurev V., Yager R.R. etc. – Springer, Switzerland, 2016. – 353 p.
24. Ogiela L., Ogiela M.R. Cognitive systems for intelligent business information management in cognitive economy / International Journal of Information Management, №34, 2014. – pp.751-760.
25. Tse Y. K., Chan T. M., Lie R. H. Solving Complex Logistics Problems with Multi-Artificial Intelligent System. International Journal of Engineering Business Management, vol.1, №1, 2009. – pp.37-48.
26. Fedotova M.A., Tikhonov A.I., Novikov S.V. Estimating the effectiveness of personnel management at aviation enterprises // Russian Engineering Research. 2018. Vol. 38. 6. pp.466-468.
27. Тихонов А.И., Федотова М.А., Бинь И. Экспертно-аналитические методы в метасценировании международных образовательных проектов // РИСК: Ресурсы, информация, снабжение, конкуренция. 2018. № 1. С. 228-231.