Игра в разум 03.06.2003 Лев Никитин
…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!..
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! 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).
|