У вашому місті DevEducation ще не відкритий. Подивіться, у яких містах ви вже можете пройти наші курси!
Дивитися
Global

Мультимасштабный анализ: без него – никуда!

 

Мы уже писали о том, что наш колледж DevEducation и ведущий американский исследовательский центр сложных систем, NECSI, со штаб-квартирой в Бостоне, США, стали партнёрами. Напомним, что соглашение о партнёрстве предполагает, среди прочих, следующие виды действий:
– Взаимные посещения партнёров академическими и техническими специалистами;
– Обмен образовательными программами, материалами, исследованиями, публикациями и академической информацией;
– Организация совместных исследований и публикаций;
– Совместная организация конференций, семинаров и других академических и образовательных мероприятий;
– Совместное проведение технологических тренингов и административных программ.

Мы очень гордимся этим партнёрством с одним из мировых лидеров в области новых знаний. Президент NECSI, всемирно известный учёный Янир Бар Ям, в ноябре выступил на конференции,  организованной DevEducation совместно с партнёром, IT-компанией WizardsDev и говорил о сложных системах и взаимосвязи частей в них. 

Вашему вниманию – очередной полезный текст от нашего партнёра NECSI – про многомасштабный анализ.

 

Сложные системные науки меняют наше представление о науке и ее роли в обществе. Это выходит за рамки традиционного подхода, состоящего в том, чтобы сосредоточиться на частях системы, интегрировать сеть отношений внутри и между системами. Эти отношения порождают «возникающее» поведение, которое мы наблюдаем во всех физических, биологических, социальных, экономических и технологических системах. Такой подход позволяет исследователям решать вопросы, которые когда-то считались недоступными науке, в том числе поведение человека, социальные взаимодействия и последствия политики и решений нашего общества.

Одним из способов посмотреть на систему в целостности является мультимасштабный анализ, собирающий важную информацию из больших данных.

 

Изменение болезни на здоровье и экономической нестабильности на рост являются одними из сложных задач, с которыми мы сталкиваемся сегодня. Как мы можем обратить огромное количество данных, которые становятся все более доступными, к решению этих насущных проблем? Данные содержат много подробностей, но, как правило, не содержат тэгов для руководства о том, какие части информации важны для определения успешных вмешательств в процесс. Вопросы, на которые мы должны ответить после такого анализа, касаются свойств сложных систем -- физиологии человека, глобальной экономики. Решение вопросов о таких системах требует распутывания запутанных зависимостей и множества причин и следствий поведения, а также признания того, что поведение варьируется от масштаба до микроскопического и глобального.

 

Например, война может интерпретироваться как столкновение сложных адаптивных систем, для описания которой используется парадигма нелинейности. В условиях сложных конфликтов и гибридной войны классический анализ боевых возможностей вооруженных сил, основывающийся на оценке огневых возможностей соединений большого масштаба, оказывается недостаточным и должен быть дополнен оценкой сложности как самих вооруженных сил, так и операционной среды в целом. Анализ усложняется тем, что масштаб и сложность не являются независимыми параметрами.

Или пример из другой области. Мультимасштабные карты – это динамические карты, которые отображают данные по-разному в разных диапазонах масштабов. Они отличаются от статичных карт, которые созданы для просмотра и вывода при одном масштабе. Вы можете приближать и отдалять карту, но мультимасштабные карты создаются таким образом, чтобы обеспечить визуальную целостность и эффективно донести информацию до пользователя. То есть многомасштабные карты – это наиболее эффективный способ практически непрерывного отображения данных в различных масштабах.

 

Ключ к решению этих вопросов состоит в том, чтобы сосредоточиться на том, как поведение в разных масштабах взаимосвязано, и как зависимости внутри системы приводят к крупномасштабным моделям поведения, которые можно охарактеризовать напрямую, не отображая все сложные детали. Подход основан на понимании того, как агрегировать поведение компонентов для выявления более масштабных поведений. В этой структуре сама информация имеет масштаб, и информация более крупного масштаба -- это самая важная информация, которую необходимо знать, а информация с более тонким масштабом важна только для предоставления подробностей при необходимости. Этот анализ сосредотачивает внимание на информации, характеризующей, как повлиять на поведение системы в самых больших масштабах. Конкретные причины и следствия, которые необходимо изучить, - это ведь лишь немногие из них, которые лежат в основе поведения системы на всех уровнях.

Таким образом, мультимасштабный анализ – это, на самом деле, огромное упрощение по сравнению с распространением традиционных подходов. И, при правильном применении, результат представляет собой чёткое руководство о том, как вмешиваться и решать основные проблемы, чтобы получить результат, оправдывающий направленные усилия. Успешные примеры демонстрируют, что его можно применить к широкому кругу научных вопросов и проблем реального мира, хотя многие аспекты того, как действовать в более общем плане, еще предстоит разработать.

Этот подход дополняет многие другие стратегии, которые полезны для сложных систем, включая не только большие данные, но и сетевые модели, агентные модели, теорию игр, системную динамику, машинное обучение, стохастическое моделирование, связанные дифференциальные уравнения и другие структуры, в которых отправной точкой является конкретная репрезентативная структура. По своему духу он ближе к фракталам и хаосу в своем внимании к роли весов, но, как и в случае с другими подходами, он не принимает их конкретных репрезентативных стратегий. В мультимасштабном анализе стратегия состоит в том, чтобы описать поведение самого большого масштаба с минимальным, но в точном представлении, и каждая из различных репрезентативных стратегий или их комбинаций может использоваться по мере необходимости.