2.2. КЛАССИФИКАЦИЯ ИНСТРУМЕНТАЛЬНЫХ СРЕД, ИСПОЛЬЗУЕМЫХ В СППР

Системы поддержки принятия решений (СППР) прошли в своем развитии ряд этапов, которые в разные периоды реализовывались с помощью различных методов и инструментальных средств. Синтез в такой человеко-машинной системе, как СППР, столь разнородных элементов, как математические методы и неформализуемые знания человека (опыт), требует выработки научного подхода к правильному использованию этого синтеза на практике.

Многолетний опыт создания СППР позволяет достаточно ясно увидеть две крайности в сочетании формальных и неформальных методов: 1)

предпочтение отдается формальным (как правило, оптимизационным) моделям принятия решений; при этом человек малоактивен; 2)

предпочтение отдается неформальным (эвристическим) моделям принятия решений; при этом компьютер вместе с мощным аппаратом математики используется в качестве подсобного средства.

Усилия ученых направлены на поиски инструментальных сред, которые в зависимости от специфики предметной области, а также целей и возникающих проблем, позволили бы указать на достаточно эффективное сочетание формального и неформального в СППР. Под инструментальной средой поддержки принятия решений будем понимать совокупность информации и информационных технологий, необходимых ЛПР для выполнения своих должностных обязанностей.

Какие методы и инструментальные среды используются менеджерами сегодня в процессе компьютерной поддержки решений? •

Какие из этих сред следует развить, чтобы получить достаточно хорошее соотношение объемов «формальное - неформальное».

Изучение свойств существующих систем основывается на их классификации.

При проведении классификации некоторое множество должно быть разделено на подмножества, при этом необходимо в явном виде наличие классификационного признака. Сумма подмножеств должна составлять полное исходное множество, а их пересечение должно быть пустым.

Классификация представляет собой базовую функцию познавательной деятельности человека. Обращение к классификации неизбежно, если возникла проблема «сжатия» информации об объектах за счет операций отождествления, различения и расположения объектов в классах: «классификационная работа ведет к изменению как объема, так и содержания понятий предметной области. Именно поэтому классификация - это цель и инструменты познания». [206]. Как заметил в свое время Дж.С.Милль [146], «классификация заставляет идеи о предметах сопровождать друг друга. Она дает власть над уже приобретенными знаниями и ведет к приобретению новых».

ЛПР обладает некоторым инструментарием, т.е. совокупностью методов поддержки отдельных этапов принятия решений, которые обеспечивают использование информационных технологий.

Вначале формирования представления о системах подцержки принятия решений предполагалось, что если вложить в них необходимые знания о некоторой предметной области, а также правила их обработки, то этого будет вполне достаточно для получения приемлемого инструмента для поддержки принятия решений. Основная проблема, возникшая при этом, заключалась в необходимости создания способов эффективного отражения знаний экспертов-специалистов в памяти компьютера. Данная проблема впоследствии приобрела свои способы решения в рамках появившегося научного направления - инженерии знаний.

В русле этого направления общепринято различать две формы представления знаний: декларативную и процедурную.

Очень скоро стало понятно, что знания человека, закладываемые в базу знаний, как правило, приблизительны и часто противоречивы. В связи с этим достаточно быстро возникло новое направление, получившее название компьютерная логика. В рамках этого направления были созданы средства борьбы с подобного рода трудностями - логики, базирующиеся на различных видах дедуктивного вывода.

Однако не все задачи можно решать средствами дедуктивной логики. Существуют ситуации, когда подобного рода средства бессильны, например, распознавание цвета. Кроме того, со всей остротой возникла проблема принципиальной неполноты и устаревания знаний. Знания, вкладываемые в СППР, по существу, являлись одномоментной фотографией, "слепком" того положения дел, которое существовало в момент их формализации. Со временем, из-за отсутствия средств самоадаптации к изменяющимся внешним условиям, неполнота и устаревание знаний неизбежно вели к разрушению системы либо к непомерному росту затрат на их адаптацию к новым информационным потребностям.

Постепенно пришло понимание того, что классические дедуктивные методы обработки знаний должны дополняться эволюционными методами моделирования, хорошо известными генетикам. Пересмотр взглядов на создание СППР вполне согласуется с природой: моделировать следует не только и не столько готовый интеллект человека, сколько процесс развития его интеллекта.

Изменение взглядов на объект моделирования можно объяснить общими законами и принципами развития живой и неживой природы.

В рамках направления искусственного интеллекта существует множество информационных технологий и систем, призванных помочь в деле управления обществом, производством, торговлей, кредитной и финансовой сферами и т.д. Наиболее популярными названиями таких систем являются: экспертные системы, советующие системы, системы поддержки принятия решений, системы исполнения решений, интеллектуальные системы. Общей чертой перечисленных. систем и технологий является использованние в них знаний человека-эксперта.

Если выделить среди них технологии, ориентированные на решение задач из экономической сферы, то полученный класс систем можно назвать экономическими системами поддержки решений. Далее под СППР будет пониматься любой программный продукт, отражающий экономические знания специалиста-профессионала, его навыки и опыт и используемый в процессе выдачи пользователю совета-решения.

Описанные выше фундаментальные направления развития методов (принципов) представления знаний позволяют классифицировать известные сегодня информационные технологии, реализующие СППР, по способу отражения знаний. Обратимся к рис. 2.7, на котором все СППР разделены на два класса: воспроизводящие мыслительные процессы человека - осознанные и неосознанные. Такое деление вытекает из двух форм психического отражения у человека: сознательного и бессознательного.

Поскольку первый класс СППР охватывает довольно широкий спектр информационных технологий, для того чтобы выяснить, какие из них относятся к этому классу, нужно вычленить типичные мыслительные процедуры, выполняемые только человеком-экспертом и выполняемые не только человеком, но и системой, претендующей на получение названия советующей (чем больше таких процедур она может выполнить, тем больше у неё оснований называться таковой).

Специалисты, принимающие решения, обычно осуществляют следующие мыслительные процедуры: •

делают выводы на основе анализа полных, неполных и ненадежных знаний; •

объясняют свои решения и могут обосновать, почему они пришли к тому или иному выводу; •

пополняют свои знания, заново их систематизируют, обучаются на своем и чужом опыте; •

делают исключения из правил, используют противоречивую и неправдоподобную информацию; •

определяют уровень своей компетентности, т.е. определяют, могут ли они принимать решение в данном случае или нет.

Перечисленные процедуры редко выполняются специалистом в полном объеме, как правило, он ограничивается первыми тремя. В связи с этим принципиальным отличием СППР от специалиста считается их способность воспроизводить и манипулировать обрывочными, неточными и противоречивыми знаниями. Эти системы должны быть способными к рассуждениям не столько на основе формальной (математической) логики, сколько на основе компьютерной логики, т.е. на основе логики, приближенной к человеческой. Причем система должна уметь объяснять, почему она пришла к тому или иному выводу. СППР, воспроизводящие большинство перечисленных процедур, составляют первый класс систем, характерной чертой которых является статическое отражение осознанных умственных действий человека. Такое отражение осуществляется либо с помощью детерминированных зависимостей (уравнения, неравенства, алгебраические или иные выражения), либо с помощью логических правил, основанных на исчислении предикатов первого порядка.

На рис. 2.7 показано, что СППР первого класса делятся на два подкласса: •

расчетно-диагностические СППР; •

экспертные системы приближенных рассуждений.

Подкласс «Расчетно-диагностические системы» можно назвать

мониторинговыми, так как цель их создания заключается в наблюдении за состоянием объектов или процессов, в своевременной сигнализации о появлении негативных явлений, в оценке последних и выдаче рекомендаций для их ликвидации.

Особого развития эти системы достигли в таких сферах, как экологический и технический мониторинг. В задачу экологического мониторинга входит отслеживание отклонений параметров окружающей среды от их ожидаемого состояния, а технический мониторинг обеспечивает контроль за состоянием технических систем. И те и другие осуществляют поиск быстрого решения в случае отклонения характеристик от нормы. К этому подклассу СППР можно отнести информационные системы, сопровождающие непрерывное производство (например, работу электростанций), системы, контролирующие движение транспортных средств. Менее развитыми являются системы мониторинга социальной сферы, призванные отслеживать общественные явления и контролировать последствия принятия тех или иных социально значимых решений. Что касается экономического мониторинга, то общественная потребность в подобного рода системах до недавнего времени не была сформулирована. Ведь такие понятия, как инфляция, дисконт, биржевой курс, эмиссия и др., практически отсутствовали в качестве показателей, используемых для управления социалистическим предприятием.

В период построения социалистической экономики конкуренции не существовало, поэтому осознание необходимости в средствах, способных помочь в принятии решений в мире рыночных отношений, пришло сравнительно недавно. Со сменой экономических отношений стали востребованными системы, способные вовремя предупреждать об изменениях, происшедших в динамике биржевых цен, а также способных просчитать возможные последствия таких изменений в ближайшем и отдаленном будущем. Методологией экономического мониторинга рассматриваются следующие классы систем, осуществляющих: •

производственный мониторинг, предназначенный для выявления отклонений в финансовых (бухгалтерских) показателях, отражающих работу предприятий и товарно-фондовых бирж; •

институциональный мониторинг, предназначенный для выявления реакции предприятия на изменения законодательства и действия властных структур.

Если в мировой практике мониторинг товарно-фондовых бирж уже освоен, то финансовый мониторинг предприятий пока остается недостаточно развитым. Его цель состоит в выявлении сложившейся ситуации и отыскании достаточно эффективного решения по ее улучшению.

Системы расчетного характера базируются на детерминированных зависимостях, задаваемых для достижения хорошо сформулированных целей управления предприятием. Выявление глубинных причин неэффективности работы того или иного предприятия существенно зависит от умения эксперта проанализировать состояние производства и управления, сформулировать диагноз и выработать соответствующий "рецепт" - перечень мероприятий. Поскольку такой анализ затрагивает различные функции предприятия, отразить его результаты в базе знаний довольно трудно. Перечень компонентов СППР, которые должны обеспечить ЛПР соответствующей информацией, определяются основными функциями системы поддержки решений данного класса: •

распознавание сложившейся экономической ситуации, ее анализ, формирование диагноза и ближайших целей, достижение которых обеспечит возврат к желаемой траектории развития предприятия; •

выработка путей достижения сформулированных целей с учетом имеющихся у предприятия ресурсов; •

пополнение, модификация и ликвидация устаревших экспертных знаний; •

обеспечение дружественного пользовательского интерфейса.

Функция распознавания и решения проблемы реализуется в СППР

с помощью блоков диагностирования объекта управления и поиска возможных путей для достижения поставленных целей.

Центральное место в обеспечении пополнения и модификации знаний системы занимает блок базы знаний, который может представлять собой интеграцию дерева целей и графа показателей. Такая интеграция позволяет, с одной стороны, задавать конечную цель управления (например, увеличивать рентабельность, снижать себестоимость, сокращать объем незавершенного производства и т.д.), а с другой - представлять данную цель в виде набора расчетных формул. При этом терминальные вершины графа указывают на конкретные действия должностных лиц, принимающих участие в достижении цели. Особое место здесь занимает блок расчётов, заполнения матрицы решений и выбора альтернатив. С его помощью устанавливается состояние, в котором находится предприятие, и отыскивается путь для выхода из сложившейся экономической ситуации.

Рассмотренный подкласс систем достаточно сложен в практической реализации, и кроме того, в нем не до конца решены некоторые теоретические вопросы: •

обоснование степени детализации целей, достаточной для адекватного реагирования системы на внешние флуктуации, отсутствует; •

выработка альтернатив, достаточных для принятия эффективного решения, является проблематичной; •

разработка функции предпочтения (оценивающей выработанные альтернативы) - сложная, а часто и невозможная процедура; •

наложение (синтез) расчетных формул на дерево целей оказывается проблематичным, что затрудняет применение данного класса систем в практике создания СППР; •

информация о внешней среде используется системами этого класса в ограниченных объемах, что существенно обедняет выдаваемые результаты.

К системам оценочного характера [186,187] относятся консультативно-советующие аудиторские системы, главной функцией которых является оценка действий администрации предприятия (менеджера) за отчетный период. Кроме того, эти системы осуществляют поиск путей повышения эффективности управления в последующие периоды. В оценке действий администрации заинтересованы следующие субъекты: акционеры, кредиторы, сотрудники, а также профсоюзы, налоговая служба, страховые компании, органы правосудия и другие субъекты.

Так, акционеры заинтересованы в правильном начислении дивидендов и увеличении стоимости акций предприятия, а профсоюзы - в сохранении рабочих мест и увеличении заработной платы своих членов.

Как правило, оценке подлежат: •

гибкость стратегии развития предприятия и дивидендная политика; •

эффективность стратегии получения и использования заёмных средств; •

устойчивость платежеспособности предприятия.

Для решения большинства задач оценки финансового состояния предприятия и определения путей его улучшения применяют методы поиска наибольшего и наименьшего значений целевой функции, отражающей финансовый или производственный рычаги, устойчивость работы предприятия или его платежеспособность и т.д. При этом ограничения, очерчивающие область поиска неизвестных, линейны. При наличии непрерывной целевой функции в большинстве случаев обеспечивается получение наибольшего (наименьшего) из всех ее значений. Особенностью рассматриваемого класса систем является их способность не только к оценке действий руководителей за прошлый период, но и к выработке рекомендаций на ближайшее будущее.

Эти системы достаточно просты в создании и применении. Однако их модификации, на наш взгляд, обладают рядом недостатков, снижающих темпы распространения этих систем. В первую очередь следует отметить два момента:

1. Оценка деятельности предприятий на базе ограниченного множества показателей (обычно не более десяти) рассматривается нами как односторонняя, ибо эти расчеты выполняются локально, без какой-либо взаимосвязи с другими показателями. Это выглядит довольно странно, так как изменение любого показателя обычно влечет за собой изменение одного или нескольких других, что в этих системах не учитывается.

2. Достаточно трудно поверить в то, что зарубежные методики оценки предприятия могут без какой-либо модификации использоваться в отечественной практике. Такая модификация для них необходима, так как имеет место несовпадение форм и методов составления бухгалтерской отчетности. Это существенным образом изменяет экономический смысл оценки, выполняемой по единой методике, но основанной на различных показателях бухгалтерской отчетности.

К подклассу расчетно-диагностических систем относятся «диагностические» системы, являющиеся наиболее сложными, так как они включают в себя черты некоего "лекаря", способного поставить диагноз и выписать рецепт от "болезни". Такие системы создаются по инициативе руководства предприятия для контроля за внутрихозяйственными затратами, правильностью их учёта, для диагностирования финансового состояния предприятия и выдачи рекомендаций по улучшению финансовых показателей.

На различных предприятиях, как известно, используются разные методы оценки и анализа экономической ситуации, существуют сложившиеся воззрения о способах её улучшения, поэтому разработать типовую систему диагностирующего характера довольно трудно. Для менеджеров различных предприятий особенно специфичными являются: •

главная и подчиненные цели, которые они преследуют в процессе выполнения своих функций; •

оценочные показатели, выбираемые ими для выяснения истинного состояния предприятия; •

правила анализа финансовых ситуаций и оценка достоверности полученных результатов; •

процедуры формирования путей выхода из создавшихся ситуаций и оценка доверия к полученным вариантам принятия решений; •

методы оценки качества системы учета; •

объективность оценки своих действий за отчетный период.

Перечисленные особенности определяют блоки, из которых должна состоять СППР диагностирующего характера. Можно согласиться с мнением автора [184], что такая система состоит из блоков: •

диагноза финансового состояния предприятия; •

выработки общих рекомендаций; •

выработки количественных рекомендаций; •

расчетов; •

базы данных и базы правил; •

ввода и корректировки данных и знаний.

Система формирует диагноз на основании формализованных знаний экспертов обычно с помощью конструкций «если - то». Например, правило, позволяющее прийти к одному из диагнозов, может иметь вид:

ЕСЛИ показатель А уменьшился на 5%, И показатель В увеличился на 10%, И показатель С уменьшился на 7%, ИЛИ показатель А уменьшился на 5%, И показатель В увеличился на 20%, И показатель С равен 20%, ИЛИ показатель А уменьшился, И показатель уменьшился, И показатель увеличился на 5%, ТО диагноз № 5.

Авторами упомянутой выше работы сформулированы две стратегии, на основании которых проводится локальное и комплексное диагностирование.

Первая стратегия предполагает локализацию и ликвидацию причин и следствий отдельных факторов, повлекших за собой ухудшение экономического положения предприятия. Основное внимание уделяется только им. Пользователю выдаются заранее заготовленные типовые рецепты-рекомендации (или указания). Типовые рецепты возможны только в простейших случаях. Часто в них приводятся расчетные данные, характеризующие конкретные процессы или объекты. Достоинством данной стратегии является снижение общего количества значимых показателей и связей, вследствие чего внимание акцентируется только на узких местах. Обеспечение пользователя лаконичной информацией о положении предприятия и путей выхода из него, возможно, один из важнейших критериев выбора этой стратегии.

Поиск факторов, влияющих на ухудшение состояния предприятия, осуществляется путём сравнения плановых и фактических значений показателей. Затем на основе факторного анализа выявляют- ся те показатели, влияние которых на результирующие показатели оказалось настолько значительным, что повлекло за собой отклонение от значений нормативных показателей. Нормативными считаются коэффициенты, указанные экспертным путем. Считать ли данное отклонение опасным или находящимся в заданных пределах, решает эксперт. Если обнаружены факторы, отклонение которых превысило допустимую норму, то такая информация служит сигналом для выработки соответствующих рекомендаций лицу, принимающему решение. Выявленные локальные причины ухудшения состояния предприятия могут служить основой для установления локального диагноза с последующей выдачей рекомендации по их устранению. Например, диагноз может быть следующим: •

снижение рентабельности на 7% явилось следствием снижения прибыли на 12% и увеличения себестоимости продукции на 21%; •

себестоимость продукции повысилась за счет увеличения объема незавершенного производства в цехе № 3 на 15%.

Рекомендации (или указания), согласно установленному диагнозу, определяются на основании методов перерасчета узлов в графе "цель-показатель". В результате получают следующие указания для лица, принимающего решение:

Для возврата предприятия на плановую траекторию необходимо: 1)

сократить технологический запас в цехе № 3 на 6%; 2)

сократить страховой запас в цехе № 3 на 9%.

Вторая стратегия диагностического анализа состояния предприятия предполагает комплексный логический анализ динамики показателей, выявления отклонений, формирование диагноза • и, наконец, выдачу рекомендации, в которой излагается перечень необходимых мероприятий для выхода из создавшейся экономической ситуации. Комплексность анализа заключается в выявлении тех состояний, которые при автономном рассмотрении отдельных показателей не идентифицируются, так как значения последних могут удовлетворять допустимым нормам.

В основе комплексного анализа лежат также правила «если - то», позволяющие установить диагноз системы.

Рассмотренные характерные функции систем диагностического характера обнаруживают ряд существенных недостатков, иногда делающих их применение невозможным. Основным недостатком можно считать исключительно большую размерность задач, возникающую за счет многочисленных возможных состояний объекта ди- агностирования. Число состояний определяет и число диагнозов. Предложенная в работе [186] иерархическая классификация состояний, по замыслу авторов, должна, если не сократить их число, то хотя бы структурировать эти состояния для снижения уровня сложности. Однако при этом предстоит ответить на ряд нетривиальных вопросов: •

Каковы должны быть научно обоснованные признаки классификации финансово-хозяйственных состояний объекта диагностирования и какова их иерархическая соподчиненность ? •

Каковы должны быть принципы слияния отдельных диагнозов с целью снижения размерности задачи ? •

Какие экономические показатели должны быть положены в основу построения диагнозов ?

Применение жестких правил обработки знаний возможно в тех областях, Где удается установить детерминированные или стохастические зависимости между объектами и их свойствами. Довольно часто связи такого рода описать или невозможно, или затруднительно. Распространенность подобной ситуации потребовала создания иного класса СППР, характерной чертой которых является способность манипулирования зависимостями, правильность которых сомнительна.

Интерес к подобного рода системам объясняется несколькими причинами: •

существует множество задач, алгоритмы решения которых не известны; •

ряд задач манипулирует исключительно обрывочной, неполной, «зашумленной» информацией, представляющей качественную характеристику объектов или их состояний; •

тиражирование знаний экспертов высокого профессионального уровня является экономически выгодным.

Экспертные системы (ЭС) приближенных рассуждений созданы в качестве средства борьбы с перечисленными трудностями. Они являются основной частью систем, воспроизводящих осознанные мыслительные усилия человека. В отличие от СППР расчетного характера, цели в них не формулируются; они заменяются на гипотезы, доказательство которых базируется на правилах, оцениваемых с точки зрения достоверности. Правила, в свою очередь, манипулируют неточными данными. Неопределенность, возникающая в результате полученного от ЭС совета-решения, оценивается в заранее установ- ленном диапазоне. В какой-то мере ЭС напоминают системы расчетного характера. Разница между ними состоит в следующем: •

системы расчетного характера строятся на основе применения дерева целей, синтезированном с расчетами экономических показателей, а экспертные системы строятся на деревьях вида И-ИЛИ, и расчеты выполняются на основании нечеткой математики; •

системы расчетного характера базируются на четко сформулированных целях, тогда как экспертные материалы - на размытых гипотезах, нечетких правилах, недостоверной исходной информации; •

вычисления в системах расчетного характера выполняются "сверху вниз» и «слева направо» по дереву целей, а в экспертных системах - «снизу вверх».

Структурно экспертные системы состоят из блока логического вывода, блока объяснений и блока приобретения знаний, работа которых основана на базе знаний. База знаний может обеспечивать процесс вывода как самостоятельно, так и в паре с базой данных. Более развитые системы содержат базу фактов, оформленную в виде семантической сети.

Основным блоком в системе является блок логического вывода, предназначенный для расчетов коэффициентов достоверности тех гипотез пользователя, знание которых требуется для принятия решения. Для этого используется дерево И-ИЛИ, синтезированное из правил «если-то».

Анализ эксплуатации экспертных систем, воспроизводящих приближенные рассуждения, показывает, что они не способны или плохо умеют: •

рассуждать исходя из здравого смысла; •

распознавать границы своей компетентности; •

использовать противоречивые знания; •

представлять знания о времени и пространстве; •

распознавать ситуации, где невозможно применить ни одно из правил дедуктивного вывода (например, отличить один цвет от другого).

Основной недостаток такого рода СППР заключается в неспособности к самоадаптации к изменяющимся внешним условиям (например, к изменяющимся информационным потребностям пользователя) и самообучению. Иными словами, они не умеют самопрограммироваться. В связи с этим интенсивно развивается новый класс

СППР, к рассмотрению которого мы переходим. Его характерной чертой является (в отличие от первого) воспроизведение неосознанных умственных усилий человека. Подобно животному миру, эти системы способны обучаться на примерах, динамически приспосабливаясь (эволюционируя) к изменяющейся внешней среде. Такие системы, согласно классификации, представленной на рис. 2.7, состоят из двух подклассов: •

системы нейросетевых вычислений; •

системы, ориентированные на естественно-языковые запросы.

Рассмотренные нами СППР расчетно-диагносгического характера уже воспроизводят осознанные мыслительные процессы человека, что позволяет использовать богатый арсенал математических и логических методов представления и обработки знаний. Подход, основанный на подобного рода знаниях, относят к классическому, ее характерная черта - дискретность обрабатываемой информации.

В последнее время стало очевидным, что осознанные знания являются лишь небольшой частью от общего объема знаний, которыми оперирует человек в своей повседневной жизни. Существует огромное число операций, которые выполняются им неосознанно или полуосознанно. Например, человеку трудно объяснить, как он выделяет знакомую мелодию или знакомое лицо среди других мелодий или лиц. Классические дедуктивные модели оказываются в данном случае совершенно бесполезными, ибо предполагают наличие четко или нечетко сформулированных правил. В результате появившихся новых требований пользователя систем возникает иной эволюционный подход к созданию СППР. В отличие от дедуктивных СППР (первый класс), данный подход ориентирован на индуктивное обобщение и вывод.

В основе построения систем индуктивного характера лежат ней- росетевые технологии. Искусственная нейросеть предназначена главным образом для того, чтобы на основе обработки большого объема информации, отражающей частные случаи какого-либо явления, выявить общие закономерности, которые, в свою очередь, могут быть использованы для распознавания новых частных случаев. Таким образом снимается проблема моделирования бессознательных актов распознавания ситуаций, образов, цвета и т.д. Нейросеть рассматривается в качестве «черного ящика», которой имеет вход, выход и некоторые внешние параметры.

Следующая причина, требующая быстрого развития нейросетевых технологий, состоит в необходимости увеличения скорости ра- боты современных компьютеров. В настоящее время достигнут предел скорости их работы, ограничиваемый скоростью распространения света. В то же время человеческий мозг способен распознавать ситуацию за доли секунды, что объясняется возможностью параллельных вычислений, т.е. одновременным выполнением сразу нескольких шагов по вычислительным операциям. Подобное пока недоступно самому совершенному суперкомпьютеру, но этого можно достичь с помощью нейросетей, способных реализовать высокий уровень параллелизма.

Существует еще одна причина быстрого распространения искусственных нейросетей - их самопрограммируемость. Все операции по распознаванию, сравнению и обработке информации ней- росеть выполняет, не прибегая к переводу образов в цифровой код. Эта замечательная способность освобождает пользователя от утомительного и дорогостоящего программирования для адаптации системы к новым внешним условиям или к новым информационным потребностям.

Идеи нейросетевых технологий развиваются в рамках довольно четко обозначившегося научного направления - эволюционного моделирования (вычисления). Создатели нового направления стремились к получению средства «для синтеза машин, обнаруживающих большую разумность», что до сих пор удавалось найти лишь в природе. Сущность эволюционного моделирования состоит в следующем [231, с.601]: «На самом высоком абстрактном уровне мы представляем себе эволюционный процесс как способность более приспособленных индивидов оказывать более сильное влияние на будущий состав популяций, благодаря длительному выживанию и более многочисленному потомству, которое, в свою очередь, продолжает оказывать влияние и после гибели родителей».

Эволюционные вычисления целесообразны тогда, когда известные методы оптимизации не позволяют исследовать поведение целевой функции вне областей локальных минимумов. Такого рода вычисления используются для решения очень трудных задач, к которым можно отнести задачу поиска оптимальной структуры ней- росети.

В общем случае эволюционное моделирование предполагает:

• разработку способа (вида) представления результатов решения в виде строки или дерева; •

отбор операторов, с помощью которых будут формироваться новые результаты решения и которые могут учитывать специфику задачи; •

выбор объекта популяций; •

разработку способа отбора особей для выживания и скрещивания на основе целевой функции.

Для реализации эволюционного моделирования создаются генетические алгоритмы, способные учитывать механизмы наследования подобно естественным организмам. Используется также опыт в селекции животных и растений. Генетические алгоритмы основываются на гипотезе селекции, которую можно сформулировать следующим образом: чем выше приспособленность особи, тем выше вероятность того, что в потомстве признаки, определяющие его приспособленность, будут еще сильнее. При внимательном рассмотрении гипотезы, приведенной в работе [231], можно сделать вывод, что селекция есть не что иное, как оптимизация, выраженная в самом общем виде. Следовательно, идея оптимизации, столь широко используемая в экономической практике, есть не что иное, как подражание естественному эволюционному процессу.

Изучение известных генетических алгоритмов показало уникальность их способностей для решения задач глобальной оптимизации. Данное обстоятельство особенно важно в связи с тем, что в процессе обучения нейросетей происходит пошаговая векторная оптимизация синоптических весов. Конечным результатом обучения является минимум (оптимум) отклонений, получаемых с помощью сети результатов распознавания реальных ситуаций, от примеров.

Известные генетические алгоритмы обладают худшей эффективностью по сравнению с градиентными методами оптимизации, но им присуще неоспоримое преимущество: обеспечивается в большинстве случаев сходимость в глобальном смысле и способность работать с плохо определенными и «зашумленными» данными.

Процесс эволюции (адаптация, оптимизация, обучение) моделируется посредством алгоритмов, которые манипулируют двоичными строками (векторами), названными хромосомами. Двоичные символы представляют гены. Генетический алгоритм определяется как процедура, которая выполняет последовательность операций, предназначенных для моделирования процесса эволюции путем изменения битовых строк.

К несомненным преимуществам нейронных вычислений следует отнести: •

воспроизведение сколь угодно сложной зависимости между факторами, отражающими изменения объектов (линейная и нелинейная зависимость); •

использование «зашумленной», противоречивой, неточной информации для получения результатов; •

применение метода индукции в процессе обучения и распознавания объектов; •

распознавание пространственных отношений; •

отсутствие программирования, что позволяет оперативно адаптироваться (обучаться) к новым обстоятельствам. Данное качество позволяет эксплуатировать сеть пользователям, не имеющим специального образования.

Вместе с тем эволюционное моделирование в целом, и в том числе нейросетевые системы, обладают рядом недостатков: 1.

Нейросети не способны объяснить полученные с их помощью результаты. Это серьезно подрывает доверие к ним со стороны пользователя, ибо довольно часто одного ответа недостаточно, требуется доказательство его правильности. 2.

Нейросеть рассматривается в качестве "черного ящика". Пока не представляется возможным выяснить, какие зависимости зафиксированы в сети, какой они сложности. 3.

Не известны методы построения нейросетей. Теорема А.Н. Колмогорова, доказанная в 1957 г. и указывающая на максимальное число нейронов в сети, ничего не говорит об их минимальном количестве или о числе слоев нейронов. 4.

Достаточно сложно выявляется значимость отдельных входных факторов с помощью нейросетей, на основе специальных методов анализа результатов их работы. 5.

Нейросеть не способна к оценке принципиально новых, не изучавшихся ранее ситуаций.

Естественно-языковое общение человека с компьютером - тот идеал, к которому стремятся конструкторы программных систем. Пока в этом направлении сделан ничтожный шаг, однако, уже можно говорить о создании систем подобного типа. Отметим, что такие системы должны совмещать в себе как осознанные знания человека, так и неосознанные (см. рис. 2.7). Воспроизведение осознанных (логических) умственных усилий человека в памяти компьютера выра- жено довольно мощным инструментарием, способным отразить сколь угодно сложные зависимости между реальными объектами и процессами. Детальное изложение лингвистических, математических и организационных основ использования этого инструментария представлено в [103,176]. Здесь же остановимся на специфике воспроизведения неосознанных знаний, мало освещенных в литературе.

Фундаментальные исследования в таких областях, как психосемантика, психолингвистика, психодиагностика, структурная лингвистика, постепенно меняют взгляды не только на само понятие знания, но и на весь арсенал методов их представления и использования.

Учитывая существование осознанной и неосознанной формы психического отражения знаний, в работе [132] вместо терминов сознательные и бессознательные знания используются термины эксплицитные и имплицитные знания. Эксплицитные знания базируются на вербальных формах представления, а имплицитные - как на вербальных, так и на невербальных. Эксплицитные знания могут приобретать разные, но одной природы формы: первая - это хорошо структурированные знания, отражаемые в семантических сетях, а вторая - это вербальные ассоциации, существующие временно, на период коммуникативного акта.

Имплицитные знания, в отличие от эксплицитных, могут быть как вербальными, так и невербальными. Имплицитность выражается в неясном, нечетком представлении объектов и отличается отрывочностью, хаотичностью вербальных и иных ассоциаций.

Всякая мыслительная деятельность (восприятие, воспоминание, рассуждение), как известно, базируется на знаниях, а любое знание ассоциативно. Мыслительная деятельность, или воображение, невозможно без ассоциаций, возникающих неосознанно в глубинах памяти человека. Без них нельзя не только распознать внешний раздражитель (слово, звук, предмет), усвоить ощущения, но и обеспечить необходимой информацией процесс рассуждения.

Методы компьютерного представления знаний, используемые в СППР первого класса, основаны на стационарной (статичной) связи между объектами, что может характеризоваться как грубая аналогия. Моделирование функций памяти на основе динамических ассоциаций носит более адекватный характер. При этом, говоря о внешнем раздражителе, взаимодействующем с базой ассоциаций, нельзя не принимать во внимание цель субъекта, которая всегда сопровождает любой акт мыслительной деятельности ассоциативно.

Применение неосознанных знаний для удовлетворения информационных потребностей в процессе поддержки решений на практике, на наш взгляд, наталкивается на ряд серьезных трудностей. Среди них можно отметить следующие: 1)

отсутствие результатов исследований по синтезу теории ассоциаций и нейросетей, по своей природе способных воспроизводить ассоциативные связи; 2)

отсутствие методических разработок, синтезирующих интуи- ционисткую логику Клини-Весли и возможности нейросетей; 3)

отсутствие законченной теории воспроизведения, отражения и использования неосознанных знаний.

Решение может зависеть не только от одного субъекта, но и от коллектива. Главная проблема, возникающая в процессе коллективного принятия решения, состоит в несравнимости вариантов, предпочитаемых разными участниками коллектива. Ее решение в [153] осуществляются с учетом двух принципов: равенства и эффективности. С их помощью отбирается фиксированное допустимое множество. Далее часто используется коллективное сравнение альтернатив для выбора наилучшего варианта из фиксированного допустимого множества. Такие правила известны под названием функции коллективного выбора.

Согласованная коллективная оценка множества лиц, принимающих решение, рассчитывается различными методами. Например, в [36] эта проблема решается путем вычисления взвешенной средней оценки, методом идеальной точки, методом ранжирования по Парето, кусочно-линейной аппроксимацией функций предпочтения и т.д. Реализация коллективного принятия решений стала возможной благодаря появлению распределенных СППР и агентно-ориентированных систем в искусственном интеллекте. В мультиагентных системах программный модуль рассматривается в качестве "агента", так как он уполномочен действовать за другого - эксперта или лица, принимающего решение.

Классификация СППР по признаку форм психического отражения знаний человека позволяет раскрыть их под углом зрения методов и способов организации баз знаний. При этом в тени остаются такие важные характеристики принятых решений, как индивидуальное или коллективное (кооперативное) решение, и не рассматриваются инструментальные средства их реализации. На наш взгляд, пара «индивидуальное - коллективное» и пара «централизованное - распределенное» находятся в отношении друг с другом как «метод - инструмент». Иллюстрация такого отношения приведена на рис. 2.8.

Содержание СППР, описанное выше, касалось индивидуальных решений (принимаются одним лицом), в связи с чем инструментом, под держивающим этот процесс, служат централизованные системы, характерной особенностью которых является единство места хранения знаний и выполнения вычислений.

Возрастающая сложность создания распределенных систем предопределила дальнейшее выделение и развитие в рамках объектно- ориентированного подхода нового научного направления, названного агентно-ориентированным программированием. Под агентом понимают программный модуль, который уполномочен "действовать" вместо человека-эксперта или лица, принимающего решение.

Агенту, т.е. модулю, приписываются следующие антропоморфные свойства: убеждения, желания, замыслы, обязательства и др. Убеждения - это алгоритмы, заложенные при создании агента; желания - это цели, которые он может достичь при определенных обстоятельствах; замыслы и обязательства интерпретируются как алгоритмы, которые меняются в зависимости от ситуации. Мультиаген- тная система, в которой каждый из агентов характеризуется перечисленными свойствами, способна [220]: •

проявлять собственную инициативу; •

поддерживать связь с окружающим миром, получая от нее информацию и реагируя на нее своими действиями; •

посылать другим агентам сообщения и получать сообщения в ответ; •

действовать без вмешательства человека.

Применение агентно-ориентированных систем в практике принятия решений позволит решить проблему совместного использования распределенных в пространстве знаний при условии, что имеют место распределенная база знаний и их централизованная обработка.

В практике формирования решений появилась возможность решения проблем, о которых ранее не могло быть и речи. Сети, предоставляя невиданные возможности для принятия решений, определили новые направления в исследованиях, связанных с методами обработки данных. В работе [204] эти методы сведены в три группы: •

методы поддержки хранения больших пополняющихся объемов информации; •

методы предоставления компьютерных рассуждений; •

методы компьютерной аппроксимации антропоморфных аспектов умственной деятельности (когнитивная графика, эвристические методы, формализация поиска релевантного знания в процессе рассуждений и т.д.).

Идеи интеллектуального анализа данных, быстро распространяющиеся в среде проектировщиков, пока мало отражаются на идеологии создания систем формирования решений. В настоящее время эти системы не ориентированы на решение таких проблем, как: •

причинный анализ появления той или иной проблемы в управлении (ответ на вопрос почему); •

порождение новых зависимостей между явлениями или процессами; •

прогноз поведения объектов; •

интеллектуальная под держка исполнения принятых решений.

Последняя проблема особенно важна, так как синтез систем формирования решений и обучающих систем, основанный на применении компьютерных сетей, позволит коренным образом изменить процесс управленческого труда за счет повышения эффективности труда сотрудников, чьи должностные инструкции претерпели изменения, и повышения эффективности принятых решений с помощью интеллектуальной информационной поддержки их исполнения.

Немаловажную роль в соотношении «формальное - неформальное» играют информационные технологии, применяемые в СППР. Так же, как и в работе [92], будем считать, что они в своем развитии прошли следующие этапы:

1. Технология баз данных (Data Base - DB). В определенный момент времени в связи с ростом объемов обрабатываемых данных появилась потребность в перепрограммировании и в разработке мер по борьбе с быстрорастущими затратами на поддержку данных в актуальном состоянии. Базы данных сыграли решающую роль в решении данной проблемы. 2.

Технология аналитической обработки данных в режиме on-line (OLAP-on-line Analytical Processing). Усложнение средств анализа данных в процессе принятия решений потребовало новых усовершенствований в технологии обработке данных. Возникла необходимость в такой перестройке работы с базой данных, которая обеспечивала бы получение немедленного ответа на поставленный вопрос (режим on-line) и возможность многоаспектного анализа хранящихся данных. 3.

Технология интеллектуального анализа данных (Data Mining - DM). Необходимость появления DM-технологии продиктована следующими обстоятельствами: •

тотальное применение Web-серверов обеспечивает доступ к огромному объему разнородной информации, обработка которой с помощью традиционных информационных технологий невозможна; •

существует потребность в выявлении скрытых зависимостей между различными факторами, представленными в различных формах (символьная, числовая, графическая, неструктурированная, структурированная и т.д.); •

существует необходимость в выделении из множества значений, принимаемых факторами, тех, которые определяют поведение объекта и оказывают влияние на его поведение в будущем.

Ответом на поставленные вопросы стала технология, получившая название интеллектуальный анализ данных - процесс извлечения зависимостей из разнородных баз данных. В этом процессе центральное место занимает автоматическое порождение моделей, правил или функциональных зависимостей.

В основу DM-технологии предусматривается положить Хранилище данных (Data WareHouse - DWH). Хранилище информации - это предметно-ориентированный, интегрированный, неизменяемый и поддерживающий хронологию набор данных, специфическим образом организованный для целей поддержки принятия решений.

Особенно перспективным является сочетание DWH+DM- технологий, так как они функционируют не по заранее заданным формулам, а на основе функциональных зависимостей, релевантных накопленным данным. В DWH+DM-технологиях используются в различных сочетаниях следующие инструменты: нейронные сети, генетические алгоритмы, средства визуализации процессов, методы порождения деревьев решений, методы, основанные на правилах, методы статистического анализа. Принципиальная новизна этих тех- нологий состоит в том, что управление процессом решения задач носит не алгоритмический характер, а характер управления данными (демон). 4.

Системы поддержки принятия и исполнения решений (Electronic Performance Support Systems - EPSS). В этих системах использование новейших достижений в области теории обучения и принятия решений делает возможным и перспективным создание технологий, обеспечивающих не только поиск нужного решения, но и внедрение принятого решения в практику управления. Для этого система должна оснащаться средствами обучения, способными помочь человеку консультациями, советами, информацией, обучением. 5.

Мультиагентные системы (МА). Эти системы появились в связи с возрастающей сложностью принятия решений в процессе создания распределенных систем. МА-технологии являются объединением объектно-ориентированной технологии и методов искусственного интеллекта. Мультиагентные системы можно также рассматривать как подкласс объектно-ориентированных систем.

Важной прикладной областью применения МА-технологий является организация параллельных процессов в распределенных системах. Обмен сообщениями рассматривается как обмен информацией между агентами, характеризуемыми всеми перечисленными выше свойствами.

Информационные технологии можно делить по иному признаку, например, по виду информации, выдаваемой пользователю. В результате будут получены следующие классы данных: констатирующие, моделирующие и советующие. (Подробное описание их содержания и предназначения приводится в разд. 3.1.)

Цели, ради достижения которых принимается решение, можно разделить на три класса: стратегические, тактические и оперативные. Тогда взаимосвязь между целями и типами решений и задачами можно представить с помощью рис. 2.9.

Оперативные решения периодические: одна и та же задача возникает снова и снова. В результате процесс принятия решения становится относительно рутинным и почти беспроблемным. Параметры (характеристики) хозяйственных процессов, используемые в ходе принятия решения, определены, их оценка известна с высокой точностью, взаимосвязь параметров с принимаемым решением понятна. Например, работники отдела поставок, осуществляющие подцер- Среднесрочные цели, тактические решения

Краткосрочные цели, оперативные решения

Несгруктурируемые

или спабоструктурируемые

задачи

Частично структурируемые задачи

Структурируемые задачи рутинного характера

жку на определенном уровне бесперебойности производства, проверяют соответствие заказов их выполнению, а также договорам и потребностям предприятия и изменяют предыдущее количество заказов, если количество товаров на складе снизилось.

Принятие оперативных решений ведет к вполне ожидаемым и прогнозируемым результатам. Например, если товары заказаны на склад, то существует высокая вероятность их поступления. Оперативные решения являются краткосрочными. Так, ошибка, допущенная в объеме заказа материала, который был быстро использован, может быть исправлена без серьезных потерь, влияющих на прибыль.

Тактические решения обычно принимаются управленцами среднего уровня, ответственными за обеспечение средствами для достижения целей и намерений, поставленных ЛПР верхнего звена. Получение ответов на следующие вопросы: «Каковы кредитные лимиты для определенного класса заказчиков?», «Какой поставщик должен быть первоисточником сырьевых ресурсов?», «При каких условиях давать скидку заказчику?» - это примеры тактических решений, принимаемых на среднем уровне управления.

Тактические решения не такие рутинные и структурированные, как оперативные решения. Во многих случаях все главные параметры объекта управления, входящие в состав тактических решений, не известны; оценки характеристик, определенные как важные, могут быть также неизвестными, а взаимосвязь мевду характеристиками и решениями может быть не ясна. Например, выбор дешевого постав- щика сырья может стать большой комплексной проблемой. Данный поставщик может предлагать самые низкие цены, но существует вероятность того, что случится какая-то нестыковка, которая повлечет за собой нарушение потока поставляемого сырья. Возможно, что качество продукта нового поставщика, его надежность поставки и обслуживание заказа не известны. Отсутствие ясности взаимосвязи между переменными ведет к неопределенности, даже если действия управленца совершенны.

Стратегические решения принимаются с учетом целей компании, определенных в ее уставе и уточненных высшим руководством предприятия. Эти цели определяют основу, на которой должно базироваться долгосрочное планирование, а также устанавливают критические факторы деятельности предприятия. Эти решения обеспечивают базу для принятия тактических и оперативных решений. «Какой стратегии мы должны придерживаться, чтобы быть конкурентоспособными по отношению к другим фирмам, - найти дешевого поставщика или что-то другое?», «Хотим ли мы завоевать весь рынок или его часть?», «Каков баланс между ростом долгосрочных продаж и краткосрочной прибыльностью?». Это типичные вопросы, которые решаются на стратегическом уровне управления.

Стратегическим решениям присуща долгосрочность, комплексность, неструктурированность и непериодичносгь. Большинство характеристик, которые следует учесть, не могут быть определены: как правило, они содержат несколько ключевых переменных, влияющих на решения. Существует много неопределенных факторов, которые учитываются при решении, при этом требуется информация из внешней среды для выработки решения, например, информация о конкурентах, поставщиках, потребителях и о всей индустрии, в которой работает фирма. Во многих случаях информация, используемая для принятия решения, основывается на интуиции и мнении других ЛПР. Из-за расплывчатости и отсутствия ясных причинно-следственных связей существует высокая степень неопределенности в принятии стратегических решений, сопряженных с высокой степенью риска и продолжительным периодом их влияний. Должен пройти длительный срок для получения реальных результатов, которые в дальнейшим трудно изменить.

В табл. 2.1 представлены основные классификаторы, используемые в СППР. Таблица 2.1 Классификаторы, используемые в СППР Наименование классификатора Признак классификации Значение признака классификации Решения Продолж ительность достижения цели Оперативные

Тактические

Стратегические Вид информации Структурированная

Слабоструктурированная

Неструктурированная Уровень принятия решения Высший Средний Оперативный Цели достижения Долгосрочные

Среднесрочные

Краткосрочные На какие функции направлено Плановые Учетные Аналитические Контрольные Причины возникновения Предписанные Инициативные Методы Количественные Графоаналитический Оптимизационные Вероятностные и статистические

Имитационные Эвристические Расчетные Качественные Степень неопределенности «Мозговая атака» Меггод «Дельфи»

Детерминированные С учетом риска С учетом неопределенности Средства

поддержки анализа Прямой факторный анализ Дифференциальное исчисление

Цепные подстановки Взвешенные конечные разности Наименование классификатора Признак классификации Значение признака классификации Логарифмический метод Метод коэффициентов Дробление приращений факторов

Интегральный метод Количественные Функционально-стоимостной анализ Количественные К-ступенчатый анализ Средства

построения

альтернатив Количественные Прямые расчеты Когнитивный анализ Когнитивные карты Сценарии Правила вывода Средства оценки альтернатив Формальные критерии Функции предпочтения Таблица «стоимость-эффективность» Таблица «стоимость-критерий»

Матрица решений Дерево решений Средства анализа последствий Прогнозные методы Экстраполирование временных рядов Сценарные методы Дерево И-ИЛИ В литературе предпринимаются достаточно важные, на наш взгляд, попытки увязки типов управления с этапами или процедурами формирования решений. Например, авторы работы [46] рассматривают следующие типы управления: •

традиционное управление (процессное) - управление рассматривается в виде процесса, состоящего из таких функций, как планирование, учет, анализ, регулирование; •

системное управление - управление, при котором предприятие рассматривается как единое целое; •

ситуационное управление - управление, основанное на выявлении ситуаций, которые позволяют руководителю оперативно решать управленческие задачи;

• стабилизационное управление - управление, направленное на выявление путей для стабилизации состояния объекта.

В составленной нами табл. 2.2 приведены процедуры, которые выполняются в случае принятия решения при том или ином типе управления. Следует отметить, что первые пять процедур выполняются в любом случае. Это согласуется с классическими этапами процесса принятия решений, разработанными Г.Саймоном [180].

Обязательными во всех случаях являются также процедуры 9 и 10 из табл. 2.2, так как наличие нескольких вариантов предполагает их сравнительную оценку и выбор.

Таблица 22 Соответствие процедур поддержки принятия решений типам управления (менеджмента) Номер процедуры Процедура поддержки принятия решений Тип управления процессный системный ситуационный стабилизационный 1 Обнаружение проблемы + + + + 2 Сбор информации + + + + 3 Анализ информации + + + + 4 Определение целей управления + + + + 5 Разработка критерия оценки эффективности решения + + + + 6 Идентификация проблемы с имевшей место ранее в этой или в другой организации + 7 Изучение применявшихся при этом приемов и их последствий + 8 Прогнозирование по аналогии с ранее наблюдавшимися последствиями использования изучаемых приемов + Номер процедуры Процедура поддержки принятия решений Тип управления процессный системный ситуационный стабилизационный 9 Оценка и верификация вариантов решения + + + + 10 Принятие, оформление, доведение до исполнителей, контроль выполнения + + + + 11 Диагностика проблемы + + + 12 Генерация перечня возможных управляющих воздействий + 13 Прогнозирование последствий этих воздействий для более высокого иерархического уровня + 14 15

Прогнозирование последствий для ситуации

Изучение динамики изменения параметров объекта управления + + 16 Оценка времени, необходимого на выполнение операций управления + 17 Распределение времени на операции подготовки, принятия и исполнения решений для вывода предприятия на траєкторную цель + 18 Генерация компенсирующих воздействий (вариантов решений) + 19 Прогноз последствий + Оставшиеся процедуры 6 - 8 и 11 - 19, как убедительно показали авторы [46], отражают специфику того или иного типа управления.

Данные табл. 2.2 представляют определенный интерес, однако в ней не учтены ни тенденции в развитии систем управления, ни кардинально меняющиеся организационные структуры, ни специфика быстро развиваемой сетевой экономики, базирующейся на глобальных информационных сетях. Остается невыясненным, почему те или иные методы принятия решений несовместимы или неэффективны для определенного типа управления. Некоторые ответы можно получить, проанализировав связь между видами решений и используемыми для их формирования методами (табл.2.3).

Таблица 2.3 Связь между видами решений и методами их формирования Методы Виды решений долговременные оперативные периодические разовые Оптимизационные + Вероятностные и статистические + Имитационные + Эвристические + Расчетные + + Графовые + + Линейные + + Нелинейные + + Смешанные + + + «Мозговая атака» + + Экспертные оценки + + Таблица составлена на основе обзора литературы, касающейся проблем формирования и принятия решений в экономической сфере [46, 89, 111,208,218, 226, 227].

Сделанный нами обзор существующих методов и инструментальных средств, используемых в СППР, необходим для того, чтобы перейти к анализу и выявлению присущих им недостатков, а также определить те этапы формирования решений, которые недостаточно обеспечены необходимой инструментальной средой.