Опубликовано в журнале "Управленческий учет" №5 год - 2010
Макаревич О.А.,
к. э. н., доцент,
Майкопский государственный
технологический университет,
г. Майкоп
В статье сформирована главная проблема управления агропромышленным холдингом и кратко рассмотрены подходы к ее решению на основе менеджмента знаний, а также соотношение данных, информации и знаний, процедуры выявления знаний из данных; способ использования знаний для прогнозирования и принятия решений; этапы жизненного цикла интеллектуального приложения и основные результаты применения современной автоматизированной технологии управления знаниями – СК-анализа для управления агропромышленным холдингом.
Агропромышленный холдинг представляет собой большую сложную многоуровневую иерархическую систему, включающую, по крайней мере, следующие три уровня:
1) нижний уровень: предприятия холдинга, рассматриваемые как относительно самостоятельные подсистемы, результаты работы которых определяются их внутренней организацией и активностью;
2) средний уровень: предприятия холдинга, рассматриваемые как взаимодействующие элементы системы, результаты работы которых влияют на работу холдинга в целом;
3) высший уровень: холдинг в целом.
Таким образом, эффективность работы холдинга в целом обусловливается эффективностью работы входящих в него предприятий, а также эффективностью их взаимодействия в рамках холдинга как системы.
Проблема управления агропромышленным холдингом состоит в том, что для решения задач прогнозирования и поддержки принятия управленческих решений необходима адаптивная модель холдинга, синтез и адаптация которой затруднительны из-за высокой динамичности и сложности внутренней логистики объекта управления, его территориально распределенного и многоотраслевого характера, огромного количества экономических показателей, характеризующих деятельность холдинга на различных уровнях его структурной организации, в частности на уровне входящих в холдинг предприятий.
Эта проблема и некоторые традиционные подходы к ее решению подробно освящены в работе «Как обуздать холдинг?» [8]. В данной работе в качестве способа решения поставленной проблемы автор предлагает применить автоматизированные технологии выявления, накопления и применения знаний. Для решения проблемы эффективного управления холдингом необходимо знать, каким образом внутренние показатели предприятий обусловливают их внешние показатели и как внешние показатели предприятий определяют показатели холдинга в целом. Это знать необходимо, но не недостаточно для того, чтобы эти знания реально влияли на результаты работы холдинга. Для этого необходимо также уметь применять эти знания на практике для прогнозирования и принятия решений, то есть иметь соответствующую технологию (программный инструментарий и методику его применения), более того, надо иметь устойчивые навыки применения этой технологии в обыденной практике оперативного, тактического и стратегического управления. Ясно, что для всего этого необходимо также иметь технологию выявления знаний из данных, характеризующих динамику холдинга как объекта управления.
Эти вопросы изучаются и решаются в настоящее время в новом перспективном междисциплинарном научном направлении, получившем название «менеджмент знаний» (Knowledge Management), возникшем на пересечении теории управления и теории, методов и технологий искусственного интеллекта. В настоящее время имеется обширная литература по менеджменту знаний, в которой системно рассматривается выявление, накопление и применение знаний для управления предприятиями и организациями [7]. Однако само обсуждение этих вопросов в основном носит общетеоретический концептуально-философский характер. Ни в коей мере не умаляя ценность и значимость такого подхода и развиваемых в его рамках теоретических представлений, все же считаем необходимым акцентировать внимание на том, что все же для реального применения этой теории и концепций в практике управления необходима соответствующая, реализующая их технология, включающая программный инструментарий и методику его применения. Если говорить более конкретно, то надо иметь технологию, позволяющую на практике не только выявлять знания непосредственно из опыта (эмпирических данных), но и накапливать и обобщать их в базах знаний и, самое главное, применять их для прогнозирования и принятия управленческих решений [6].
Поэтому для развития технологий применения менеджмента знаний особое значение приобретает решение следующих вопросов:
1. Что такое знания и как они соотносятся с данными и информацией?
2. Каковы процедуры выявления знаний из данных?
3. Как использовать знания для прогнозирования и принятия решений?
4. Каковы этапы жизненного цикла интеллектуального приложения?
Рассмотрим эти вопросы подробнее, насколько это возможно в рамках статьи.
1. Что такое знания и как они соотносятся с данными и информацией?
При создании систем искусственного интеллекта (СИИ) разработчики оперируют такими основополагающими понятиями, как:
- данные, информация, знания;
- факт, смысл, мысль;
- мониторинг, анализ и управление.
От того, какое конкретное содержание вкладывается разработчиками в данные понятия, самым существенным образом зависят и подходы к созданию математических моделей, структур данных и алгоритмов функционирования СИИ. Однако смысловое содержание этих понятий чаще всего не конкретизируется. И это не случайно. Одной из основных причин этого положения дел, на наш взгляд, является то, что конкретизировать смысловое содержание данных понятий представляется возможным лишь на основе интуитивно ясной и хорошо обоснованной концепции смысла.
Как это ни удивительно и парадоксально, но реальные разработчики СИИ, обычно являющиеся математиками и программистами, чаще всего недостаточно знакомы с подобными концепциями.
Наиболее полный и всесторонний на данный момент обзор различных подходов к автоматизации процессов понимания смысла, по-видимому, дан в основополагающей работе Л.Г. Васильева. Все теории понимания смысла классифицированы им на три группы: объектные; субъект-объектные; субъектные.
По нашему мнению, одной из наиболее интуитивно убедительных и хорошо обоснованных является концепция смысла, предложенная независимо друг от друга Шенком и Абельсоном. Согласно Л.Г. Васильеву суть концепции состоит в том, что факты рассматриваются как причины и их смысл считается известным, если известны последствия данного факта. Таким образом, понимание смысла определенных конкретных событий заключается в выявлении причинно-следственных взаимосвязей между этими событиями и другими. В работе [9] предлагаются следующие определения данных, информации и знаний.
Данные представляют собой информацию, рассматриваемую в чисто синтаксическом аспекте, то есть безотносительно к ее содержанию и использованию, то есть семантике и телеологии (обычно на каком-либо носителе или в канале передачи).
Информация – это данные, проинтерпретированные с использованием тезауруса, то есть осмысленные данные, рассматриваемые в единстве синтаксического и семантического аспектов.
Знания есть система информации, обеспечивающая увеличение вероятности достижения какой-либо цели, то есть, по сути, знания – это ноу-хау или технологии достижения целей.
Вышесказанное резюмируем в следующей форме [9]:
Знание = Информация + Цель;
Информация = Данные + Смысл;
Знания = Данные + Смысл + Цель.
При разработке предложенной интерпретации содержания данных понятий и формы его представления учтены и использованы разработки В.Н. Лаптева, а также Владимира Кива.
2. Каковы процедуры выявления знаний из данных?
Как соотносятся данные, информация и знания, мы выяснили. Рассмотрим теперь процедуры преобразования данных в информацию и информации в знания:
1. Мониторинг, то есть накопление эмпирических данных с привязкой ко времени в базах данных.
2. Генерация информации путем анализа данных:
- выявление событий в данных;
- выявление причинно-следственных связей между событиями.
3. Оценка полезности информации для достижения целей:
- прогнозирование: использование знания причинно-следственных зависимостей между событиями для оценки вероятности осуществления событий в будущем на основе знания об уже прошедших событиях;
- управление: определение степени полезности информации для достижения целей и использование этих знаний для поддержки принятия решений и управления (рис. 1).
Банк данных включает базы данных (БД) и системы управления базами данных (СУБД); АСОИ – автоматизированные системы обработки информации; АСУ – автоматизированные системы управления, включающие базы знаний (БЗ) и интеллектуальную оболочку, обеспечивающую выявление знаний из данных, а также их использование для поддержки принятия решений и управления. Каждый последующих вид систем включает все предыдущие в качестве подсистем.
3. Как использовать знания для прогнозирования и принятия решений?
Прогнозирование будущего состояния объекта управления основывается на использовании знаний о влиянии на его поведение различных значений факторов и на использовании этих знаний в качестве частных критериев в аддитивном интегральном критерии, который представляет собой просто сумму знаний, содержащихся в частных критериях, о переходе объекта управления в каждое из возможных будущих состояний.
Задача принятия решения о выборе наиболее эффективного управляющего воздействия является обратной задачей по отношению к задаче максимизации интегрального критерия (идентификации и прогнозирования), то есть вместо того чтобы по набору факторов прогнозировать будущее состояние объекта, наоборот, по заданному (целевому) состоянию объекта определяется такой набор факторов, который с наибольшей эффективностью перевел бы объект управления в это состояние [1–5].
4. Каковы этапы жизненного цикла интеллектуального приложения?
Учитывая данные выше ответы на предыдущие вопросы, можно выделить следующие этапы применения автоматизированных технологий знаний в управлении.
Этап 1: разработка интеллектуальной оболочки:
- технико-экономическое обоснование (ТЭО) экономической (или иной) целесообразности разработки;
- разработка технического задания (ТЗ) на разработку: функциональное определение требований к интеллектуальной оболочке;
- разработка технического проекта (ТП): логическое проектирование, то есть разработка математической модели и реализующие ее методики численных расчетов (структур данных и алгоритмов);
- разработка рабочего проекта (РП): разработка и отладка программного обеспечения интеллектуальной оболочки.
Этап 2: накопление эмпирических данных в базах данных (мониторинг).
Этап 3: осмысление данных, генерация информации и наполнение информационных баз: анализ данных и выявление событий в данных, выявление причинно-следственных связей между событиями.
Этап 4: оценка полезности информации, выявление знаний и наполнение баз знаний: определение степени полезности знаний для достижения целей, то есть синтез когнитивной модели (модели знаний).
Этап 5: экспериментальная эксплуатация интеллектуального приложения путем решения задач прогнозирования и принятия решений, но без реального применения их результатов на практике (до тех пор, пока руководство не убедится в эффективности интеллектуального приложения и не примет решение о передаче его в реальную эксплуатацию).
Этап 6: реальная (промышленная) эксплуатация интеллектуального приложения путем решения задач прогнозирования и принятия решений.
Этап 7: адаптация (количественное изменение) когнитивной модели с использованием новых данных, информации и знаний, полученных в ходе эксплуатации на этапе 6.
Этап 8: пересинтез (качественное изменение) когнитивной модели с использованием новых данных, информации и знаний, полученных в ходе эксплуатации на этапе 5.
Этап 9: количественная модификация и доработка интеллектуальной оболочки в том же инструментарии, в котором она была первоначально разработана на этапе 1.
Этап 10: качественно новая постановка и разработка новой интеллектуальной оболочки в новом инструментарии.
Кратко поясним содержание этапов 7 и 8 (рис. 2):
1. Состояние объекта управления входит в обучающую выборку и достоверно идентифицируется (внутренняя валидность, в адаптации нет необходимости).
2. Состояние объекта управления не входит в обучающую выборку, но входит в исходную генеральную совокупность, по отношению к которой эта выборка репрезентативна и достоверно идентифицируется (внешняя валидность, добавление объекта к обучающей выборке и адаптация модели приводит к количественному уточнению смысла признаков и образов классов).
3. Состояние объекта управления не входит в исходную генеральную совокупность и идентифицируется недостоверно (внешняя валидность, добавление объекта к обучающей выборке и пересинтез модели приводят к учету в ней новых классов и признаков, к качественному изменению смысла признаков и образов классов, исходная генеральная совокупность расширяется).
В заключение отметим, что в работах [1; 5] приведен развернутый пример решения проблемы управления агропромышленным холдингом на основе технологии менеджмента знаний.
Таким образом, исходя из вышеизложенного, на наш взгляд, можно обоснованно сделать главный вывод о том, что в современных условиях достижение качества управления агропромышленным холдингом, обеспечивающего конкурентные преимущества, требует применения автоматизированных технологий выявления, накопления и применения знаний для прогнозирования и принятия решений.
Литература
1. Макаревич О.А. Управление агропромышленным холдингом с применением технологий искусственного интеллекта: монография. – М.: Финансы и статистика, 2009.
2. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): монография. – Краснодар: КубГАУ, 2002.
3. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом: монография. – Краснодар: КубГАУ, 2005.
4. Луценко Е.В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: монография. – Краснодар: КубГАУ, 2008.
5. Луценко Е.В. Методология применения системно-когнитивного анализа для синтеза многоуровневой семантической информационной модели агропромышленного холдинга и решения на ее основе задач прогнозирования, поддержки принятия управленческих решений и научных исследований / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Научный журнал КубГАУ: [Электронный ресурс]. – Режим доступа: ej.kubagro.ru/2009/01/pdf/02.pdf.
6. Гаврилова Т., Григорьев Л., Кудрявцев Д. Управление знаниями: от слов к делу: [Электронный ресурс]. – Режим доступа: kmtec.ru/publications/library/authors/uzd/index.shtml.
7. Григорьев Л. Knowledge Management – функциональная задача или новая парадигма управления? : [Электронный ресурс]. – Режим доступа: kmtec.ru/publications/library/authors/km_func_task_or_new_paradgm.shtml.
8. Слиньков Д. Как обуздать холдинг? : [Электронный ресурс]. – Режим доступа: cfin.ru/management/strategy/holding.shtml.
9. Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка–Абельсона // Научный журнал КубГАУ: [Электронный ресурс]. – Режим доступа: ej.kubagro.ru/2004/03/pdf/04.pdf.