2 Движение познания от эмпирических данных к информации, а от нее к знаниям

Данные — это информация, записанная на каком-либо носителе (или находящаяся в каналах связи) и представленная на каком-то языке или в системе кодирования.

Это определение является общепринятым См., например: http://dic.academic.ru/dic.nsf/ruwiki/71 919, но не выдерживает никакой критики.

Во-первых, обычно определение понятия дается через более общее понятие и выделение специфического признака.

Например: млекопитающее — это животное (более общее понятие), выкармливающее своих детенышей молоком (специфический признак).

Если следовать этой логике, то понятие информации должно быть более общим, чем понятие данных, а на самом еле как раз наоборот. Кроме того, специфическим признаком информации, которая является данными, оказывается то, что она записана на каком-то носителе, в том время как и данные и информация, всегда записаны на каком-либо носителе в какой-то системе кодирования и невозможно даже представить себе информации, не записанной на носителе и не представленной на каком-либо языке.

Во-вторых, естественно, и более общее понятие, и специфический признак, должны быть известны и сами не требовать определения, иначе получится, что мы определяем одно неизвестное через другое неизвестное, иногда даже более неизвестное, чем первое. Но понятие информации является не менее неизвестным, чем определяемое через него понятие данных.

Например, мы определяем что такое бутерброд и говорим: «бутерброд это хлеб, на который намазано масло». А когда мы спрашиваем, что же такое хлеб, нам отвечают: «Но так это же просто: это то, на что намазывают масло, когда делают бутерброд». И когда, наконец, мы спрашиваем, а что такое масло, нам говорят: «Но это Вы уже и сами должны были догадаться, — это то, что намазывают на хлеб, когда делают бутерброд». Мы уже не говорим о смысле слова: «намазывают». Все вместе взятые эти «определения» выглядят уже просто как издевательство. Наверное это было бы даже смешно, если бы не было грустно, т.к. в науке подобный способ давать определения, как это ни странно, довольно распространен. Например нетрудно найти подобные «определения» материи и сознания друг через друга: материя — это то, что существует вне и независимо от сознания, а сознание это способность мозга, что отражать материю См., например: http://nounivers.narod.ru/bibl/diam9.htm: «Материя есть объективная реальность, существующая вне и независимо от сознания, тогда как сознание производно от материи и зависит от неё. Сознание есть отражение объективного мира в мозгу человека. Сознание-свойство высокоорганизованной материи, способность нашего мозга отражать вне нас существующий материальный мир.».

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т. е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е. В. Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, о том, какие воздействия на объект моделирования к каким последствиям приводят, и в знания о том, какие значения факторов применить для воздействия на объект моделирования, чтобы он перешел в заранее заданные желательные целевые состояния.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона [21], состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Понятие причинно-следственных связей относится к реальной области. Данные же являются лишь моделью, с определенной степенью адекватности отражающей реальную предметной область. Поэтому в данных никаких причинно-следственных связей нет и выявить их в данных невозможно.

Но причинно следственные связи вполне возможно выявить между событиями, отражаемыми этими данными. Но для этого нужно предварительно преобразовать базу исходных данных в базу событий. Операция выявления причинно-следственных связей между событиями, отраженными в данных, называется «Анализ данных». По сути, анализ данных представляет собой их осмысление и преобразование в информацию.

Например, анализируя временные ряды, отражающие события на фондовом рынке, мы начинаем замечать, что если вырос спрос на какую-либо валюту, то за этим обычно следует повышение ее курса.

Анализ данных включает следующие этапы:

• 1. Выявление событий в данных:
  • — разработка классификационных и описательных шкал и градаций;
  • — преобразование исходных в базу событий — эвентологическую базу, путем кодирования исходных данных с применением классификационных и описательных шкал и градаций, т. е. по сути путем нормализации исходных данных.
• 2. Выявление причинно-следственных зависимостей между событиями в эвентологияческой базе данных.

В случае систем управления, событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т. е. по сути, случаи перехода объекта управления в определенные будущие состояния, соответствующие классам, под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме порядковых лингвистических переменных (типа: «малые», «средние», «большие» значения показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике хорошо известно, что это совершенно не так, т.к. для выявления причинно-следственных связей в соответствии с методом научной индукции (Ф.Бэкон, Дж. Милль) необходимо сравнивать результаты по крайней мере в двух группах, в одной из которых фактор действовал, а в другой нет.

Например, на плакате, выпущенном полицией Автор такой плакат видел, когда проходил медосмотр перед получением прав нового образца., написано: «По статистике, порядка 7,5−8% аварий в России ежегодно совершается по вине водителей, находящихся в состоянии алкогольного опьянения» См., например: https://cnev.ru/polezno/stati/osnovnye-prichiny-dtp-pyanstvo-za-rulem. Все. Точка. Больше ничего не написано. Однако, чтобы понять, является ли состояние алкогольного опьянения фактором, увеличивающим риск совершения ДТП или его тяжесть, этой информации недостаточно. Для этого обязательно необходима также информация о том, сколько процентов аварий в России ежегодно совершается по вине трезвых водителей. Но эта информация не приводится, поэтому формально здесь возможно три варианта: 1) по вине трезвых водителей аварий совершается меньше, чем по вине пьяных; 2) по вине трезвых водителей аварий совершается столько же, сколько по вине пьяных; 3) по вине трезвых водителей аварий совершается больше, чем по вине пьяных. Первый вариант содержит информацию о том, что опьянение — это фактор риска совершения ДТП, второй — что это никак не влияет на риск совершения ДТП, а третий — что опьянение уменьшает его. Конечно, все понимают, что в жизни реализуется 1-ф вариант. Но об этом ведь нет прямых статистических данных. Таким образом, знак разности этих процентов определяет направление влияния этого фактора, а модуль этой разности силу его влияния, что и используется как один из частных критериев знаний в АСК-анализе и системе «Эйдос» [35].

Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А. Харкевичу. Все эти меры причинно-следственных связей основаны на сравнении условных вероятностей встречи различных значений факторов при переходе объекта моделирования в различные состояния и по всей выборке.

Знания — это информация, полезная для достижения целей, т. е. для управления.

Значит для преобразования информации в знания необходимо:

• 1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные в какой-то шкале, лучше всего в порядковой или числовой).
• 2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

• — вообще неформализованные знания, т. е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);
• — знания, формализованные в естественном вербальном языке;
• — знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);
• — знания в форме технологий, организационных, производственных, социально-экономических и политических структур;
• — знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

• — преобразовать исходные данные в информацию;
• — преобразовать информацию в знания;
• — использовать знания для решения задач управления, принятия решений и исследования предметной области.

Процесс преобразования данных в информацию, а ее в знания называется анализ:

В системе «Эйдос» этот процесс осуществляется в следующей последовательности:

Основные публикации автора по вопросам выявления, представления и использования знаний [21, 22, 23].

Из вышеизложенного можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают движение познания от эмпирических данных к информации, а от нее к знаниям. По сути это движение от феноменологических моделей, описывающих явления внешне, к содержательным теоретическим моделям.