Понятие предиктивной прикладной аналитики и значение профессиональной подготовки в ней
Редакция продолжает публикацию материалов, посвящённых значению прикладной аналитики и технологиям подготовки в прикладной аналитике.
Понкин И.В. О стандартах надлежащего прикладного аналитического ремесла и мастерства
Понкин И.В. К вопросу о значении подготовки военных аналитиков
Введение
Прогноз требует от аналитика максимум знаний и квалификации.
Р.В. Ромачев, «Практический курс HUMINT для частной разведки» [1]
Мы часто склонны (для удобства) забывать, как велики были ошибки наших прогнозов в прошлом.
В. Метлинг, «Стратегия разработок» [2]
Предиктивная (прогностическая) аналитика в современном мире обретает всё более и более высокие актуальность и значение, как и в целом прикладная аналитика, ибо информация обретает высокую ценность лишь тогда, когда подвергается качественной интеллектуальной обработке.
Предиктивность – направленность на предвидение, предвосхищение, прогнозирование, соответствующий функционал (поскольку прогноз важен не для пассивного созерцания, а для последующих рефлексий и реагирования).
В общем значении, прогноз будущего – это догадка о том, что определённые ситуации, избранные для исследования, имеют более реальные шансы для реализации по сравнению с теми, что были исключены [15].
Предиктивная аналитика (франц. – «l’analytique prédictive»; англ. – «predictive analytics») – вид и функционально-инструментальный сегмент прикладной аналитики, направленный на прогнозирование и референтную интерпретацию будущих событий и фактов, рисков и угроз (вызовов), интересов и движущих сил, функций, будущих результатов (размерностей) и тенденций, будущих состояний, модальностей и закономерностей поведения объектов и субъектов, будущей онтологии процессов и будущей динамики горизонтов событий.
Предиктивная аналитика может отвечать на вопросы: предиктивно-дескриптивный («Что и как может произойти в будущем?»); предиктивно-диагностический («Почему это может произойти?»); предиктивно-прескриптивный («Что нам придётся делать далее?»).
Как известно, военная предиктивная аналитика и разведывательная предиктивная аналитика решают задачу прогнозирования, предвосхищения поведения, деятельности противника в условиях неопределённости, недостаточности знаний о нём, и основаны на обоснованном презюмировании того, что в рамках и по результатам любой целенаправленной деятельности (имея внутри себя определённые процессы, таковая проходит этапы развёртывания, достижения своих пиковых значений и постепенного спада, сворачивания) невозможно производить продукты мгновенно, для этого всегда требуется определённое время.
Но строго говоря, вообще почти любая прикладная аналитика должна быть направлена на выработку прогнозов и связанных с ними рекомендаций (хотя бы в какой-то мере).
Согласно Эдвину Юджину Швиену, понимание того, что имеет место, не имело бы существенного значения, если бы оно не содержало в себе хотя бы минимально понимания того, что будет [3]. По Анатолю Рапопорту, «не следует предполагать, что что-либо иное, кроме аккумулирующего прошлое настоящего, влияет на будущее» [4]. Соответственно, прикладной аналитический продукт – это «документ, в котором либо анализируется существующее в данный момент положение, либо делается прогноз о развитии событий в будущем» [5, с. 102].
Научение качественной работе в предиктивной прикладной аналитике, набор мастерства и искусства в этом деле осуществляется в течение всей профессиональной жизни практика-аналитика. Это тот случай, когда учить оперированию инструментариями предиктивной прикладной аналитики обязательно надо, научить возможно (например, используя методику С.А. Рачинского – не пользоваться «избитыми» задачниками, но постоянно самому обучающему импровизировать задачи всё возрастающей сложности, сообразно с силами обучающихся и с характером ставящихся задач [6]), но без самосовершенствования в последующем обойтись никак невозможно.
И это то, чему обязательно надлежит обучать в рамках подготовки профессионалов в военной аналитике, правовой аналитике, государственно-управленческой аналитике, в развед-аналитике и контрразвед-аналитике (см.: [7]). А отсутствие должного научения мастерству и искусству предиктивной аналитики является прологом к многочисленным провалам в государственной политике.
Рис. 1. Образное отражение набора профессионального мастерства и опыта в предиктивной прикладной аналитике со временем работы в ней [8].
Но целенаправленная качественная профессиональная подготовка в предиктивной аналитике позволяет существенно сократить этот путь становления хорошего профессионала (с должным уровнем прикладного аналитического мастерства).
Вероятностные «ловушки» в предиктивной аналитике
категориями «вероятность», «возможность», «шанс» и т.п. Но в этом состоит и выраженная сложность, существенная затруднительность верификации и валидации выводов, содержащихся в предиктивно-аналитическом материале. Условие должной (необходимой и достаточной) точности прогноза неотделимо от условия предельной точности применяемой лексики.
По Вашингтону Плэтту, «как лицо, пользующееся разведывательной информацией, всегда относитесь с подозрением к термину “возможности”. Будьте настроены критически, спрашивайте себя, что имеет в виду составитель информации, когда говорит о возможностях, при каких условиях его утверждения о возможностях окажутся правильными, при каких сомнительными или неправильными? Как составитель информации всегда чётко определяйте условия, при каких ваше утверждение будет правильным… Никогда не допускайте, чтобы человек, пользующийся информацией, неправильно истолковывал ваши данные о возможностях. Старайтесь вовсе не пользоваться этим термином и применяйте, где это допустимо, какой-либо другой. Если же вы лицо, редактирующее или проверяющее информационные документы после их составления, то критически изучайте все те места, где идет речь о “возможностях”» [5, с. 98].
Неслучайно документ «Аналитические стандарты разведывательного сообщества», утверждённый Директивой Разведывательного сообщества США от 02.01.2015 № 203 [9], в целях обеспечения согласованности в используемых терминах устанавливает требования для выражений правдособразности или вероятности в аналитическом продукте:
Понятно, что идеальное состояние недостижимо и является лишь мерой должного, целевым ориентиром.
Человек – это, в принципе, самый «чёрный ящик» из всех «чёрных ящиков» в мире.
По Вашингтону Плэтту, «мало кто представляет себе, с какими трудностями сталкивается человек, взявшийся предсказать какое-либо явление из области человеческих взаимоотношений. Эти трудности стремительно возрастают по мере того, как мы пытаемся глубже заглянуть в будущее. Каждая неясность порождает массу новых неясностей, и путаница усиливается тем больше, чем глубже мы пытаемся проникнуть в тайны будущего… Имеется два вида общих принципов предвидения. Во-первых, имеется три общих принципа, применимых для составления любых прогнозов, в том числе относительно таких единичных явлений, как результаты выборов, начало войны, создание какого-либо нового оружия. Вот эти принципы: 1) предвидение на основе причинных связей; 2) предвидение по аналогии; 3) предвидение с использованием теории вероятностей. Далее идут принципы предвидения, применимые только к длительным явлениям… К числу этих принципов относятся следующие: 1) предвидение на основе учёта устойчивых тенденций; 2) предвидение на основе учёта развития событий в определённом направлении; 3) предвидение на основе учёта цикличного развития событий» [5, с. 251, 267].
Однако следует понимать, что поскольку предсказуемость есть такое качества, которые может существенно различаться от индивидуального к индивидуальному, постольку объекты прогностической вероятностной оценки могут сильно разниться в части подверженности прогностической оценке. В принципе, есть пределы осведомлённости, есть пределы познания. По Олдосу Хаксли, «есть вещи известные и есть вещи неизвестные, а между ними – двери восприятия» (цит. по: [10]). И как сказал Дональд Рамсфелд: «Существуют известные известные. Это вещи, о которых мы знаем, что мы их знаем. Существуют известные неизвестные. Это вещи, о которых мы знаем, что мы их не знаем. Но ещё существуют неизвестные неизвестные. Это вещи, о которых мы не знаем, что мы их не знаем» (официальный брифинг 12.02.2002). И неопределённости в оценке логических и других возможностей человека или в оценке перспектив развития предметов материального мира, далеко превышающие способности исследователя к прогнозированию, как пишет Эдвард Квейд, относятся к классу реальной неопределённости [11]. Особенно сложна предиктивная аналитика в ситуациях, когда следует ожидать быстрых нешаблонных, напористых инициативных действий противника.
А потому при оценке будущего и формулировании (разработке) сценарного прогностического моделирования или выработке даже простейших прогнозов неминуема аппроксимация, руководствуясь видением меры необходимого и достаточного.
Майкл Джозеф Морони писал: «Мы отыскиваем не идеальное описание…, а адекватное описание, то есть такое, которое является достаточно верным для поставленной цели. Простое математическое распределение может быть выбрано за его простоту, хотя оно подходит к фактам менее хорошо, чем более сложное распределение, при условии, что оно достаточно хорошо подходит для нашей цели. Мы должны спрашивать – не “Что является точным?”, а скорее: “Что является адекватным?”» [12]
К вопросу о технологическом обеспечении предиктивной аналитики
В предиктивной аналитике применяются группа интуитивных методов и группа формализованных методов (прогностическое сценарное моделирование, прогнозная экстраполяция и др.).
Предиктивная аналитика, основанная на использовании вероятностных (стохастических) моделей обработки вводных данных (включая исторические) для определения вероятности будущих событий, состояний, поведения, тенденций и процессов, направлена на моделирование элементов данных и предсказание будущих исходов по оцениваемым вероятностям событий [13]. А потому в предиктивной аналитике очень важна функциональность, а нередко – и должное техническое обеспечение процесса. Предиктивная аналитика нередко является высокотехнологичной, в том числе может потребоваться создать и использовать сложные алгоритмы глубинного машинного обучения, прогнозные программные модели в нечёткой логике.
Дин Аббот приводит следующее описание, рассматривая набор данных для контролируемого обучения с 50 входами и одной бинарной целевой переменной со значениями 0 и 1. Один из способов попытаться определить, какой из входов наиболее связан с целевой переменной, – это построить гистограмму каждой переменной по очереди. Целевая переменная может быть наложена на гистограмму. При 50 входах необходимо просмотреть 50 гистограмм. Это не редкость для разработчиков прогнозных моделей. Если для построения моделей требуется рассмотреть две переменные одновременно, это можно сделать с помощью диаграммы рассеяния. Для 50 переменных существует 1 225 возможных диаграмм рассеяния (точечных диаграмм, англ. – «3D scatter plots»). Специалист по предиктивному моделированию, действительно, может это сделать, хотя это займёт некоторое время. Однако если модели требуют одновременного изучения трёх переменных, то для изучения всех возможных трехсторонних комбинаций вам придется изучить 19 600 трёхмерных диаграмм рассеяния. Даже самые преданные моделисты с трудом смогут потратить время, необходимое для изучения такого количества графиков. Вам нужны алгоритмы, чтобы просеять все потенциальные комбинации входных данных – паттерны – и определить, какие из них наиболее интересны. Затем аналитик может сосредоточиться на этих закономерностях, несомненно, с гораздо меньшим количеством входных данных для изучения. Из 19 600 трехсторонних комбинаций входных данных, возможно, прогностическая модель определит шесть переменных как наиболее значительные факторы, способствующие получению точных моделей. Кроме того, из этих шести переменных три лучшие являются особенно хорошими предикторами и намного лучше, чем любые две переменные сами по себе. Теперь у вас есть управляемое подмножество участков для рассмотрения: 63 вместо почти 20 000. Это один из самых мощных аспектов машинной предиктивной аналитики: определение того, какие исходные данные вносят наиболее важный вклад в формирование закономерностей в данных [14].
Вместо заключения
В очередной раз повторимся: из числа получивших инвалидности раненых в боях 2022–2023 годов (и ранее) российских офицеров можно было бы (следует) начать формировать костяки будущих группировок сил (центров) военных практиков-аналитиков, проведя их интенсивную специализированную профессиональную подготовку в этом ремесле и искусстве (а не обучая их на потенциальную некондицию из числа предлагаемых профессий, никак не обеспечивающих их безбедного и активного будущего на перспективу, да и не особенно нужных государству). Высшее военное образование как «подложка» (твёрдая основа), военные смекалка и упорство, отчаянное стремление найти своё место в профессиональной жизни в условиях своей искалеченности – могут дать более чем хорошие предпосылки. В самом деле, из числа кого ещё готовить военно-технических аналитиков, специализирующихся на артиллерийских вооружениях противника (в том числе потенциального), как не из офицеров с соответствующей ВУС, из числа кого ещё готовить аналитиков, специализирующихся на организации противодиверсионной работы, как не из офицеров, выпускавшихся по таким специальностям?! И это был бы глубоко нравственный поступок по отношению к ним: когда человек – физически инвалид, это никакими льготами не возместить, а вот рывок на интеллектуальном уровне в таких условиях для многих стал бы реальным залогом морального выживания (как для военнослужащих Минобороны России, ФСБ, Росгвардии, так и для личного состава ЧВК «Вагнер»).
Состояние глубокой (и инкурабельной простыми средствами) аналитической немощи (паралича даже) в структурах Российского государства рано или поздно преодолевать придётся и преодолевать необходимо как можно скорее, иначе нашему государству просто не выжить.
Понкин Игорь Владиславович - доктор юридических наук, профессор кафедры государственного и муниципального управления Института государственной службы и управления РАНХиГС при Президенте РФ, профессор; Консорциум «Аналитика. Право. Цифра»
Литература, ссылки
1. Ромачев Р.В. Практический курс HUMINT для частной разведки. – М.: Горячая линия – Телеком, 2022. – 340 с. – С. 22.
2. Метлинг В. Стратегия разработок // Анализ сложных систем / Под ред. Э. Квейда: Пер. с англ. под ред. И.И. Ануреева, И.М. Верещагина. – М.: Советское радио, 1969. – 520 с. – С. 330.
3. Schwien E.E. Combat Intelligence: Its Acquisition and Transmission [Боевая разведка: Её получение и передача]. – Washington, Infantry Journal Press, 1936.
4. Rapoport A. Operational Philosophy, Integrating Knowledge and Action. [Операционная философия: Интеграция знаний и действий]. – New York: Harper and brothers publishers, 1953. – xi; 258 p. – P. 69.
5. Плэтт В. Информационная работа стратегической разведки: Основные принципы: Пер. с англ. Е.Б. Пескова / Под ред. А.Ф. Федорова. – М.: Изд-во иностранной литературы, 1958. – 342 с. – С. 102.
6. Рачинскiй С.А. 1001 задача для умственнаго счета: Пособiе для учителей сельскихъ школъ. – С.-Петербургъ: Синодальная типографiя, 1899. – 88 с. – С. 3.
7. Понкин И.В., Лаптева А.И. Методология научных исследований и прикладной аналитики: Учебник. Изд. 3-е, дополн. и перераб. / Консорциум «Аналитика. Право. Цифра». – М.: Буки Веди, 2022. – 754 с. – С. 91–202.
8. Исходная идея – авторства художника из Швейцарии Стефана Шмитца (Stephan Schmitz):
9. IC Analytic Standards / Intelligence Community Directive № 203, 02.01.2015 [Аналитические стандарты разведывательного сообщества / Директива разведывательного сообщества от 02.01.2015 № 203] //
10. Huxley A. //
11. Квейд Э. Методы и процедуры // Анализ сложных систем / Под ред. Э. Квейда: Пер. с англ. под ред. И.И. Ануреева, И.М. Верещагина. – М.: Советское радио, 1969. – 520 с. – С. 252.
12. Moroney M.J. Facts from Figures [Факты из цифр]. – Baltimore: Penguin Books, 1956. – viii; 473 p. – P. 261.
13. DAMA-DMBOK: Свод знаний по управлению данными. Второе издание / DAMA International: Пер. с англ. Г. Агафонова. – М.: Олимп–Бизнес, 2020. – 828 с. – С. 638–639.
14. Abbott D. Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst [Прикладная предиктивная аналитика: Принципы и методы для профессионального аналитика данных]. – Indianapolis (IN, USA): John Wiley & Sons, 2014. – xxiv; 427 p. – P. 4–5.
15. Вейнер М. Методы теории игр и их применение // Анализ сложных систем / Под ред. Э. Квейда: Пер. с англ. под ред. И.И. Ануреева, И.М. Верещагина. – М.: Советское радио, 1969. – 520 с. – С. 320–321
