Интеллектуальное управление как побочный продукт обучения или эффект появления искусственного интеллекта?
И самообучение тоже.
Экономической потенциал организации создают УНИКАЛЬНЫЕ знанию плюс их правильное применение. То есть мы можем выдвинуть такую формулу
ЭКОНОМИЧЕСКИЙ ПОТЕНЦИАЛ = УНИКАЛЬНЫЕ ЗНАНИЯ + ПРАВИЛЬНОЕ ПРИМЕНЕНИЕ УНИКАЛЬНЫХ ЗНАНИЙ.
Знания может создавать только интеллект. Он же, интеллект, может использовать знания для управления. В связи с этим возникает искушение определить интеллектуальное управление, как управление на основе использования УНИКАЛЬНЫХ знаний. Наверное, в отличие от управления на основе интуиции, или на основе опыта, или на основе чужого опыта, или на основе чужих технологий. Изъянов в определении интеллектуального управления много, но предикат «УНИКАЛЬНОЕ» знание я думаю устраняет большинство изъянов.
Далее можно вспомнить концепцию кибернетического предприятия и задуматься над характеризацией интеллекта. С естественным интеллектом все понятно. Но есть уже понятие искусственного интеллекта. Будет ли управление на основе искусственного интеллекта тоже интеллектуальным?
Вопрос этот пока всецело верит в то, верите ли Вы в возможность искусственного интеллекта. Если верите, то у искусственного интеллекта должны быть уникальные знания. А если есть уникальные знания, то и ухаживать за искусственным интеллектом нужно по иному, нежели за оборудованием. Кто же будет ухаживать за искусственным интеллектом, кормить его (сенсорно, конечно), что будет его хвалить?
Кто-то вероятно будет.
И открывается новая грань интеллектуального предприятия. Предприятия, на котором есть стратегически важный отдел по ухаживанию за искусственным интеллектом.
Тут же должны «нарисоваться» юристы!
Как мы знаем, естественный интеллект является субъектом права. А искусственный интеллект – нет. А будет ли?
Если такое направление в юридической науке "нарисуется", то тут же на поверхность «вылезет» огромное многообразие трактовок термина «знание». Многообразие, порожденное бесконечными возможностями проявления интеллекта.
К месту будет вспомнить и Кевина Уорвика из университета Реденга, написавшего Всемирную декларацию об ограничении памяти машин, чтобы не допустить создания искусственного интеллекта!
Британский кибернетик проф Кевин Уорвик из университета Рединга предлагает подписать Всемирную декларацию об ограничении памяти машин, мотивируя это тем, что "кто даст гарантию, что машин а, воспринимающая мир в 1000 раз разнообразнее, чем человек, с равным ему уровнем развития, готовая к самоообучению, не придумает как перехитрить хозяина". Это опасность серьезнее опасности ядерной войны.
На эту же тему можно почитать "Мегабитовую бомбу" С.Лема. К сожалению, он не успел проработать эту тему до изящного романа.
Есть еще правда "Гиперион" Симмонса, но эта эпопея показалась мне очень примитивной.
=====
- Метатеория
- Теория (разделы математики, физики, химии - примеры теорий)
- Феноменологическое описание (биология, медицина, природные науки). Феноменологические описания порой называют теориями для придания весомости, но то что отличает феноменологию от дедуктивных систем - это обилие исключений из правил и опора на эмпирический метод исследования.
- Практическая дисциплина. Самый яркий пример - бухгалтерия. Здесь все строго, регламентировано, но искусственно.
- Технология. (Например, справочник технолога сети общественного питания).
и
- ПОВАРЕННАЯ КНИГА. Набор рецептов, которые гарантируют что супчик то получится, но вкус зависит от хозяйки.
Поваренная книга от технологического справочника отличается тем, что в технологическом справочнике, в отличие от поваренной книги, есть механизмы приведения продукта к однообразному и повторяемому состоянию. Так супчик у хозяйки день ото дня разный, а в кафе - всегда одинаковый.
Так вот - все что можно говорить о менеджменте (в смысле придуманной мною классификации), то он относится к поваренной книге. Но если фирма "раскошелится" на ERP-систему не дешевле 1 млн долларов, то получится ТЕХНОЛОГИЯ.
Но если далее на менеджмент посмотреть более пристально, то местами там найдется место и для практических и для феноменологических достижений.
А вот в части теорий - пока только заимствования.
Эту классификация я вынужден был изобрести после того, как плотно занялся дисциплиной "Управление изменениями" в разрезе походов ее преподавания на курсах МБА. Все вроде логично, а больше чем на поваренную книгу не тянет. Нет повторяемости устойчивой повторяемости вкуса...
====
Гуманитарная машина.
Встретилось такое определение.
По моему вкусу - невероятно красивый оксюморон.
Именно такого мне не хватала для концепции "кибернетического предприятия".
Сразу скажу - в статье идет речь о другом, о хорошем, об идеологии.
Я же займусь "извращениями"!
В самом деле, задуматься в отрыве от контекста статьи над гуманитарной машины и сразу не поймешь.
То ли это "зомбированные гуманитарии", то ли машина, полная гуманитариев
В концепции же кибернетического предприятия гуманитарии нужны как обслуга. Так как машины пока не умеют находить и принимать решения в неопределенной обстановке. Вообще не могут работать без фактов, данных, знаний. Короче, без информации.
А гуманитарии - могут!
Как только у кибернетического предприятия не будет хватать данных для принятия решения или энтропия будет максимальна... или нет... как только энтропия достигнет некоторого порогового значения - милости просим к рулю гуманитария.
Ну а потом - порулил, что ж, иди отдохни...
---
Примечание.
Оксю́морон, оксиморо́н (др.-греч. οξύμωρον — «умная глупость») — стилистическая фигура или стилистическая ошибка — сочетание слов с противоположным значением (то есть сочетание не сочетаемого). Для оксюморона характерно намеренное использование противоречия для создания стилистического эффекта. С психологической точки зрения, оксюморон представляет собой способ разрешения необъяснимой ситуации.
Оксюморон крайне близок к парадоксу.
Поэтому мой друг.
========
«Если бы делать было так же легко, как знать, что делать,
то часовни стали бы храмами, а бедные хижины – царскими
дворцами».
У. Шекспир, «Венецианский купец»
Предлагаю рассмотреть аксиому
"Знания не конвертируются автоматически в деньги"
К сожалению.
Для того, чтобы знания претворялись в жизнь с пользой - нужно много тренироваться и вырабатывать навык. А потом действовать. Об этом обычно забывают.
Приведу два примера на пропущенное звено "навык".
1. Вы берете самоучитель по боксу, все изучаете в нем, все удары, защиты, стратегии, тактику, а также все бои (вам вручают гигабайты видео лекций), потом сдаете тесты, очень успешно. Пишите и решаете кейсы, потом делаете и защищаете диплом.
А потом выходите на ринг...
Надеюсь понятен результат?
2. Лежит парализованный человек. Ему вручают самоучитель по боксу и он выполняет все, что описано в пункте 1.
Ну и что?
Иногда говорят, знаний мало, нужно мышление соответствующее (экономическое, духовное, религиозное, дисциплинированное, логическое и прочее, прочее, прочее).
Мышление против знаний рассматривать, если придерживать принятой в психологии и философии понятийной базы, это то же самое, что рассматривать мед против горшка.
Мышление - это форма психологического отражения. (То есть горшок)
Знание - это специальный вид данных, часто принимающий вид "если ... то ...." (То есть мед)
Если у меня много меда, мне конечно понадобиться мышление. Но если у меня меда нет, то ГОРШОК нужен ли? Или про запас - вдруг ночью приспичит... smile:)
Критикуя, тем не менее предлагаю.
Польза от знаний - это условный случайный процесс, зависящий еще от ряда переменных и функций, не указанных в статье.
Я их обозначаю следующей сложной функцией
Польза = ФУНКЦИЯ_ПОЛЕЗНОСТИ (Результат, Время_когда_результат_нужен)
Следует помнить, что "дорога ложка к обеду".
Теперь результат
Результат = УДАЧА (СВОЕВРЕМЕННОСТЬ ( Знания, Умения, Действия) )
УДАЧА - это функция, вероятностная.
СВОЕВРЕМЕННОСТЬ - это функция, представляющая как бы холмик, склоны которого приходят к нулю. Аналогия в пословице - "после драки кулаками не машут" - относиться к "заднему" склону холмика, а аналогия - "он опередил свое время" - к переднему склону.
Итак, чтобы знания принесли пользу, нужно чтобы они были подкреплены умениями, приводили к действиям, эти действия происходили своевременно, а далее все зависит от благоприятного стечения обстоятельств, то есть от фортуны.
Задача для выбора надлежащего руководителя здесь - что б был он любимчиком богов!
Интеллект человека определяется не объёмом того, что он знает, а
качеством того, что он делает.
Знание и информация - главный ресурс организации?
Тем более, в так называемом постиндустриальном обществе. Или в информационном обществе.
И ссылаются на Питера Друкера, который как-то заявил, что главное - делать знания производительными. В XXI веке.
Раньше надо начинать!
С XVII века!
Задача то впервые была поставлена Френсисом Бэконом: "Scentia potencia est".
Удивительно, что и Ф.Тейлор, и Г.Форд, и Эмерсон, и Э.Мэйо, и А.Маслоу и многие другие стремились воплотить максиму "Scentia potencia est" в жизнь, но почему то не считали знание и информацию главным ресурсом.
Видимо понимали, что знание и информация - это один из ресурсов системы управления. И подменять цели объекта целью системы управления можно только сильно переучившись.
Аутсорсинг некоторых функций управления не повод сводить всю экономику к услугам управленческого характера. Конечно, управленческие услуги сопровождаются обменом знаниями и информацией - ну и что?
А вот попытка специализации в этой сфере "поставки управленческих услуг" в рамках международного разделения труда грозит потерей обеспеченности основными материальными и энергетическими ресурсами.
А это уже небезопасно, если не иметь лучший флот, лучшую армию, лучшую космическую группировку.
Вот такая торговля знаниями и информацией в условиях монополии, к примеру, на соль и сахар.
KDD - извлечение знаний из баз данных
Knowledge Discovery in Databases (KDD) – извлечение знаний из баз данных.
Очень привлекает меня этот процесс.
Заявка – в сырых данных содержатся полезные знания.
И их можно извлечь.
Ну, допустим, знания-то всегда содержатся в данных.
Но вот – кому они полезны?
Есть ли субъекты, относительно которого можно судить о полезности.
Если же субъект найдет, то можно перейти к самому процессу.
Именно, не наоборот.
Нужен субъект.
Потому что если нет субъекта, то весь процесс извлечения данных точно соответствует ситуациям, описанным братьями Стругацкими. Короче, безнадежно прогрессорство и субботние понедельники.
Процесс добычи знаний описывают несколькими этапами.
Существенными считаю следующие четыре этапа.
1 Подготовка исходного набора данных. В основном этот этап состоит составлении описаний самих данных, источников данных и возможно формировании некоторых подготовительных наборов данных.
2 Предобработка и очистка данных.
Очень ответственный момент, так как именно этот этап может заложить основу для построения неверных знаний и даже пропуску знаний. Дело в том, что утверждается, что данные могут содержать пропуски, шумы, аномальные значения. Данные могут быть избыточны или недостаточны. В некоторых задачах требуется дополнить данные некоторой априорной информацией.
Интересен сам по себе перечень недостатков данных и рецепты по получению «корректности» данных.
При этом никто не хочет обращать внимание на то, что пропуски данных не восстанавливаются, аномальные значения таковыми считаются ввиду наивных суждений лиц, присвоившими себе звание эксперта, а шум учитывается в алгоритмах анализа. Избыточность таковой является только с позиции самоуверенрности, а недостаточность неустранима.
Есть только одно основание для данного этапа – это проклятие размерности. То есть ограничения вычислительной мощности требуют понижения размерности – но это отнюдь не улучшает поиск знаний, а наоборот – понижает.
А вот устранение аномальных значений лишь создает иллюзию очистки данных. Если есть аномальные значения, то вы можете дать гарантию, что данные, которые кажутся нормальными – достоверные. Ведь есть система сбора первичных данных пропустила аномальные значения – значит она весьма плохо контролирует достоверность и валидность записываемых данных. Поэтому любое значение может быть аномальным, хотя и кажется нормальным.
3 Трансформация данных.
Обычно – это преобразование типов, возможно, преобразование таблиц в угоду алгоритмов следующего этапа.
4 Data Mining.
Здесь и работают алгоритмы для нахождения знаний. Можно выделить «самые отработанные» группы методов
• Классификация — установление зависимости между входными и дискретными выходными переменными. Решается задача отнесение объектов (наблюдений, событий) к одному из заранее известных классов.
• Регрессия – установление функциональной зависимости между входными и непрерывными выходными переменными. Необходимо для решения задач прогнозирования.
• Кластеризация — это группировка объектов на основе данных-свойств, описывающих сущность объектов. Объекты внутри кластера должны быть «похожими» друг на друга и отличаться от объектов, вошедших в другие кластеры.
• Ассоциация — выявление зависимостей между связанными событиями, указывающих, что из события X следует событие Y. В частности, применяются для нахождения шаблонов покупок. Сюда входят частный случай ассоциаций - анализ потребительской корзины (market basket analysis).
• Последовательные шаблоны — установление закономерностей между связанными во времени событиями. В чем-то напоминают методы технического анализа фондового рынка.
В целом же, в этом разделе могут содержаться все алгоритмы, реализованные в статистических пакетах программ и алгоритмов.
Комментариев нет:
Отправить комментарий